Forecasting Monthly Dengue Cases Using the Box and Jenkins Method and the Grey Systems Theory
Article Sidebar
Main Article Content
Abstract
This predictive research uses a quantitative, univariate time series forecasting method that uses only past numbers to create future patterns. Many methods of forecasting provide the opportunity to choose a model that is consistent with the situation. The objective of this research was to compare the monthly predictions of the number of dengue fever cases in Thailand using the Box and Jenkins method and the Gray Systems Theory. The research method used data from the online reports of the Ministry of Public Health from 2015 to 2022 and selected models from both methods based on the lowest mean absolute percentage error (MAPE) criteria. The results showed that for the accuracy of forecasting the number of monthly patients in 2022 using monthly data from 2015 to 2021, the Grey System Theory GM(1,1)EPC model had MAPE 10.86, while the Box and Jenkins method, the most fit model was ARIMA(0,1,0)(0,1,1)12 had MAPE 84 months of 72.41. The forecast number of monthly dengue cases in 2023 using monthly data from 2015 to 2022, the most fit model was ARIMA(0,1,0)(0,1,1)12, with MAPE of 80.91 and a total of 201,288 patients. The GM(1,1)EPC model had MAPE of 18.71, which is within the criteria for good prediction. The total 12 months of cases forecast for 2023 were 110,643 people. The predictions using the Gray Systems Theory had less error than using the Box and Jenkins method.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of Safety and Health is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated.
References
กรมควบคุมโรค, สำนักระบาดวิทยา, สำนักโรคติดต่อนำโดยแมลง. (ม.ป.ป.). รายงานพยากรณ์โรค “ไข้เลือดออก” ปี 2561. กรมควบคุมโรค, https://ddc.moph.go.th/uploads/publish/1026620200625043737.pdf.
กรมควบคุมโรค, สำนักระบาดวิทยา, สำนักโรคติดต่อนำโดยแมลง. (ม.ป.ป.). รายงานพยากรณ์โรค “ไข้เลือดออก” ปี 2560. กรมควบคุมโรค, https://ddc.moph.go.th/uploads/publish/1026520200625043647.pdf.
กระทรวงสาธารณสุข. (2567, 14 ธันวาคม). อัตราป่วยด้วยโรคไข้เลือดออกต่อประชากรแสนคน ปี 2567. HDC, https://hdcservice.moph.go.th/hdc/reports/report.php?source=formated/format_2.php&cat_id=7f9ab56b0f39fd053143ecc4f05354fc&id=d4034b79ce2c889f3318a624543a4740.
ปรีชา เครือโสม, เฉลิมชัย ภูริพัฒน์, พิณรัตน์ นุชโพธิ์ และพรวิมล คล่องสั่งสอน. (2566). ตัวแบบระบบเกรย์สำหรับการพยากรณ์การแพร่ระบาดของโรคไข้เลือดออก : กรณีศึกษากรุงเทพมหานคร. วารสารควบคุมโรค, 49(2), 353-363.
มหาวิทยาลัยมหิดล, ศูนย์ส่งเสริมจริยธรรมการวิจัย. (2565, 2 กันยายน). แบบฟอร์มประเมินตนเอง เข้าข่ายการวิจัยในคนหรือไม่ (Eng, Thai). https://sp.mahidol.ac.th/th/ethics-human/assessment.html
มหาวิทยาลัยมหิดล. (2565, 8 มิถุนายน). ประกาศมหาวิทยลัยมหิดล เรื่อง แนวปฏิบัติสำหรับโครงการวิจัยที่ไม่เข้าข่ายการวิจัยในคน พ.ศ. 2565. มหาวิทยาลัยมหิดล ศูนย์ส่งเสริมจริยธรรมการวิจัย, https://sp.mahidol.ac.th/th/LAW/policy/2565-MU-Non-Human.pdf.
