基于ARIMA与NNAR模...的中国肺癌预测模型构建研究_苏海霞.pdf

广西医科大学学报JOURNAL OF GUANGXI MEDICAL UNIVERSITY2023 Jan；40（1）基于ARIMA与NNAR模型的中国肺癌预测模型构建研究苏海霞，杨丹凌，文立，汤梦莹，宋晓坤，黎燕宁（广西医科大学公共卫生学院生物统计学教研室，南宁530021）摘要目的：基于19902019年中国肺癌流行特征数据预测其20202024年的发展趋势，为我国肺癌防控相关策略提供科学参考依据。方法：收集19902019年中国肺癌（性别）发病率、（性别）死亡率等指标，采用年估计百分比变化（EAPC）分析其变化趋势；比较自回归求和移动平均（ARIMA）模型和神经网络自回归（NNAR）两种模型预测精度，并预测20202024年中国肺癌流行趋势。结果：19902019年中国肺癌（性别）发病率、（性别）死亡率、（性别）伤残调整寿命年（DALY）率均随时间呈上升趋势；发病率从 21.72/10 万增长至 58.56/10 万（EAPC 3.72%，P0.001）；死亡率从 21.65/10 万增长至 53.23/10 万（EAPC3.37%，P0.001）；DALY率从588.07/10万增长至1 204.25/10万（EAPC 2.67%，P0.001）。ARIMA和NNAR的预测值与实际值基本吻合，ARIMA模型MAPE、MAE、RMSE值更小，预测精度更高。采用ARIMA模型预测得到20202024年的发病率为57.67/10万、59.06/10万、60.44/10万、61.83/10万、63.22/10万；死亡率分别为53.26/10万、54.51/10万、55.76/10万、57.02/10万、58.27/10万；DALY率分别为1 191.98/10万、1 211.72/10万、1 231.36/10万、1 250.94/10万、1 270.48/10万。结论：20202024年中国肺癌发病、死亡情况仍将加重，ARIMA模型预测中国肺癌流行特征具有较好的精度和预测性能，对肺癌防控策略的制定有指导意义。关键词肺癌；流行病学；ARIMA模型；NNAR模型中图分类号：R734.2文献标志码：A文章编号：1005-930X（2023）01-0147-07DOI：10.16190/ki.45-1211/r.2023.01.023Study on the construction of lung cancer prediction model in China based on ARIMA andNNAR modelsSu Haixia,Yang Danling,Wen Li,Tang Mengying,Song Xiaokun,Li Yanning.(Department of Biostatistics,School of Public Health,Guangxi Medical University,Nanning 530021,China)AbstractObjective:To provide scientific references for the prevention and control strategies of lung cancer inChina by predicting the development trend of lung cancer in China from 2020 to 2024 based on the epidemiologi-cal data of lung cancer in China from 1990 to 2019.Methods:The annual estimated percentage change(EAPC)was used to analyze the trend of incidence(gender),mortality(gender)and other indexes of lung cancer in Chinafrom 1990 to 2019.The prediction accuracies of ARIMA model and NNAR model were compared to predict theepidemic trend of lung cancer in China from 2020 to 2024.Results:The incidence(gender),mortality(gender)and disability-adjusted life years(DALY)rate of lung cancer in China increased during the time from 1990 to2019.The incidence increased from 21.72/100,000 to 58.56/100,000(EAPC 3.72%,P0.001);the mortality in-creased from 