การพยากรณ์อุบัติการณ์โรคไข้หวัดใหญ่ด้วยตัวแบบ SARIMA ในจังหวัดหนองคาย
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีวัตถุประสงค์เพื่อหาแบบจำลองที่เหมาะสมในการทำนายอุบัติการณ์ของโรคไข้หวัดใหญ่ในจังหวัดหนองคาย โดยใช้ข้อมูลในอดีตรายเดือนตั้งแต่ปี พ.ศ. 2559 ถึง พ.ศ. 2562 มีการวัดประสิทธิภาพของแบบจำลองที่เหมาะสมโดยใช้เกณฑ์สารสนเทศของอะกะอิเกะ (Akaike’s information criteria: AIC), เกณฑ์สารสนเทศของเบส์ (Bayesian information criteria: BIC) และค่ารากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (root mean square error: RMSE) และค่าเฉลี่ยของค่าสัมบูรณ์เปอร์เซ็นต์ความคลาดเคลื่อน (mean absolute percent error: MAPE) ผลการศึกษาพบว่าแบบจำลองที่ดีที่สุดสำหรับการพยากรณ์อุบัติการณ์ของโรคไข้หวัดใหญ่ คือ SARIMA (0,1,0)(2,1,0)12 โดยมีค่า AIC น้อยที่สุดเท่ากับ 102.37 ค่า BIC น้อยที่สุดเท่ากับ 107.04 และมีค่า RMSE เท่ากับ 0.65 และ MAPE เท่ากับ 8.30 เปอร์เซ็นต์ ซึ่งแสดงให้เห็นว่า แบบจำลอง SARIMA (0,1,0)(2,1,0)12 สามารถนำไปใช้ในการทำนายอุบัติการณ์การระบาดของโรคไข้หวัดใหญ่ในอนาคต ข้อมูลที่ได้จากการพยากรณ์สามารถนำไปใช้ในการวางแผนป้องกันและควบคุมโรคไข้หวัดใหญ่ รวมถึงการเตรียมพร้อมเฝ้าระวังในพื้นที่
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ต้นฉบับที่ได้รับการตีพิมพ์ถือเป็นสิทธิของเจ้าของต้นฉบับและของวารสารวิชาการ มทร.สุวรรณภูมิ เนื้อหาบทความในวารสารเป็นแนวคิดของผู้แต่ง มิใช่เป็นความคิดเห็นของคณะกรรมการการจัดทำวารสาร และมิใช่ความรับผิดชอบของมหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ
เอกสารอ้างอิง
Chen, R. J. C., Bloomfield, P., & Fu, J. (2003). An evaluation of alternative forecasting methods to recreation site use. Journal of Leisure Research, 35(4), 441-454.
Chong, K. C., Lee, T. C., Bialasiewicz, S., Chen, J., Smith, D. W., Choy, W. S. C., Krajden, M., Jalal, H., Jennings, L., Alexander, B., Lee, H. K., Fraaij, P., Levy, A., Yeung, A. C. M., Tozer, S., Lau, S. Y. F., Jia , K. M. Tang, J. W. T., & Chan, P. K. S. (2020). Association between meteorological variations and activities of influenza A and B across different climate zones: a multi-region modelling analysis across the globe. Journal of Infection, 80(1), 84-98.
Chumkiew, S., Srisang, W., Jaroensutasinee, M., & Jaroensutasinee, K. (2007). Climatic affecting on influenza cases in Nakhon Sithammarat. International Journal of Medical and Health Sciences, 1(12), 626-629.
He, Z., & Tao, H. (2018). Epidemiology and ARIMA model of positive-rate of influenza viruses among children in Wuhan, China: A nine-year retrospective study. International Journal of Infectious Diseases, 74, 61-70.
Inthong, K., & Vorarat, S. (2013). A forecasting system for optimal sales objectives a case study fiber cement product. DPU Graduate Studies Journal, 2(2), 1269-1278. (in Thai)
Kiertiburanakul, S., Phongsamart, W., Tantawichien, T., Manosuthi, W., & Kulchaitanaroaj, P. (2020). Economic burden of influenza in Thailand: A systematic review. Inquiry: a journal of medical care organization, provision and financing, 57, 1-14.
