概論篇
  1. 傳染病數據
    1.1 傳染病監測
    1.2 監測數據特征
    1.2.1 傳染病數據在空間上的特征
    1.2.2 傳染病數據在時間上的特征
  2. 時空分析方法概述
    2.1 空間聚集性探測
    2.2 時間序列分析
    2.3 時空聯合預警
    2.4 時空變異及其規律挖掘
空間聚集性探測篇
  3. Knox方法
    3.1 概述
    3.2 基本原理
    3.2.1 Knox方法的基本形式
    3.2.2 時間、空間臨界值的確定
    3.2.3統計推斷方法
    3.2.4 時空聚集強度的確定
    3.3 實例分析
    3.3.1 流行性乙型腦炎聚集性分析結果
    3.3.2地區差異
    3.3.3年齡差異
    3.3.4 地區差異與年齡差異之間的關聯
    3.3.5應用小結
  4. Rogerson空間模式監測
    4.1 概述
    4.2 基本原理
    4.2.1 Tango方法原理及其改進
    4.2.2 累積和方法原理及參數設置
    4.3 實例分析
    4.3.1 分析結果
    4.3.2應用小結
  5. Turnbull方法
    5.1 概述
    5.2 基本原理
    5.3 實例分析
    5.3.1 發病概況
    5.3.2流行病學特征
    5.3.3 空間聚集性分析
    5.3.4應用小結
  6. Besag-Newell方法
    6.1 概述
    6.2 基本原理
    6.3 實例分析
    6.3.1 分析結果
    6.3.2應用小結
時間序列分析篇
  7. 時間序列基本框架及概念
  8. ARIMA模型
    8.1 概述
    8.2 基本原理
    8.2.1 ARIMA模型
    8.2.2季節效應的處理
    8.3 實例分析
    8.3.1 肺結核ARIMA建模
    8.3.2 猩紅熱X-11-ARIMA建模
  9. 條件異方差模型
    9.1 概述
    9.2 基本原理
    9.2.1 異方差的判斷
    9.2.2 ARCH模型
    9.2.3 GARCH模型
    9.2.4 GARCH模型的變體
    9.2.5 AR-GARCH模型
    9.3 實例分析
  10. 馬爾可夫模型
    10.1 概述
    10.2 基本原理
    10.2.1 馬爾可夫鏈
    10.2.2 馬爾可夫鏈模型
    10.3 實例分析
    10.3.1 方法和結果
    10.3.2討論
  11. 隱馬爾可夫模型
    11.1 概述
    11.2 基本原理
    11.2.1 基本概念
    11.2.2 HMMs的三個基本問題及算法
    11.2.3 貝葉斯HMMs
    11.3 實例分析
    11.3.1 貝葉斯估計
    11.3.2 貝葉斯隱馬爾可夫建模
    11.3.3 應用小結
  12. Cyclical回歸模型
    12.1 概述
    12.2 基本原理
    12.3 實例分析
    12.3.1 流感Cyclical回歸
    12.3.2應用小結
  13. 神經網絡
    13.1 概述
    13.2 基本原理
    13.2.1 BP神經網絡
    13.2.2 小波神經網絡
    13.3 實例分析
    13.3.1 梅毒發病率的預測
    13.3.2 腎綜合征出血熱發病率的預測
    13.3.3 應用小結
  14. 模糊時間序列
    14.1 概述
    14.1.1 模糊集合理論起源及應用
    14.1.2 模糊時間序列基本概念
    14.2 基本原理
    14.2.1 模糊時間序列
    14.2.2 模糊時間序列建模
    14.3 實例分析
    14.3.1 腎綜合征出血熱模糊時間序列模型
    14.3.2 應用小結
時空聯合預警篇
時空變異及規律挖掘篇
彩圖