21.65/100,000 to 53.23/100,000(EAPC 3.37%,P0.001);the DALY rate increased from 588.07/100,000 to 1,204.25/100,000(EAPC 2.67%,P0.001).The predicted values ofARIMAand NNAR were basical-ly consistent with the actual values.The MAPE,MAE and RMSE values of ARIMA model were smaller,and theprediction accuracy was higher.The ARIMA model was used to forecast the incidence,the mortality and the DA-LY rate.The predictive incidence rates were 57.67/100,000,59.06/100,000,60.44/100,000,61.83/100,000 and63.22/100,000 from 2020 to 2024,respectively;the predictive mortality rates were 53.26/100,000,54.51/100,000,55.76/100,000,57.02/100,000 and 58.27/100,000,respectively and the predictive DALY rates were 1,191.98/100,000,1,211.72/100,000,1,231.36/100,000,1,250.94/100,000 and 1,270.48/100,000,respectively.Conclusion:The incidence and death rate of lung cancer in Chinawill continue to increase from 2020 to 2024.The通信作者，E-mail：收稿日期：2022-06-27 147调查研究广西医科大学学报2023 Jan；40（1）ARIMA model has good accuracy and predictive performance in predicting the epidemic characteristics of lungcancer in China,which is of guiding significance for the formulation of prevention and control strategies of lungcancer.Keywordslung cancer;epidemiology;ARIMAmodel;NNAR model2016年，中国新增肺癌病例约82.81万例1，新增死亡病例约为65.70万例，发病率及死亡率均为恶性肿瘤的首位。2021年，世界癌症报告中国肺癌死亡率位居世界第一。近年来，随着我国人口老龄化加剧、人群吸烟数量增多、环境污染加重2-3，我国肺癌死亡率和伤残调整寿命年（disability adjustedlife years,DALY）居高不下。肺癌不仅使患者出现肺功能下降、放射性纤维化等身体症状，还产生了沉重的经济负担和较差的生活质量4。由此可知，肺癌已成为我国重大的公共卫生问题之一，有效的预测肺癌发展趋势可为我国肺癌防控策略的制定提出支持，同时对积极防控工作的开展提供理论支持。既往研究多为对我国肺癌流行特征的描述与趋势分析，对肺癌流行病学变化趋势预测的研究较少。自回归求和移动平均（autoregressive integratedmoving average,ARIMA）模型是单变量时间序列数据预测最广泛使用的方法之一，在短期预测方面具有较好的效果5；神经网络自回归（neural networkautoregression,NNAR）模型能有效处理响应变量及其预测器之间的复杂非线性关系，是分析时间序列的重要机器学习之一，具有较好的泛化作用6。在研究传染病7-10、慢性病11-13等趋势预测中常常使用ARIMA模型和NNAR模型相互比较。因此，本研究通过收集 19902019年中国肺癌患病率、死亡率等数据，分析其变化趋势，并分别采用ARIMA 和NNAR 模型进行建模，择优选择模型预测 20202024年中国肺癌流行趋势，为肺癌防治策略制定提供参考。1资料与方法1.1数据来源流行病学数据来源于2019年全球疾病负担研究数据库，包括发病率、性别发病率、死亡率、DALY率等流行病学指标。DALY是从发病到死亡所损失的全部健康寿命年，DALY率为DALY除以相应人口数而得。1.2统计学方法1.2.1中国肺癌流行病学变化趋势使用年估计百分比变化（the estimated annualpercentage change,EAPC）及其 95%CI 来评估变化趋势。