วณิกเกียรติ์ ยิ่งพันธ์, บัววรุณ ศรีชัยกุล, จตุพร เหลืองอุบล และพุทธิไกร ประมวล. (2563). ตัวแบบทำนายอุบัติการณ์การเกิดโรคไข้เลือดออกของประชาชนจังหวัดอุบลราชธานี. วารสารวิจัยสาธารณสุขศาสตร์ มหาวิทยาลัยราชภัฏอุบลราชธานี, 9(2), 174-184.
Andres D. (2023, 22 June). Error Metrics for Time Series Forecasting. Machine Learning Pills. https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/
Chen, H. L., Hsiao, W. H., Lee, H. C., Wu, S. C., & Cheng, J. W. (2015). Selection and Characterization of DNA Aptamers Targeting All Four Serotypes of Dengue Viruses. PLoS One, 10(6), e0131240. https://doi.org/10.1371/journal.pone.0131240
Deng, J. (1989). Introduction to grey system theory. The Journal of grey system, 1(1), 1-24.
Halstead, S. B. (2002). Dengue. Current Opinion in Infectious Diseases, 15(5), 471-476. https://doi.org/10.1097/00001432-200210000-00003
Hii, Y. L., Zhu, H., Ng, N., Ng, L. C., & Rocklov, R. (2012). Forecast of dengue incidence using temperature and rainfall. PLOS NEGLECTED TROPICAL DISEASES, 6(11), e1908. https://doi.org/10.1371/journal.pntd.0001908
Hikman, N., & Kartikasari, M. D. (2022). Decomposition Method with Application of Grey Model GM(1,1) for Forecasting Seasonal Time Series. Pakistan Journal of Statistics and Operation Research, 18(2), 411-416. https://doi.org/10.18187/pjsor.v18i2.3533
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.
Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(1), 1-22. https://doi.org/10.18637/jss.v027.i03
Leung, X. Y., Islam, R. M., Adhami, M., Ilic, D., McDonald, L., Palawaththa, S., Diug, B., Munshi, S., & Karim, M. N. (2023). A systematic review of dengue outbreak prediction models: Current scenario and future directions. PLOS Neglected Tropical Diseases, 17(2), e0010631. https://doi.org/10.1371/journal.pntd.0010631
Lewis, C. D. (1982). Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. Butterworth-Heinemann.
Lin, Y. H., Chiu, C. C., Lin, Y. L., & Lee, P. C. (2013). Rainfall prediction using innovative grey model with the dynamic index. Journal of Marine Science and Technology, 21(1), 63-75.
Liu, S., & Lin, Y. (2010). Grey Systems Theory and Applications. Springer-Verlag.
Othman, M., Indawati, R., Suleiman, A. A., Qomaruddin, M. B., & Sokkalingam, R. (2022). Model Forecasting Development for Dengue Fever Incidence in Surabaya City Using Time Series Analysis. Processes, 10(11), 2454.
Pai, T. Y., Ho, C-L., Chen, S-W., Lo, H-M., Sung, P-J., Lin, S-W., Lai, W-J., Tseng, S-C., Ciou, S-P., Kuo, J.-L., & Kao, J-T. (2011). Using Seven Types of GM (1, 1) Model to Forecast Hourly Particulate Matter Concentration in Banciao City of Taiwan. Water Air and Soil Pollution, 217(1), 25-33. https://doi.org/10.1007/s11270-010-0564-0
The R Foundation. (2023). The R Project for Statistical Computing. https://www.r-project.org/.
Timescale. (2024, 6 November). Time-Series Forecasting: Definition, Methods, and Applications. https://www.timescale.com/blog/what-is-time-series-forecasting/.
Yousuf, M. U., Al-Bahadly, I., & Avci, E. (2021). A modified GM(1,1) model to accurately predict wind speed. Sustainable Energy Technologies and Assessments, 43, 100905.
Wang, Y. W., Shen, Z. Z., & Jiang, Y. (2018). Comparison of ARIMA and GM(1,1) models for prediction of hepatitis B in China. PLoS One, 13(9), e0201987. https://doi.org/10.1371/journal.pone.0201987
Zhang, Y. (2012). Improved grey derivative of grey Verhulst model and its application. International Journal of Computer Science, 9(6), 443-8.
