基于多模型融合的疾病预测的医药电商智慧营销研究
发布时间：2021-01-15 06:37
近几年来,国民健康意识的提高以及疾病防控服务都在客观上对疾病预测的准确性及药品的及时性提出了现实要求,医药电商也受到了国家的高度重视。同时,尽管以大数据为依托的智慧营销得到了越来越多的应用,但是目前关于医药电商智慧营销的相关研究仍较为欠缺,大部分忽视了外部数据的重要性,存在着信息滞后和不能提前反应出市场真实需求的问题。而疾病预测作为一种相关性较高的、具有前瞻性的外部数据,能够全面、及时的反映出药品的整体需求,因此如何结合疾病预测开展医药电商智慧营销成为了研究的新方向。鉴于此,本文加入了疾病预测作为医药电商智慧营销的外部补充信息。在这个基础上,首先,本文提出了一种基于多模型融合的疾病预测模型:对以疾病历史值为回归对象的ARIMA时序模型,以及以网络搜索数据——百度指数为特征的XGBoost（eXtreme Gradient Boosting）模型进行了模型融合,通过对目标变量进行高斯变换和多模型融合形成疾病预测总体模型,研究证明了该模型能够有效的提高疾病预测的准确性和稳定性,同时也证明了疾病预测的可行性和可信度;其次,本文探讨了架构于疾病预测之上的医药电商智慧营销的内容;第三,构建了基于...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
论文研究框架
第三章 基于多模型融合的疾病预测模型集成之后的模型与单个模型相比具有更强的泛化能力和一般随着融合的基学习器个数的增长，融合之后的模型趋近于零，以此来加强模型的表达效果。模型融合不仅性，而且实现简单易于理解，使用效果佳，因此常被用域中，模型融合的一般结构如下图 3-1 所示：
图 3-2 疾病预测模型流程图究中，采用了基于多模型融合的疾病预测模型归模型进行疾病发病率的预测，时序模型选用A 模型，回归模型采用的是百度指数 XGBoost 动的加权平均法对多个模型进行模型融合，得序模型的构建。由于疾病发病率数据具有时序很多也很复杂，而时间序列分析法不需要依靠和型用时间 t 去代替这些影响因素，对疾病发病率，根据疾病的周期性等特征设置 ARIMA 模型目的。 XGBoost 模型的构建。根据疾病的特征选择合计后的百度指数构建 XGBoost 回归模型，通过
【参考文献】：
期刊论文
[1]基于聚类和XGboost算法的心脏病预测[J]. 刘宇,乔木. 计算机系统应用. 2019(01)
[2]人工智能在疾病预测中的应用[J]. 徐亮,阮晓雯,李弦,洪博然,肖京. 自然杂志. 2018(05)
[3]“互联网+”背景下药品流通O2O商业模式的创新研究[J]. 刘秋风,田侃,沈夕坤,赵娜娜. 中国卫生信息管理杂志. 2018(04)
[4]大数据时代企业市场营销策略探索[J]. 李晓楠,李英吉. 品牌研究. 2018(04)
[5]我国互联网药品交易现状及发展趋势研究[J]. 刘传绪,文占权,张彦昭,曹常影,刘伟. 中国药事. 2018(06)
[6]111医药馆:医药“新零售”样本[J]. 郝岚. 中国药店. 2018(05)
[7]大数据背景下医药电子商务服务模式的提升与探究[J]. 赵敏,原超,李朝霞. 山西经济管理干部学院学报. 2018(01)
[8]医药电商现状及问题探究——以互联网医疗和网上药店为例[J]. 蒋范黎,周晶晶,王文玥,孙丽萍,宋炆桐,李亦兵. 现代商贸工业. 2018(03)
[9]2018数字营销趋势:在技术颠覆中,解锁更多姿势[J]. 栗建. IT经理世界. 2017(23)
[10]移动网络下电商精准营销研究[J]. 张光. 经济研究导刊. 2017(29)
博士论文
[1]医药流通企业物流系统优化方法研究[D]. 梁乃文.中南大学 2013
硕士论文
[1]基于XGBoost算法的骨科辅助诊断模型研究[D]. 贾文慧.太原理工大学 2018
[2]医院药品库存管理研究[D]. 李宇飞.昆明理工大学 2017
[3]基于Gradient Boosting算法的海量健康数据挖掘研究与应用[D]. 刘玉尧.北京邮电大学 2017
[4]基于流感扩散规律的医疗物资订购与配送排程规划[D]. 苏文龙.南京理工大学 2017
[5]基于本体的港口客户Web语义分析系统研究[D]. 黄艺蜚.北京交通大学 2016