EAPC的检验采用t检验，以P0.05为差异有统计学意义。采用Graphpad Prism 8.0.2绘制趋势图。1.2.2ARIMA、NNAR模型的建立与比较利用 19902016 年数据作为训练集，20172019年数据作为测试集构建模型。平均绝对百分误差（MAPE）、平均绝对误差（MAE）及均方根误差（RMSE）评估模型拟合和预测效率。MAPE、MAE、RMSE 值越小，表明数据拟合越好。最后，利用最佳模型预测20202024年中国肺癌发病率、死亡率和DALY率。ARIMA、NNAR模型的建立和比较基于R4.1.0软件实现。1.2.2.1ARIMA模型通过分析预测对象在过去及现在随时间变化所形成的一组观测数据，并揭示数据之间的依存关系和自相关性，进而建立模型，预测其未来发展趋势。ARIMA（p,d,q）是常用的时间序列模型，其中p为自回归（autoregressive model,AR）阶数、d为差分次数、q为移动平移（moving av-erage model,MA）阶数。依据赤池信息准则（Akai-ke information criterion,AIC）、贝 叶 斯 信 息 准 则（Bayesian information criterion,BIC）优先选择最优模型及参数。对模型残差进行白噪声检验，若P0.05，说明模型拟合度好，否则需要重新建模。使用“forecast”、“tseris”包中的“auto.arima”等函数构建ARIMA模型。1.2.2.2NNAR模型基于人工神经网络的模型和基于简单大脑数学模型的预测方法。神经网络可以被认为是按层组织的“神经元”网络。预测变量（或输入）构成底层，预测（或输出）构成顶层。也可能有一个包含“隐藏神经元”的中间层。最简单的网络不包含隐藏层，相当于线性回归。一旦添加了具有隐藏神经元的中间层，神经网络将变为非线性。使用NNAR（p,k）来表示，其中p为滞后输入数，K为节点数。使用“forecast包”中的“nnetar”等函数构建NNAR模型。1482结果2.1 中国肺癌流行特征趋势变化19902019年，中国肺癌男性发病率、死亡率、DALY 率高于女性，且都呈上升趋势。发病率从21.72/10万增长至 58.56/10万，EAPC为3.72%，95%CI（3.60%3.72%），发病率上升趋势有统计学意义（t=61.82，P0.001），见图1a；死亡率从21.65/10万增长至53.23/10万，EAPC为3.37%，95%CI（3.24%3.51%），死亡率上升趋势差异有统计学意义（t=52.16，P0.001），见图1b；DALY率从588.07/10万增 长 至 1 204.25/10 万，EAPC 为 2.67%，95%CI（2.55%2.79%），DALY率上升趋势有统计学意义（t=46.11，P0.001），见图1c。a：19902019年中国男性和女性肺癌发病率情况；b：19902019年中国男性和女性肺癌死亡率情况；c：19902019年中国男性和女性肺癌DALY率情况。图119902019年中国肺癌流行特征趋势变化2.2ARIMA和NNAR的肺癌发病率预测模型构建19902016 年肺癌发病率为训练集，20172019年的发病率数据作为测试集构建模型。由“au-to.arima”函数得到AIC与BIC最小的肺癌发病率预测 模 型 为 ARIMA（0，2，0）（AIC=19.35，BIC=20.57）。对残差序列进行Ljung-Box检验，延迟6阶和 12 阶分别为2=3.682（P=0.720）和2=4.621（P=0.970），提示为白噪声序列。在训练集上：ARIMA（0，2，0）MAPE、MAE、RMSE分别为0.740%、0.259、0.329，提示模型预测性能良好；由“nnetar”函数得到的肺癌发病率模型NNAR（1，1）MAPE、MAE、RMSE分别为 0.835%、0.286、0.351。ARIMA（0，2，0）和NNAR（1，1）模型预测值动态趋势与实际情况基本一致，见图2d图2e。在测试集上，ARIMA（1，1，0）和NNAR（1，1）模型预测值与真实值相近，但ARI-MA（1，1，0）模型的绝对误差和相对误差均比NNAR（1，1）模型小，见表1。无论是在训练集还是在测试集上，ARIMA（0，2，0）的 MAPE、MAE 和RMSE 值均小于 NNAR（1，1），即 ARIMA 模型更优，见表2。2.3ARIMA和NNAR的肺癌死亡率预测模型构建19902016 年肺癌死亡率为训练集，20172019年的死亡率为测试集。ARIMA（0，2，0）（AIC=15.74，BIC=16.96）为AIC与BIC最小肺癌死亡率预苏海霞，等.基于ARIMA与NNAR模型的中国肺癌预测模型构建研究 149广西医科大学学报2023 Jan；40（1）测模型。对残差序列进行Ljung-Box检验，延迟6阶和12阶2值为 3.364（P=0.762）和4.306（P=0.977），提示为白噪声序列。