基于大数据的医保报销费用决策模型研究与实现

发布时间：2017-07-31 00:12

  本文关键词：基于大数据的医保报销费用决策模型研究与实现

  更多相关文章： 医保报销费用决策 决策树 关联规则 离群点

【摘要】：伴随国家与社会对于医疗保险的重视程度越来越高,医保报销补偿费在医院收入以及群众看病费用当中所占据的比例也逐渐提升。于是,为有效适应医保快速发展,研究界开始对合理的医保报销费用制定方法予以关注。在传统方式之下,医保报销费决策主要是采取人工方式完成,按照人的经验制定报表来分析各月医保情况,这种人工方式在灵活性与及时性上都比较差,并且由于人工方式的客观原因,效率也非常低下。鉴于此,本文应用数据挖掘理论构建了医保报销费用决策模型,通过数据挖掘算法对医保数据去噪,并对医保报销费用进行预测,相比传统的医保报销费用决策方法,本模型在灵活性、及时性、效率上都得到了提高。本文具体工作包括:1)离群点检测分析:海量的动态数据中难免会有异常(坏)数据,如果这些异常的数据没有被检测出来而被加入计算模型,会大大增加分类结果的误差。本文分析了传统的离群点检测算法在医保大数据环境下存在的缺陷,并结合聚类算法,通过先聚类再检测的方法对医保数据进行离群点检测。实验证明在医保大数据环境下,集成的异常点检测方法相比单一的算法,能够提高正确率,降低误报率。为提高后续决策模型的准确度,本文对多种集成的离群点检测算法进行了对比测试,最终选择了正确率最高的由canopy-kmeans算法和KNN算法集成的方法来为后续模型进行数据去噪。2)决策模型的研究:为改善人工统计这种低效的医保决策方式,本文分析了医保报销费用决策需求,基于决策树算法建立了医保报销费用决策模型,采用关联规则算法进行了属性选取优化,在决策树的剪枝过程中,将事前剪枝方法和事后剪枝方法结合后,并使用正确性、稳定性、复杂性三重标准对剪枝过程进行了进一步的优化。实验证明,本模型有良好的预测正确率和执行效率。3)医保报销费用决策系统的设计和实现:本文在Hadoop平台架构基础上,设计和实现一个医保报销费用决策系统,完成对医保数据的去噪处理,并对医保报销费用进行预测,同时可以可视化展示分析的结果。
【关键词】：医保报销费用决策 决策树 关联规则 离群点
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R197.3;F842.684
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-16
• 1.1 研究工作的背景与意义10-11
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11
• 1.2 国内外研究现状11-14
• 1.2.1 数据挖掘研究现状11-13
• 1.2.2 医保数据异常点检测研究现状13-14
• 1.3 研究目标与研究内容14
• 1.4 论文结构14-16
• 第二章 相关理论与技术16-26
• 2.1 数据挖掘概述16-18
• 2.1.1 数据挖掘定义和流程16-17
• 2.1.2 分布式计算技术17-18
• 2.2 数据挖掘相关算法18-23
• 2.2.1 决策树算法18-19
• 2.2.2 关联规则算法19-21
• 2.2.3 Kmeans聚类算法21-22
• 2.2.4 异常点检测算法22-23
• 2.3 Hadoop和Map Reduce23-25
• 2.4 本章小结25-26
• 第三章 基于聚类的异常点检测算法分析26-45
• 3.1 引言26-27
• 3.2 基于聚类的数据预处理27-33
• 3.2.1 异常点定义27-29
• 3.2.2 数据清洗29
• 3.2.3 Canopy-kmeans聚类29-33
• 3.3 基于聚类的医保大数据下的异常点检测33-41
• 3.3.1 集成的基于距离的离群点检测算法33-37
• 3.3.2 集成的基于密度的离群点检测算法37-39
• 3.3.3 集成的基于深度的离群点检测算法39-41
• 3.4 实验对比41-44
• 3.5 本章小结44-45
• 第四章 基于决策树算法的医保报销费用决策模型研究45-70
• 4.1 引言45-46
• 4.2 模型建立及优化思路46-48
• 4.2.1 决策模型建立46-47
• 4.2.2 本模型优化思路47-48
• 4.3 基于关联规则的属性选取48-51
• 4.3.1 算法相关定义48-49
• 4.3.2 算法流程49-51
• 4.4 决策树算法及优化51-59
• 4.4.1 算法相关定义51-52
• 4.4.2 决策树算法思想52-55
• 4.4.3 决策树算法剪枝优化55-59
• 4.4.4 决策流程59
• 4.5 实验结果59-69
• 4.5.1 数据来源和示例59-62
• 4.5.2 运行效率62-67
• 4.5.3 算法复杂性67-69
• 4.6 本章小结69-70
• 第五章 医保报销费用决策系统的设计与实现70-83
• 5.1 平台简介70-71
• 5.1.1 平台目标70
• 5.1.2 开发环境70-71
• 5.2 平台架构设计71-72
• 5.3 功能模块的设计与实现72-79
• 5.3.1 数据采集模块72-75
• 5.3.2 管理模块75-76
• 5.3.3 执行模块76-78
• 5.3.4 展示模块78-79
• 5.4 医保报销费决策系统实现79-82
• 5.5 本章小结82-83
• 第六章 总结与展望83-85
• 6.1 总结83-84
• 6.2 展望84-85
• 致谢85-86
• 参考文献86-90
• 攻读硕士学位期间取得的成果90-91

