北京、辽宁省2011-2016年整合百度搜索及传统监测数据的流感支持向量机回归预测模型构建

发布时间：2021-04-23 07:42

　　目的:1、探讨支持向量机（SVM）回归模型在整合百度搜索引擎数据和传统流感监测数据中的应用;2、探讨北京、辽宁省流感SVM回归模型应用。研究方法:北京、辽宁省2011年1月-2016年12月每月流感发病率数据来自中国国家公共卫生科学数据中心。以“流感”为初始值在“站长之家”挖掘与“流感”关系最为密切的网络关键词。然后在百度指数上收集挖掘出的网络关键词在北京与辽宁省2011年1月-2016年12月的月搜索量。分析不同滞后期关键词与流感发病率之间的相关性,选择相关性有统计学意义且相关系数大于0.4的百度搜索关键词进入SVM回归模型的构建中。采用穷举法列举SVM回归模型中的三个参数（C、γ、ε）的可能取值,再采用“留一法”交叉验证的方式来选择较优模型参数值进行模型构建。采用均方根误差（RMSE）和均方根相对误差（RMSPE）两个评价指标对模型的性能进行评价。相关分析采用IBM SPSS 22.0软件,SVM回归模型构建使用R 3.4.2中e1071包进行。结果:北京流感发病率的变化幅度比较大,季节性特别明显,且在流感流行高峰季节的发病率呈现逐年递增。辽宁省在流感高峰期的发病率变化幅度相较于北... 

【文章来源】：中国医科大学辽宁省

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
英文缩略语
1 前言
2 材料与方法
    2.1 资料来源
    2.2 百度关键词收集与筛选
    2.3 支持向量机回归模型构建原理方法
        2.3.1 支持向量机方法
        2.3.2 支持向量回归模型参数选择
        2.3.3 比较模型差异,评估模型预测准确性
    2.4 质量控制
    2.5 统计分析
3 结果
    3.1 2011 年1 月-2016年12 月北京、辽宁省流感发病率基本特征
    3.2 北京、辽宁省百度关键词筛选
        3.2.1 百度关键词挖掘、收集与初步筛选
        3.2.2 不同滞后期百度关键词与流感发病率相关分析
    3.3 模型参数选择
    3.4 不同数据来源模型预测效果评估
4 讨论
    4.1 北京、辽宁省流感发病率特征
    4.2 北京、辽宁省百度搜索关键词
    4.3 流感的支持向量机回归模型
5 结论
本研究创新性的自我评价
参考文献
综述
    参考文献
攻读学位期间取得的研究成果
致谢
个人简历


【参考文献】：
期刊论文
[1]应用Elman神经网络建立流感样病例预测模型[J]. 章涛,官海滨,李傅冬,何凡.  预防医学. 2019(02)
[2]基于百度指数的人感染H7N9禽流感疫情预测[J]. 白宁,郁磊,靳祯.  公共卫生与预防医学. 2018(06)
[3]基于R语言的ARIMA模型对流感样病例发病趋势的预测[J]. 王晨,郭倩,周罗晶.  中华疾病控制杂志. 2018(09)
[4]2011—2016年武汉市流感样病例监测结果及预测分析[J]. 邹娇娇,杨小兵,孟派,孔德广,汪鹏.  应用预防医学. 2018(04)
[5]百度关键词在清远市流行性感冒发病预测中的应用及效果评价[J]. 杜玉忠,范秀红,卢文涛,曾茜茜,黄燕.  中国热带医学. 2018(08)
[6]基于ARIMAX模型的乌鲁木齐市流感样病例预测分析[J]. 妥小青,张占林,龚政,叶勒丹·马汉,黄冰雪,田恬,阿比旦·艾尼瓦尔,陈珍,古丽斯亚·海力力,樊旭成,戴江红.  中华疾病控制杂志. 2018(06)
[7]湖南省哨点医院流感样病例SARIMA模型预测[J]. 周美兰,周志华,罗美玲,胡世雄,邓志红,李桀,王勇.  实用预防医学. 2018(03)
[8]融合百度指数的流感预测机理与实证研究[J]. 王若佳.  情报学报. 2018(02)
[9]基于支持向量机的高频金融时间序列预测[J]. 冯帆,倪中新.  应用数学与计算数学学报. 2017(03)
[10]基于SVM的上证指数预测研究[J]. 张晶华,莫文柯,甘宇健.  软件导刊. 2017(08)

硕士论文
[1]山西省流行性感冒的流行特征及基于小波-ARIMA模型的预测效果研究[D]. 范瑾.山西医科大学 2018
[2]基于搜索引擎数据的疾病空间分布监测[D]. 肖屹.武汉大学 2018
[3]基于支持向量机的沪深300指数回归预测[D]. 王芳.山东大学 2015
[4]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
[5]深圳市流感与大气环境的关系研究及其预测模型的建立[D]. 翟红楠.中国地质大学 2009



本文编号：3154926