在训练集上：ARIMA（0，2，0）MAPE、MAE、RMSE分别为0.711%、0.240、0.306，提示模型预测性能良好；NNAR（1，1）MAPE、MAE、RMSE分别为0.803%、0.267、0.340。ARIMA（0，2，0）和NNAR（1，1）模型预测值与实际值基本一致，见图2f图2g。在测试集上，ARIMA预测值与真实值更加相近，且绝对误差和相对误差均比NNAR模型小，见表1。无论是在训练集还是在测试集上，ARIMA（0，2，0）的拟合参数均小于 NNAR（1，1），即ARIMA模型更优，见表2。2.4基于ARIMA和NNAR的肺癌DALY率预测模型构建19902016年肺癌DALY率为训练集，20172019 年的 DALY 率为测试集。ARIMA（1，1，0）（AIC=177.84，BIC=181.62）为最小AIC与BIC值的肺癌DALY率预测模型。对残差序列进行Ljung-Box检验，延迟6阶和12阶检验统计量为2=0.649（P=0.996）和2=1.738（P=0.999），提示模型拟合良好。在训练集上：ARIMA（1，1，0）MAPE、MAE、RMSE分别为0.651%、5.271、6.406，提示模型预测性能良好；NNAR（1，1）MAPE、MAE、RMSE 分别为0.667%、5.494、7.227。ARIMA（1，1，0）和NNAR（1，1）模型预测值动态趋势与实际情况基本一致，见图2h图2i。在测试集上，ARIMA（1，1，0）预测值与真实值更加相近，且ARIMA（1，1，0）的绝对误差和相对误差均比NNAR（1，1）模型小，说明ARIMA模型预测效果更好，见表1。无论是在训练集还是在测试集上，ARIMA（1，1，0）的拟合参数均小于 NNAR（1，1），即ARIMA模型更优，见表2。d：ARIMA（0，2，0）模型；e：NNAR（1，1）模型；f：ARIMA（0，2，0）模型；g：NNAR（1，1）模型；h：ARIMA（1，1，0）模型；i：NNAR（1，1）模型；实线为实际值，虚线为拟合值，点及范围为测试集预测值及95%CI。图2ARIMA与NNAR预测模型比较 150表2ARIMA和NNAR预测模型的精度评价模型发病率ARIMANNAR死亡率ARIMANNARDALY率ARIMANNAR训练集MAPE/%0.7400.8350.7110.8030.6510.667MAE0.2590.2860.2400.2675.2715.494RMSE0.3290.3510.3060.3406.4067.227测试集MAPE/%2.3905.4211.2124.6261.4534.112MAE1.3663.0960.6352.41017.25448.633RMSE1.5453.4430.7792.70520.71054.5242.5ARIMA模型肺癌流行特征预测情况由训练集和测试集MAPE、MAE、RMSE结果可知，ARIMA模型在预测中国肺癌发病率、死亡率、DALY 率上的性能优于 NNAR 模型。最终利用ARIMA模型预测得到20202024年中国肺癌发病率、死亡率、DALY率。20202024年中国肺癌发病率为 57.67/10 万、59.06/10 万、60.44/10 万、61.83/10万、63.22/10万；死亡率分别为53.26/10万、54.51/10万、55.76/10万、57.02/10万、58.27/10万；DALY率分别为1 191.98/10万、1 211.72/10万、1 231.36/10万、1 250.94/10 万、1 270.48/10 万。预 测 结 果 显 示20202024年中国肺癌发病、死亡情况仍保持加重趋势，见表3。年份/年发病率201720182019死亡率201720182019DALY率201720182019真实值/（1/10万）54.0256.2058.5649.6451.2853.231 135.641 167.151 204.25ARIMA预测值/（1/10万）53.5154.8956.2849.4950.7552.001 131.311 151.901 172.07绝对误差/（1/10万）0.511.312.280.150.531.234.3315.2532.18相对误差/%0.942.333.890.301.032.310.381.312.67NNAR预测值/（1/10万）52.7253.2053.5748.6649.0049.251 116.041 120.731 124.38绝对误差/（1/10万）1.303.004.990.982.283.9819.6046.4279.87相对误差/%2.415.348.521.974.457.481.733.986.63表1ARIMA和NNAR预测模型测试集真实值、预测值数据比较年份/年20202021202220232024发病率（95%CI）57.67（53.9961.34）59.06（54.0864.03）60.44（54.0466.85）61.83（53.8969.77）63.22（53.6372.80）死亡率（95%CI）53.26（49.8456.68）54.51（49.8859.14）55.76（49.8161.72）57.02（49.6364.41）58.27（49.3667.19）DALY率（95%CI）1 191.98（1 144.121 239.84）1 211.72（1 153.96 1 269.49）1 231.36（1 164.511 298.21）1 250.94（1 175.721 326.16）1 270.48（1 187.511 353.43）表3基于ARIMA模型20202024中国肺癌发病、死亡情况预测1/10万3讨论有研究显示19902019年中国肺癌发病、死亡情况随时间呈增长趋势14，且上升趋势均有统计学意义。