發(fā)布時間：2021-04-23 07:42

　　目的:1、探討支持向量機（SVM）回歸模型在整合百度搜索引擎數(shù)據(jù)和傳統(tǒng)流感監(jiān)測數(shù)據(jù)中的應用;2、探討北京、遼寧省流感SVM回歸模型應用。研究方法:北京、遼寧省2011年1月-2016年12月每月流感發(fā)病率數(shù)據(jù)來自中國國家公共衛(wèi)生科學數(shù)據(jù)中心。以“流感”為初始值在“站長之家”挖掘與“流感”關系最為密切的網(wǎng)絡關鍵詞。然后在百度指數(shù)上收集挖掘出的網(wǎng)絡關鍵詞在北京與遼寧省2011年1月-2016年12月的月搜索量。分析不同滯后期關鍵詞與流感發(fā)病率之間的相關性,選擇相關性有統(tǒng)計學意義且相關系數(shù)大于0.4的百度搜索關鍵詞進入SVM回歸模型的構建中。采用窮舉法列舉SVM回歸模型中的三個參數(shù)（C、γ、ε）的可能取值,再采用“留一法”交叉驗證的方式來選擇較優(yōu)模型參數(shù)值進行模型構建。采用均方根誤差（RMSE）和均方根相對誤差（RMSPE）兩個評價指標對模型的性能進行評價。相關分析采用IBM SPSS 22.0軟件,SVM回歸模型構建使用R 3.4.2中e1071包進行。結果:北京流感發(fā)病率的變化幅度比較大,季節(jié)性特別明顯,且在流感流行高峰季節(jié)的發(fā)病率呈現(xiàn)逐年遞增。遼寧省在流感高峰期的發(fā)病率變化幅度相較于北... 

【文章來源】：中國醫(yī)科大學遼寧省

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
英文縮略語
1 前言
2 材料與方法
    2.1 資料來源
    2.2 百度關鍵詞收集與篩選
    2.3 支持向量機回歸模型構建原理方法
        2.3.1 支持向量機方法
        2.3.2 支持向量回歸模型參數(shù)選擇
        2.3.3 比較模型差異,評估模型預測準確性
    2.4 質量控制
    2.5 統(tǒng)計分析
3 結果
    3.1 2011 年1 月-2016年12 月北京、遼寧省流感發(fā)病率基本特征
    3.2 北京、遼寧省百度關鍵詞篩選
        3.2.1 百度關鍵詞挖掘、收集與初步篩選
        3.2.2 不同滯后期百度關鍵詞與流感發(fā)病率相關分析
    3.3 模型參數(shù)選擇
    3.4 不同數(shù)據(jù)來源模型預測效果評估
4 討論
    4.1 北京、遼寧省流感發(fā)病率特征
    4.2 北京、遼寧省百度搜索關鍵詞
    4.3 流感的支持向量機回歸模型
5 結論
本研究創(chuàng)新性的自我評價
參考文獻
綜述
    參考文獻
攻讀學位期間取得的研究成果
致謝
個人簡歷


【參考文獻】：
期刊論文
[1]應用Elman神經(jīng)網(wǎng)絡建立流感樣病例預測模型[J]. 章濤,官海濱,李傅冬,何凡.  預防醫(yī)學. 2019(02)
[2]基于百度指數(shù)的人感染H7N9禽流感疫情預測[J]. 白寧,郁磊,靳禎.  公共衛(wèi)生與預防醫(yī)學. 2018(06)
[3]基于R語言的ARIMA模型對流感樣病例發(fā)病趨勢的預測[J]. 王晨,郭倩,周羅晶.  中華疾病控制雜志. 2018(09)
[4]2011—2016年武漢市流感樣病例監(jiān)測結果及預測分析[J]. 鄒嬌嬌,楊小兵,孟派,孔德廣,汪鵬.  應用預防醫(yī)學. 2018(04)
[5]百度關鍵詞在清遠市流行性感冒發(fā)病預測中的應用及效果評價[J]. 杜玉忠,范秀紅,盧文濤,曾茜茜,黃燕.  中國熱帶醫(yī)學. 2018(08)
[6]基于ARIMAX模型的烏魯木齊市流感樣病例預測分析[J]. 妥小青,張占林,龔政,葉勒丹·馬漢,黃冰雪,田恬,阿比旦·艾尼瓦爾,陳珍,古麗斯亞·海力力,樊旭成,戴江紅.  中華疾病控制雜志. 2018(06)
[7]湖南省哨點醫(yī)院流感樣病例SARIMA模型預測[J]. 周美蘭,周志華,羅美玲,胡世雄,鄧志紅,李桀,王勇.  實用預防醫(yī)學. 2018(03)
[8]融合百度指數(shù)的流感預測機理與實證研究[J]. 王若佳.  情報學報. 2018(02)
[9]基于支持向量機的高頻金融時間序列預測[J]. 馮帆,倪中新.  應用數(shù)學與計算數(shù)學學報. 2017(03)
[10]基于SVM的上證指數(shù)預測研究[J]. 張晶華,莫文柯,甘宇健.  軟件導刊. 2017(08)

碩士論文
[1]山西省流行性感冒的流行特征及基于小波-ARIMA模型的預測效果研究[D]. 范瑾.山西醫(yī)科大學 2018
[2]基于搜索引擎數(shù)據(jù)的疾病空間分布監(jiān)測[D]. 肖屹.武漢大學 2018
[3]基于支持向量機的滬深300指數(shù)回歸預測[D]. 王芳.山東大學 2015
[4]基于社交網(wǎng)絡的流感監(jiān)控和預測算法[D]. 黃江妙.華東師范大學 2015
[5]深圳市流感與大氣環(huán)境的關系研究及其預測模型的建立[D]. 翟紅楠.中國地質大學 2009



本文編號：3154926