發(fā)布時(shí)間：2017-07-31 00:12

  本文關(guān)鍵詞：基于大數(shù)據(jù)的醫(yī)保報(bào)銷費(fèi)用決策模型研究與實(shí)現(xiàn)

  更多相關(guān)文章： 醫(yī)保報(bào)銷費(fèi)用決策 決策樹 關(guān)聯(lián)規(guī)則 離群點(diǎn)

【摘要】：伴隨國家與社會(huì)對(duì)于醫(yī)療保險(xiǎn)的重視程度越來越高,醫(yī)保報(bào)銷補(bǔ)償費(fèi)在醫(yī)院收入以及群眾看病費(fèi)用當(dāng)中所占據(jù)的比例也逐漸提升。于是,為有效適應(yīng)醫(yī)�？焖侔l(fā)展,研究界開始對(duì)合理的醫(yī)保報(bào)銷費(fèi)用制定方法予以關(guān)注。在傳統(tǒng)方式之下,醫(yī)保報(bào)銷費(fèi)決策主要是采取人工方式完成,按照人的經(jīng)驗(yàn)制定報(bào)表來分析各月醫(yī)保情況,這種人工方式在靈活性與及時(shí)性上都比較差,并且由于人工方式的客觀原因,效率也非常低下。鑒于此,本文應(yīng)用數(shù)據(jù)挖掘理論構(gòu)建了醫(yī)保報(bào)銷費(fèi)用決策模型,通過數(shù)據(jù)挖掘算法對(duì)醫(yī)保數(shù)據(jù)去噪,并對(duì)醫(yī)保報(bào)銷費(fèi)用進(jìn)行預(yù)測(cè),相比傳統(tǒng)的醫(yī)保報(bào)銷費(fèi)用決策方法,本模型在靈活性、及時(shí)性、效率上都得到了提高。本文具體工作包括:1)離群點(diǎn)檢測(cè)分析:海量的動(dòng)態(tài)數(shù)據(jù)中難免會(huì)有異常(壞)數(shù)據(jù),如果這些異常的數(shù)據(jù)沒有被檢測(cè)出來而被加入計(jì)算模型,會(huì)大大增加分類結(jié)果的誤差。本文分析了傳統(tǒng)的離群點(diǎn)檢測(cè)算法在醫(yī)保大數(shù)據(jù)環(huán)境下存在的缺陷,并結(jié)合聚類算法,通過先聚類再檢測(cè)的方法對(duì)醫(yī)保數(shù)據(jù)進(jìn)行離群點(diǎn)檢測(cè)。實(shí)驗(yàn)證明在醫(yī)保大數(shù)據(jù)環(huán)境下,集成的異常點(diǎn)檢測(cè)方法相比單一的算法,能夠提高正確率,降低誤報(bào)率。為提高后續(xù)決策模型的準(zhǔn)確度,本文對(duì)多種集成的離群點(diǎn)檢測(cè)算法進(jìn)行了對(duì)比測(cè)試,最終選擇了正確率最高的由canopy-kmeans算法和KNN算法集成的方法來為后續(xù)模型進(jìn)行數(shù)據(jù)去噪。2)決策模型的研究:為改善人工統(tǒng)計(jì)這種低效的醫(yī)保決策方式,本文分析了醫(yī)保報(bào)銷費(fèi)用決策需求,基于決策樹算法建立了醫(yī)保報(bào)銷費(fèi)用決策模型,采用關(guān)聯(lián)規(guī)則算法進(jìn)行了屬性選取優(yōu)化,在決策樹的剪枝過程中,將事前剪枝方法和事后剪枝方法結(jié)合后,并使用正確性、穩(wěn)定性、復(fù)雜性三重標(biāo)準(zhǔn)對(duì)剪枝過程進(jìn)行了進(jìn)一步的優(yōu)化。實(shí)驗(yàn)證明,本模型有良好的預(yù)測(cè)正確率和執(zhí)行效率。3)醫(yī)保報(bào)銷費(fèi)用決策系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn):本文在Hadoop平臺(tái)架構(gòu)基礎(chǔ)上,設(shè)計(jì)和實(shí)現(xiàn)一個(gè)醫(yī)保報(bào)銷費(fèi)用決策系統(tǒng),完成對(duì)醫(yī)保數(shù)據(jù)的去噪處理,并對(duì)醫(yī)保報(bào)銷費(fèi)用進(jìn)行預(yù)測(cè),同時(shí)可以可視化展示分析的結(jié)果。
【關(guān)鍵詞】：醫(yī)保報(bào)銷費(fèi)用決策 決策樹 關(guān)聯(lián)規(guī)則 離群點(diǎn)
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R197.3;F842.684