2019年中国肺癌标准化发病率、标准化DA-LY率均高于全球肺癌平均水平15。辛雯艳等16对中国肺癌流行趋势分析发现发病率呈增长趋势，与本文研究结果一致，但死亡率上升无明显变化，可苏海霞，等.基于ARIMA与NNAR模型的中国肺癌预测模型构建研究 151广西医科大学学报2023 Jan；40（1）能是研究年份不一致的原因。Wang等17对肺癌死亡率流行趋势分析得到的研究结果与本文一致。同时，刘慧敏等18对肺癌死亡率预测趋势与本文研究结果一致。本文从国家层面进行流行特征分析及预测，一方面可为我国公共卫生政策的科学制定、医疗卫生资源合理高效的配置提供依据。另一方面为卫生行政部门肺癌流行病学的研究及肺癌防控策略的制定提供参考。本研究通过建立ARIMA模型和NNAR模型，分析19902019年中国肺癌发病率、死亡率、DALY率的趋势变化。同时，根据模型最优拟合参数选择ARIMA模型预测20202024年的中国肺癌流行特征变化。研究发现20202024年中国肺癌发病率、死亡率、DALY率均呈上升趋势。ARIMA模型是经典的时间序列模型，综合了趋势性、周期性及随机干扰 3 个方面的效应，给出精确度较高的预测结果。本研究发现，无论是在训练集还是测试集，ARIMA模型的拟合参数均低于NNAR模型，说明ARIMA模型在开展中国肺癌流行特征预测精度更高。同时，ARIMA模型广泛应用于预测疾病的趋势变化，例如凌曦等19利用ARIMA模型进行新疆生产建设兵团肺结核发病数的预测；Cui 等20应用ARIMA模型拟合20162020年北京手足口病流行特征及预测；ARIMA模型在COVID-19疫情流行情况21及疫苗接种趋势22的预测。ARIMA模型对时间序列数据波动小的预测效果更好，波动较大的数据则不能使模型得到较好的性能23。NNAR模型可以处理波动性较大的原始数据，预测结果更好。该模型需要以不同的随机起点进行多次训练，然后将结果取平均值，因此也被称为“黑箱模型”。本研究中ARIMA模型预测效果优于NNAR模型，虽然在训练集两个模型实际值与拟合值接近，但在测试集中均出现明显的差异，且测试集中肺癌发病率、死亡率、DALY率预测结果均比实际值高。而在一些研究结果认为 NNAR 模型较优7,9,13。因此，两种方法的适用疾病和指标范围仍需进一步深入研究。综上，我国肺癌防控形式严峻。通过扩大癌症筛查覆盖面，可降低肺癌发生率及死亡率。同时，医疗机构为肺癌患者提供更加规范化的诊断和治疗，精准化服务患者，可减少患者病后伤残损失寿命，提高生命质量。基于ARIMA模型和NNAR模型的中国肺癌发病、死亡预测值与实际情况基本吻合，但ARIMA模型更适合用于中国肺癌流行特征的预测。ARIMA模型为肺癌流行病学预测提供了一个较好的方法，对我国肺癌防控策略具有一定的实际意义。本研究亦存在不足之处，尽管GBD 2019数据来源广泛，并且采用新型统计建模技术分析数据，但其尚未包含我国不同省份肺癌相关数据，故未对各地区进行比较；本研究仅从单变量时间序列角度探讨趋势特征及预测，并未考虑纳入其他影响因素。笔者下一步将从时间序列结合多个因素展开更深入的研究分析。参考文献：1ZHENG R,ZHANG S,ZENG H,et al.Cancer incidenceand mortality in China,2016 J.Journal of the NationalCancer Center,2022,2（1）:1-9.2SANG S,CHU C,ZHANG T,et al.The global burden ofdisease attributable to ambient fine particulate matter in204 countries and territories,19902019:A systematicanalysis of the global burden of disease study 2019 J.Ecotoxicology and Environmental Safety,2022,238:113588.3XUE Y,WANG L,ZHANG Y,et al.Air pollution:A cul-prit of lung cancer J.Journal of Hazardous Materials,2022,434:128937.4 田国,边莉,徐小莉,等.