【相似文献】

中国期刊全文数据库 前1条

1 蒋红卫 ,夏结来 ,余莉莉;偏最小二乘回归的离群点检测方法[J];中国卫生统计;2004年03期

中国重要会议论文全文数据库 前9条

1 张锋;常会友;;茫然第三方支持的隐私保持离群点探测协议[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

2 连凤娜;吴锦林;薛永生;;一种改进的基于距离的离群挖掘算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

3 梁雪琴;刘红生;代秀梅;周亚芬;;聚类离群点挖掘技术在内部审计信息化中的应用——一个来自商业银行信用卡审计的实例[A];全国内部审计理论研讨优秀论文集(2013)[C];2014年

4 于浩;王斌;肖刚;杨晓春;;基于距离的不确定离群点检测[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

5 许龙飞;熊君丽;段敏;;基于粗糙集的高维空间离群点发现算法研究[A];第二十届全国数据库学术会议论文集（技术报告篇）[C];2003年

6 刘文远;李振平;王宝文;裴继辉;;一种多维数据的离群点检测算法[A];2007年全国第十一届企业信息化与工业工程学术会议论文集[C];2007年

7 魏藜;钱卫宁;周傲英;;HOT:寻找高维空间中的离群点[A];第十八届全国数据库学术会议论文集（研究报告篇）[C];2001年

8 周红福;钱卫宁;魏藜;周傲英;;EDOLOIS:高效准确的子空间局部离群点发现[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

9 魏藜;钱卫宁;周傲英;;SLOT:基于估计的高效子空间局部离群点发现[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

中国博士学位论文全文数据库 前10条

1 Chitrakar Roshan;[D];武汉大学;2015年

2 刘莘;基于时空分析的CCS泄漏预警关键技术研究[D];中国矿业大学;2016年

3 杨鹏;离群检测及其优化算法研究[D];重庆大学;2010年

4 林海;离群检测及离群释义空间查找算法研究[D];重庆大学;2012年

5 薛安荣;空间离群点挖掘技术的研究[D];江苏大学;2008年

6 杨茂林;离群检测算法研究[D];华中科技大学;2012年

7 金义富;高维稀疏离群数据集延伸知识发现研究[D];重庆大学;2007年

8 雷大江;离群检测与离群释义算法研究[D];重庆大学;2012年

9 万家强;基于连通性的离群检测与聚类研究[D];重庆大学;2014年

10 唐向红;数据流离群点检测研究[D];华中科技大学;2010年

中国硕士学位论文全文数据库 前10条

1 韩红霞;基于距离离群点的分析与研究[D];江苏大学;2007年

2 黄馨玉;基于邻域重心变化的离群点检测算法研究[D];辽宁大学;2015年

3 程百球;基于EP模式的离群点发现[D];安庆师范学院;2015年

4 秦浩;基于密度的局部离群点挖掘及在入侵检测中应用研究[D];大连海事大学;2016年

5 王春鹏;基于离群点检测的在线软测量方法研究[D];中国石油大学(华东);2014年

6 张友强;基于选择性集成学习的离群点检测研究[D];青岛科技大学;2016年

7 王美晶;基于PSO算法的离群点检测方法研究[D];福州大学;2013年

8 关皓文;基于离群点检测方法的医保异常发现[D];山东大学;2016年

9 朱杰;基于带时间约束频繁路径的离群轨迹检测[D];苏州大学;2016年

10 马菲;局部离群点检测算法的研究[D];淮北师范大学;2016年

，

本文编号：596641