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 研究工作的背景與意義10-11
• 1.1.1 研究背景10-11
• 1.1.2 研究意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 數(shù)據(jù)挖掘研究現(xiàn)狀11-13
• 1.2.2 醫(yī)保數(shù)據(jù)異常點(diǎn)檢測(cè)研究現(xiàn)狀13-14
• 1.3 研究目標(biāo)與研究?jī)?nèi)容14
• 1.4 論文結(jié)構(gòu)14-16
• 第二章 相關(guān)理論與技術(shù)16-26
• 2.1 數(shù)據(jù)挖掘概述16-18
• 2.1.1 數(shù)據(jù)挖掘定義和流程16-17
• 2.1.2 分布式計(jì)算技術(shù)17-18
• 2.2 數(shù)據(jù)挖掘相關(guān)算法18-23
• 2.2.1 決策樹算法18-19
• 2.2.2 關(guān)聯(lián)規(guī)則算法19-21
• 2.2.3 Kmeans聚類算法21-22
• 2.2.4 異常點(diǎn)檢測(cè)算法22-23
• 2.3 Hadoop和Map Reduce23-25
• 2.4 本章小結(jié)25-26
• 第三章 基于聚類的異常點(diǎn)檢測(cè)算法分析26-45
• 3.1 引言26-27
• 3.2 基于聚類的數(shù)據(jù)預(yù)處理27-33
• 3.2.1 異常點(diǎn)定義27-29
• 3.2.2 數(shù)據(jù)清洗29
• 3.2.3 Canopy-kmeans聚類29-33
• 3.3 基于聚類的醫(yī)保大數(shù)據(jù)下的異常點(diǎn)檢測(cè)33-41
• 3.3.1 集成的基于距離的離群點(diǎn)檢測(cè)算法33-37
• 3.3.2 集成的基于密度的離群點(diǎn)檢測(cè)算法37-39
• 3.3.3 集成的基于深度的離群點(diǎn)檢測(cè)算法39-41
• 3.4 實(shí)驗(yàn)對(duì)比41-44
• 3.5 本章小結(jié)44-45
• 第四章 基于決策樹算法的醫(yī)保報(bào)銷費(fèi)用決策模型研究45-70
• 4.1 引言45-46
• 4.2 模型建立及優(yōu)化思路46-48
• 4.2.1 決策模型建立46-47
• 4.2.2 本模型優(yōu)化思路47-48
• 4.3 基于關(guān)聯(lián)規(guī)則的屬性選取48-51
• 4.3.1 算法相關(guān)定義48-49
• 4.3.2 算法流程49-51
• 4.4 決策樹算法及優(yōu)化51-59
• 4.4.1 算法相關(guān)定義51-52
• 4.4.2 決策樹算法思想52-55
• 4.4.3 決策樹算法剪枝優(yōu)化55-59
• 4.4.4 決策流程59
• 4.5 實(shí)驗(yàn)結(jié)果59-69
• 4.5.1 數(shù)據(jù)來源和示例59-62
• 4.5.2 運(yùn)行效率62-67
• 4.5.3 算法復(fù)雜性67-69
• 4.6 本章小結(jié)69-70
• 第五章 醫(yī)保報(bào)銷費(fèi)用決策系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)70-83
• 5.1 平臺(tái)簡(jiǎn)介70-71
• 5.1.1 平臺(tái)目標(biāo)70
• 5.1.2 開發(fā)環(huán)境70-71
• 5.2 平臺(tái)架構(gòu)設(shè)計(jì)71-72
• 5.3 功能模塊的設(shè)計(jì)與實(shí)現(xiàn)72-79
• 5.3.1 數(shù)據(jù)采集模塊72-75
• 5.3.2 管理模塊75-76
• 5.3.3 執(zhí)行模塊76-78
• 5.3.4 展示模塊78-79
• 5.4 醫(yī)保報(bào)銷費(fèi)決策系統(tǒng)實(shí)現(xiàn)79-82
• 5.5 本章小結(jié)82-83
• 第六章 總結(jié)與展望83-85
• 6.1 總結(jié)83-84
• 6.2 展望84-85
• 致謝85-86
• 參考文獻(xiàn)86-90
• 攻讀碩士學(xué)位期間取得的成果90-91