[6]浙江省流感预警技术研究[D]. 卢汉体.浙江大学 2015
[7]基于社交网络的流感监控和预测算法[D]. 黄江妙.华东师范大学 2015
[8]面向智能化市场营销的数据挖掘方法研究[D]. 唐方爽.中国科学技术大学 2015
[9]我国药品流通领域医药电子商务模式创新研究[D]. 张彤.首都经济贸易大学 2015
[10]北京市医药物流企业仓储能力规划研究[D]. 翟国秀.北京交通大学 2014
本文编号：2978427
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
论文研究框架
第三章 基于多模型融合的疾病预测模型集成之后的模型与单个模型相比具有更强的泛化能力和一般随着融合的基学习器个数的增长，融合之后的模型趋近于零，以此来加强模型的表达效果。模型融合不仅性，而且实现简单易于理解，使用效果佳，因此常被用域中，模型融合的一般结构如下图 3-1 所示：
图 3-2 疾病预测模型流程图究中，采用了基于多模型融合的疾病预测模型归模型进行疾病发病率的预测，时序模型选用A 模型，回归模型采用的是百度指数 XGBoost 动的加权平均法对多个模型进行模型融合，得序模型的构建。由于疾病发病率数据具有时序很多也很复杂，而时间序列分析法不需要依靠和型用时间 t 去代替这些影响因素，对疾病发病率，根据疾病的周期性等特征设置 ARIMA 模型目的。 XGBoost 模型的构建。根据疾病的特征选择合计后的百度指数构建 XGBoost 回归模型，通过
【参考文献】：
期刊论文
[1]基于聚类和XGboost算法的心脏病预测[J]. 刘宇,乔木. 计算机系统应用. 2019(01)
[2]人工智能在疾病预测中的应用[J]. 徐亮,阮晓雯,李弦,洪博然,肖京. 自然杂志. 2018(05)
[3]“互联网+”背景下药品流通O2O商业模式的创新研究[J]. 刘秋风,田侃,沈夕坤,赵娜娜. 中国卫生信息管理杂志. 2018(04)
[4]大数据时代企业市场营销策略探索[J]. 李晓楠,李英吉. 品牌研究. 2018(04)
[5]我国互联网药品交易现状及发展趋势研究[J]. 刘传绪,文占权,张彦昭,曹常影,刘伟. 中国药事. 2018(06)
[6]111医药馆:医药“新零售”样本[J]. 郝岚. 中国药店. 2018(05)
[7]大数据背景下医药电子商务服务模式的提升与探究[J]. 赵敏,原超,李朝霞. 山西经济管理干部学院学报. 2018(01)
[8]医药电商现状及问题探究——以互联网医疗和网上药店为例[J]. 蒋范黎,周晶晶,王文玥,孙丽萍,宋炆桐,李亦兵. 现代商贸工业. 2018(03)
[9]2018数字营销趋势:在技术颠覆中,解锁更多姿势[J]. 栗建. IT经理世界. 2017(23)
[10]移动网络下电商精准营销研究[J]. 张光. 经济研究导刊. 2017(29)
博士论文
[1]医药流通企业物流系统优化方法研究[D]. 梁乃文.中南大学 2013
硕士论文
[1]基于XGBoost算法的骨科辅助诊断模型研究[D]. 贾文慧.太原理工大学 2018
[2]医院药品库存管理研究[D]. 李宇飞.昆明理工大学 2017
[3]基于Gradient Boosting算法的海量健康数据挖掘研究与应用[D]. 刘玉尧.北京邮电大学 2017
[4]基于流感扩散规律的医疗物资订购与配送排程规划[D]. 苏文龙.南京理工大学 2017
[5]基于本体的港口客户Web语义分析系统研究[D]. 黄艺蜚.北京交通大学 2016
[6]浙江省流感预警技术研究[D]. 卢汉体.浙江大学 2015
[7]基于社交网络的流感监控和预测算法[D]. 黄江妙.华东师范大学 2015
[8]面向智能化市场营销的数据挖掘方法研究[D]. 唐方爽.中国科学技术大学 2015
[9]我国药品流通领域医药电子商务模式创新研究[D]. 张彤.首都经济贸易大学 2015
[10]北京市医药物流企业仓储能力规划研究[D]. 翟国秀.北京交通大学 2014
本文编号：2978427
本文链接：https://www.wllwen.com/guanlilunwen/yingxiaoguanlilunwen/2978427.html