肺癌患者发病情况和经济负担的分析 J.中国肺癌杂志,2022,25（3）:167-173.TIAN G,BIAN L,XU X L,et al.Analysis of the inci-dence and economic burden of lung cancer patients J.Chinese Journal of Lung Cancer,2022,25（3）:167-173.5 李欣,靳金,史雪宁,等.20102017年全国其他感染性腹泻空间聚集情况及预测 J.中华疾病控制杂志,2022,26（4）:376-379,462.LI X,JIN J,SHI X N,et al.Spatial aggregation and pre-diction of other infectious diarrhea in China from 2010 to2017 J.Chinese journal of Disease Control&Preven-tion,2022,26（4）:376-379,462.6 张欣,刘振球,袁黄波,等.神经网络自回归模型在丙肝发病趋势和预测研究中的应用 J.中国卫生统计,2020,37（4）:524-526.ZHANG X,LIU Z Q,YUAN H P,et al.Application ofneural network autoregressive model in the study of the in-cidence and prediction of hepatitis C J.Chinese Journalof Health Statistics,2020,37（4）:524-526.7YU G,FENG H,FENG S,et al.Forecasting hand-foot-and-mouth disease cases using wavelet-based SARIMA-152NNARhybridmodelJ.PlosOne,2021,16（2）:e0246673.8 KALANTARI M.Forecasting COVID-19 pandemic usingoptimal singular spectrum analysis J.Chaos SolitonsFractals,2021,142:110547.9PERONE G.Comparison of ARIMA,ETS,NNAR,TBATSand hybrid models to forecast the second wave of COVID-19 hospitalizations in Italy J.Eur J Health Econ,2022,23（6）:917-940.10 YE G H,ALIM M,GUAN P,et al.Improving the preci-sion of modeling the incidence of hemorrhagic fever withrenal syndrome in mainland China with an ensemble ma-chine learning approach J.Plos One,2021,16（3）:e0248597.11 FRAUENFELD L,NANN D,SULYOK Z,et al.Forecast-ing tuberculosis using diabetes-related google trends dataJ.Pathog Glob Health,2020,114（5）:236-241.12 赵创艺,袁空军,杨媛,等.基于ARIMA与NNAR模型的中国慢性阻塞性肺疾病疾病负担预测研究 J.中国全科医学,2022,25（16）:1942-1949.ZHAO C Y,YUAN K J,YAN Y,et al.The burden ofchronic obstructive pulmonary disease in China predictedby ARIMA and NNAR models:a comparative study J.Chinese General Practice,2022,25（16）:1942-1949.13 马倩倩,何贤英,崔芳芳,等.基于ARIMA与NNAR模型的中国食管癌疾病负担预测 J.中华疾病控制杂志,2021,25（09）:1048-1053.MA Q Q,HE X Y,CUI F F,et al.Prediction of diseaseburden of esophageal cancer in China based on ARIMAand NNAR models J.Chinese Journal of Disease Con-trol&Prevention,2021,25（9）:1048-1053.14 李翔,高申.19902019年中国居民肺癌发病、患病和死亡趋势分析J.