近幾年來(lái),國(guó)民健康意識(shí)的提高以及疾病防控服務(wù)都在客觀上對(duì)疾病預(yù)測(cè)的準(zhǔn)確性及藥品的及時(shí)性提出了現(xiàn)實(shí)要求,醫(yī)藥電商也受到了國(guó)家的高度重視。同時(shí),盡管以大數(shù)據(jù)為依托的智慧營(yíng)銷(xiāo)得到了越來(lái)越多的應(yīng)用,但是目前關(guān)于醫(yī)藥電商智慧營(yíng)銷(xiāo)的相關(guān)研究仍較為欠缺,大部分忽視了外部數(shù)據(jù)的重要性,存在著信息滯后和不能提前反應(yīng)出市場(chǎng)真實(shí)需求的問(wèn)題。而疾病預(yù)測(cè)作為一種相關(guān)性較高的、具有前瞻性的外部數(shù)據(jù),能夠全面、及時(shí)的反映出藥品的整體需求,因此如何結(jié)合疾病預(yù)測(cè)開(kāi)展醫(yī)藥電商智慧營(yíng)銷(xiāo)成為了研究的新方向。鑒于此,本文加入了疾病預(yù)測(cè)作為醫(yī)藥電商智慧營(yíng)銷(xiāo)的外部補(bǔ)充信息。在這個(gè)基礎(chǔ)上,首先,本文提出了一種基于多模型融合的疾病預(yù)測(cè)模型:對(duì)以疾病歷史值為回歸對(duì)象的ARIMA時(shí)序模型,以及以網(wǎng)絡(luò)搜索數(shù)據(jù)——百度指數(shù)為特征的XGBoost（eXtreme Gradient Boosting）模型進(jìn)行了模型融合,通過(guò)對(duì)目標(biāo)變量進(jìn)行高斯變換和多模型融合形成疾病預(yù)測(cè)總體模型,研究證明了該模型能夠有效的提高疾病預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性,同時(shí)也證明了疾病預(yù)測(cè)的可行性和可信度;其次,本文探討了架構(gòu)于疾病預(yù)測(cè)之上的醫(yī)藥電商智慧營(yíng)銷(xiāo)的內(nèi)容;第三,構(gòu)建了基于... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文研究框架

第三章 基于多模型融合的疾病預(yù)測(cè)模型集成之后的模型與單個(gè)模型相比具有更強(qiáng)的泛化能力和一般隨著融合的基學(xué)習(xí)器個(gè)數(shù)的增長(zhǎng)，融合之后的模型趨近于零，以此來(lái)加強(qiáng)模型的表達(dá)效果。模型融合不僅性，而且實(shí)現(xiàn)簡(jiǎn)單易于理解，使用效果佳，因此常被用域中，模型融合的一般結(jié)構(gòu)如下圖 3-1 所示：

圖 3-2 疾病預(yù)測(cè)模型流程圖究中，采用了基于多模型融合的疾病預(yù)測(cè)模型歸模型進(jìn)行疾病發(fā)病率的預(yù)測(cè)，時(shí)序模型選用A 模型，回歸模型采用的是百度指數(shù) XGBoost 動(dòng)的加權(quán)平均法對(duì)多個(gè)模型進(jìn)行模型融合，得序模型的構(gòu)建。由于疾病發(fā)病率數(shù)據(jù)具有時(shí)序很多也很復(fù)雜，而時(shí)間序列分析法不需要依靠和型用時(shí)間 t 去代替這些影響因素，對(duì)疾病發(fā)病率，根據(jù)疾病的周期性等特征設(shè)置 ARIMA 模型目的。 XGBoost 模型的構(gòu)建。根據(jù)疾病的特征選擇合計(jì)后的百度指數(shù)構(gòu)建 XGBoost 回歸模型，通過(guò)

