季节性ARIMA (SARIMA)
Parent: ai_keywords
季节性ARIMA (SARIMA) 百科解释
核心定义
季节性自回归积分滑动平均模型（Seasonal Autoregressive Integrated Moving Average，简称SARIMA）是经典时间序列分析模型ARIMA的扩展。它在ARIMA基础上显式加入季节性成分，通过差分处理非平稳趋势与季节性周期，适用于具有固定周期波动的数据预测。其表达式为 SARIMA(p,d,q)(P,D,Q)_m，其中 (p,d,q) 为非季节性部分参数，(P,D,Q)_m 为季节性部分参数，m 为季节性周期长度（如12个月、24小时）。
关键技术点
- 季节性差分（D）：对序列进行步长为
m的差分，消除周期性非平稳性，例如对月用电量做12阶差分以剥离年度波动。 - 季节性自回归（P）与移动平均（Q）：分别捕捉同一季节期前
P个周期和残差前Q个周期的依赖关系，模型结构为(1-Φ₁B^m-...-Φ_P B^{Pm})(1-B^m)^D y_t = (1-Θ₁B^m-...-Θ_Q B^{Qm})ε_t。 - 模型定阶：通过自相关函数（ACF）和偏自相关函数（PACF）在季节性滞后处的截尾/拖尾特征确定
P和Q，并结合AIC/BIC准则优化。 - 残差诊断：使用Ljung-Box检验确保残差为白噪声，避免欠拟合。
- 滚动预测：支持多步超前预测，并生成置信区间，适用于实时监控与预警系统。
医学/神经科学应用场景：脑卒中高发季节预测
结合首都医科大学神经病学背景，脑卒中发病具有明显的冬季高发、夏季低发的季节性规律（周期 m=12 月）。利用SARIMA模型对历史月度卒中入院数据进行建模：
- 首先对原始序列做12阶季节性差分（
D=1）消除年度趋势，并尝试1阶非季节性差分（d=1）去除长期趋势。 - 通过ACF/PACF图识别季节性自回归项
P=1（12月滞后处显著）和非季节性项p=2, q=1。 - 最终模型为
SARIMA(2,1,1)(1,1,0)_12，可准确捕捉“冬季峰值”的强度与波动。 - 临床价值：提前1-2个月预测未来月份的卒中发病压力，指导医院调配卒中绿色通道人力、储备溶栓药物，并协助公共卫生部门在冬季前启动社区防寒宣教与血压管理。该模型还可扩展至癫痫发作的昼夜节律（
m=24小时）预测，或帕金森病症状波动的日间模式分析，为神经调控治疗提供时序决策依据。