中国慢性病预防与控制,2021,29（11）:821-826.LI X,GAO S.Trends analysis of the incidence,morbidityand mortality of lung cancer among Chinese from 1990 to2019 J.Chinese Journal of Prevention and Control ofChronic Disease,2021,29（11）:821-826.15 CHEN X,MO S,YI B.The spatiotemporal dynamics oflung cancer:30-year trends of epidemiology across 204countries and territories J.BMC Public Health,2022,22（1）:987.16 辛雯艳,黄磊,闫贻忠.20052013年中国肿瘤登记地区肺癌流行和疾病负担时间趋势分析 J.中华肿瘤防治杂志,2019,26（15）:1059-1065.XIN W Y,HUANG L,YAN Y Z.Analysis for the timetrends of lung cancer epidemic and disease burden in Chi-na,2005 to 2013J.Chinese Journal of Cancer Preven-tion and Treatment,2019,26（15）:1059-1065.17 WANG N,XU Z,LUI C W,et al.Age-period-cohort anal-ysis of lung cancer mortality in China and Australia from1990 to 2019 J.Scientific Reports,2022,12（1）:8410.18 刘慧敏,周乾宇,贾善群,等.20042018年中国肺癌死亡趋势分析及预测J.中国预防医学杂志,2021,22（12）:913-919.LIU H M,ZHOU G Y,JIA S Q,et al.Death trends of lungcancer in China from 2004 to 2018 J.Chinese Preven-tive Medicine,2021,22（12）:913-919.19 凌曦,张泽文,赵鹏山,等.新疆生产建设兵团20082020年肺结核流行特征分析及发病预测 J.中华疾病控制杂志,2022,26（4）:449-454,472.LING X,ZHANG Z W,ZHAO P S,et al.Analysis of theEpidemiological characteristics and incidence predictionof tuberculosis in Xinjiang Production and ConstructionCorps from 2008 to 2020 J.Chinese Journal of DiseaseControl&Prevention,2022,26（4）:449-454,472.20 CUI Y,YANG Y N,ZHENG R R,et al.Epidemiologicalcharacteristics of HFMD clusters during 2016-2020 inBeijing,ChinaJ.Journal of Medical Virology,2022,94(10):4934.21 WANG Y,YAN Z,WANG D,et al.Prediction and analy-sis of COVID-19 daily new cases and cumulative cases:times series forecasting and machine learning models J.BMC infectious diseases,2022,22（1）:495.22 DOROFTEI B,ILIE O D,ANTON N,et al.MathematicalModeling to Predict COVID-19 Infection and VaccinationTrendsJ.Journal of Clinical Medicine,2022,11（6）:1737.23 LI H,MU D,WANG P,et al.Prediction of obstetric pa-tient flow and horizontal allocation of medical resourcesbased on time series analysis J.Front Public Health,2021,9:646157.本文引用格式：苏海霞，杨丹凌，文立，等.基于ARIMA与NNAR模型的中国肺癌预测模型构建研究J.广西医科大学学报,2023,40（1）:147-153.DOI:10.16190/ki.45-1211/r.2023.01.023SU H X,YANG D L,WEN