【參考文獻(xiàn)】：
期刊論文
[1]基于聚類(lèi)和XGboost算法的心臟病預(yù)測(cè)[J]. 劉宇,喬木.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(01)
[2]人工智能在疾病預(yù)測(cè)中的應(yīng)用[J]. 徐亮,阮曉雯,李弦,洪博然,肖京.  自然雜志. 2018(05)
[3]“互聯(lián)網(wǎng)+”背景下藥品流通O2O商業(yè)模式的創(chuàng)新研究[J]. 劉秋風(fēng),田侃,沈夕坤,趙娜娜.  中國(guó)衛(wèi)生信息管理雜志. 2018(04)
[4]大數(shù)據(jù)時(shí)代企業(yè)市場(chǎng)營(yíng)銷(xiāo)策略探索[J]. 李曉楠,李英吉.  品牌研究. 2018(04)
[5]我國(guó)互聯(lián)網(wǎng)藥品交易現(xiàn)狀及發(fā)展趨勢(shì)研究[J]. 劉傳緒,文占權(quán),張彥昭,曹常影,劉偉.  中國(guó)藥事. 2018(06)
[6]111醫(yī)藥館:醫(yī)藥“新零售”樣本[J]. 郝嵐.  中國(guó)藥店. 2018(05)
[7]大數(shù)據(jù)背景下醫(yī)藥電子商務(wù)服務(wù)模式的提升與探究[J]. 趙敏,原超,李朝霞.  山西經(jīng)濟(jì)管理干部學(xué)院學(xué)報(bào). 2018(01)
[8]醫(yī)藥電商現(xiàn)狀及問(wèn)題探究——以互聯(lián)網(wǎng)醫(yī)療和網(wǎng)上藥店為例[J]. 蔣范黎,周晶晶,王文玥,孫麗萍,宋炆桐,李亦兵.  現(xiàn)代商貿(mào)工業(yè). 2018(03)
[9]2018數(shù)字營(yíng)銷(xiāo)趨勢(shì):在技術(shù)顛覆中,解鎖更多姿勢(shì)[J]. 栗建.  IT經(jīng)理世界. 2017(23)
[10]移動(dòng)網(wǎng)絡(luò)下電商精準(zhǔn)營(yíng)銷(xiāo)研究[J]. 張光.  經(jīng)濟(jì)研究導(dǎo)刊. 2017(29)

博士論文
[1]醫(yī)藥流通企業(yè)物流系統(tǒng)優(yōu)化方法研究[D]. 梁乃文.中南大學(xué) 2013

碩士論文
[1]基于XGBoost算法的骨科輔助診斷模型研究[D]. 賈文慧.太原理工大學(xué) 2018
[2]醫(yī)院藥品庫(kù)存管理研究[D]. 李宇飛.昆明理工大學(xué) 2017
[3]基于Gradient Boosting算法的海量健康數(shù)據(jù)挖掘研究與應(yīng)用[D]. 劉玉堯.北京郵電大學(xué) 2017
[4]基于流感擴(kuò)散規(guī)律的醫(yī)療物資訂購(gòu)與配送排程規(guī)劃[D]. 蘇文龍.南京理工大學(xué) 2017
[5]基于本體的港口客戶(hù)Web語(yǔ)義分析系統(tǒng)研究[D]. 黃藝蜚.北京交通大學(xué) 2016
[6]浙江省流感預(yù)警技術(shù)研究[D]. 盧漢體.浙江大學(xué) 2015
[7]基于社交網(wǎng)絡(luò)的流感監(jiān)控和預(yù)測(cè)算法[D]. 黃江妙.華東師范大學(xué) 2015
[8]面向智能化市場(chǎng)營(yíng)銷(xiāo)的數(shù)據(jù)挖掘方法研究[D]. 唐方爽.中國(guó)科學(xué)技術(shù)大學(xué) 2015
[9]我國(guó)藥品流通領(lǐng)域醫(yī)藥電子商務(wù)模式創(chuàng)新研究[D]. 張彤.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2015
[10]北京市醫(yī)藥物流企業(yè)倉(cāng)儲(chǔ)能力規(guī)劃研究[D]. 翟國(guó)秀.北京交通大學(xué) 2014



本文編號(hào)：2978427