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 蔣紅衛(wèi) ,夏結(jié)來 ,余莉莉;偏最小二乘回歸的離群點(diǎn)檢測(cè)方法[J];中國衛(wèi)生統(tǒng)計(jì);2004年03期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前9條

1 張鋒;常會(huì)友;;茫然第三方支持的隱私保持離群點(diǎn)探測(cè)協(xié)議[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

2 連鳳娜;吳錦林;薛永生;;一種改進(jìn)的基于距離的離群挖掘算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

3 梁雪琴;劉紅生;代秀梅;周亞芬;;聚類離群點(diǎn)挖掘技術(shù)在內(nèi)部審計(jì)信息化中的應(yīng)用——一個(gè)來自商業(yè)銀行信用卡審計(jì)的實(shí)例[A];全國內(nèi)部審計(jì)理論研討優(yōu)秀論文集(2013)[C];2014年

4 于浩;王斌;肖剛;楊曉春;;基于距離的不確定離群點(diǎn)檢測(cè)[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

5 許龍飛;熊君麗;段敏;;基于粗糙集的高維空間離群點(diǎn)發(fā)現(xiàn)算法研究[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

6 劉文遠(yuǎn);李振平;王寶文;裴繼輝;;一種多維數(shù)據(jù)的離群點(diǎn)檢測(cè)算法[A];2007年全國第十一屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)會(huì)議論文集[C];2007年

7 魏藜;錢衛(wèi)寧;周傲英;;HOT:尋找高維空間中的離群點(diǎn)[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2001年

8 周紅福;錢衛(wèi)寧;魏藜;周傲英;;EDOLOIS:高效準(zhǔn)確的子空間局部離群點(diǎn)發(fā)現(xiàn)[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 魏藜;錢衛(wèi)寧;周傲英;;SLOT:基于估計(jì)的高效子空間局部離群點(diǎn)發(fā)現(xiàn)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 Chitrakar Roshan;[D];武漢大學(xué);2015年

2 劉莘;基于時(shí)空分析的CCS泄漏預(yù)警關(guān)鍵技術(shù)研究[D];中國礦業(yè)大學(xué);2016年

3 楊鵬;離群檢測(cè)及其優(yōu)化算法研究[D];重慶大學(xué);2010年

4 林海;離群檢測(cè)及離群釋義空間查找算法研究[D];重慶大學(xué);2012年

5 薛安榮;空間離群點(diǎn)挖掘技術(shù)的研究[D];江蘇大學(xué);2008年

6 楊茂林;離群檢測(cè)算法研究[D];華中科技大學(xué);2012年

7 金義富;高維稀疏離群數(shù)據(jù)集延伸知識(shí)發(fā)現(xiàn)研究[D];重慶大學(xué);2007年

8 雷大江;離群檢測(cè)與離群釋義算法研究[D];重慶大學(xué);2012年

9 萬家強(qiáng);基于連通性的離群檢測(cè)與聚類研究[D];重慶大學(xué);2014年

10 唐向紅;數(shù)據(jù)流離群點(diǎn)檢測(cè)研究[D];華中科技大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 韓紅霞;基于距離離群點(diǎn)的分析與研究[D];江蘇大學(xué);2007年

2 黃馨玉;基于鄰域重心變化的離群點(diǎn)檢測(cè)算法研究[D];遼寧大學(xué);2015年

3 程百球;基于EP模式的離群點(diǎn)發(fā)現(xiàn)[D];安慶師范學(xué)院;2015年

4 秦浩;基于密度的局部離群點(diǎn)挖掘及在入侵檢測(cè)中應(yīng)用研究[D];大連海事大學(xué);2016年

5 王春鵬;基于離群點(diǎn)檢測(cè)的在線軟測(cè)量方法研究[D];中國石油大學(xué)(華東);2014年

6 張友強(qiáng);基于選擇性集成學(xué)習(xí)的離群點(diǎn)檢測(cè)研究[D];青島科技大學(xué);2016年

7 王美晶;基于PSO算法的離群點(diǎn)檢測(cè)方法研究[D];福州大學(xué);2013年

8 關(guān)皓文;基于離群點(diǎn)檢測(cè)方法的醫(yī)保異常發(fā)現(xiàn)[D];山東大學(xué);2016年

9 朱杰;基于帶時(shí)間約束頻繁路徑的離群軌跡檢測(cè)[D];蘇州大學(xué);2016年

10 馬菲;局部離群點(diǎn)檢測(cè)算法的研究[D];淮北師范大學(xué);2016年

，

本文編號(hào)：596641