Ministry of Public Health. Department of Disease Control, (2016). Annual epidemiology surveillance report 2016. Retrieved 14 December 2020, from https://apps-doe.moph.go.th/boeeng/annual/AESR2016/static/documents/highlight_sum.pdf (in Thai)
Ministry of Public Health, Department of Disease Control, (2017). Annual epidemiology surveillance report 2017. Retrieved 14 December 2020, from https://apps-doe.moph.go.th/boeeng/download/AESR-6112-24.pdf (in Thai)
Ministry of Public Health. Department of Disease Control. (2018). Annual epidemiology surveillance report 2018. Retrieved 14 December 2020, from https://apps-doe.moph.go.th/boeeng/download/AW_Annual_Mix%206212_14_r1.pdf (in Thai)
Sanguanrungsirikul, D., Chiewanantavanich, H., & Sangkasem, M. (2015) A comparative study to determine optimal models for forecasting the number of patients having epidemiological-surveillance diseases in Bangkok. KMUTT Research and Development Journal, 38(1), 35-55. (in Thai)
Simmerman, J. M., Malinee, C., Levy, J., Chantra, S., Maloney, S., Uyeki, T., Areerat, P., Thamthitiwat, S., Olsen, S. J., Fry, A., Ungchusak, K., Baggett, H. C., & Chunsuttiwat, S. (2009). Incidence, seasonality and mortality associated with influenza pneumonia in Thailand: 2005–2008. PloS one, 4(11), 1-8.
Song, X., Xiao, J., Deng, J., Kang, Q., Zhang, Y., & Xu, J. (2016). Time series analysis of influenza incidence in Chinese provinces from 2004 to 2011. Medicine, 95(26), 1-7.
Suntronwong, N., Thongpan, I., Chuchaona, W., Lestari, F. B., Vichaiwattana, P., Yorsaeng, R., Pasittungkul, S., Kitphati, R., Vongpunsawad, S., & Poovorawan, Y. (2020). Impact of COVID-19 public health interventions on influenza incidence in Thailand. Pathogens and Global Health, 114(5), 225-227.
Sutthichaimethee, J. (2011). Application of ARIMA model for research. Suthiparithat Journal, 25(76), 101-120. (in Thai)
Tanyarattanasrisakul, M. (2018). The accuracy comparison of time series model between Winters’ exponential smoothing and Box - Jenkins methods: A case study of forecasting garden coconut price. RMUTSB Academic Journal, 6(2), 101-113. (in Thai)
Tanyarattanasrisakul, M. (2019). A comparison of forecasting methods between Winters’ multiplicative exponential smoothing, Box-Jenkins, and combined methods, for forecasting monthly prices of white shrimp Litopenaeus vannamei. RMUTSB Academic Journal, 7(1), 72-86. (in Thai)
The Center for Food Security and Public Health. (2019). Influenza. Retrieved 16 December 2020, from http://www.
cfsph.iastate.edu/DiseaseInfo/disease.php?name=influenza&lang=en
The R Foundation. (2020). The R project for statistical computing. Retrieved 16 December 2020, from https://www.r-project.org/
World Health Organization. (2018). Influenza (seasonal). Retrieved 16 December 2020, from https://www.who.int/news-room/fact-sheets/detail/influenza-(seasonal)
World Health Organization. (2019). Global influenza strategy 2019–2030. Retrieved 16 December 2020, from https://www.who.int/publications/i/item/9789241515320
Wang, S., Feng, J., & Liu, G. (2013). Application of seasonal time series model in the precipitation forecast. Mathematical and Computer Modeling, 58(3), 677-683.
Zhu, G., Li, L., Zheng, Y., Zhang, X., & Zou, H. (2021). Forecasting influenza based on autoregressive moving average and Holt-Winters exponential smoothing models. Journal of Advanced Computational Intelligence and Intelligent Informatics, 25(1), 138-144.
