本文關(guān)鍵詞：基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)方法與技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息技術(shù)不斷的發(fā)展,醫(yī)學及氣象領(lǐng)域中產(chǎn)生的大量數(shù)據(jù)不斷積累下來,與此同時,新的數(shù)據(jù)還在繼續(xù)不斷地產(chǎn)生,呈現(xiàn)出明顯的大數(shù)據(jù)特征,這無疑為醫(yī)學氣象學這一新興交叉學科的發(fā)展奠定了重要的數(shù)據(jù)基礎(chǔ),為深入研究天氣氣候變化對人類健康的影響注入了動力與活力。為此,本文旨在將大數(shù)據(jù)的理念引入至醫(yī)學氣象服務(wù)中來,探索大數(shù)據(jù)時代下的醫(yī)學氣象服務(wù)框架,研究大數(shù)據(jù)的方法與技術(shù)在醫(yī)學氣象服務(wù)中的應(yīng)用,以利于推動醫(yī)學氣象學的快速發(fā)展。本文首先嘗試建立了基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)框架,該框架總體分為四層,從下到上依次為:數(shù)據(jù)源層、整合層、大數(shù)據(jù)平臺層和應(yīng)用層,可為基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)提供了從數(shù)據(jù)的獲取、存儲、預(yù)處理、預(yù)報模型的建立及應(yīng)用等一系列應(yīng)用需求的解決方案。其次,針對醫(yī)學氣象數(shù)據(jù)的特點提出了基于大數(shù)據(jù)的數(shù)據(jù)存儲模型,該模型利用分布式及網(wǎng)頁爬取等先進技術(shù),能夠獲取不同存儲地點的結(jié)構(gòu)化與非結(jié)構(gòu)化的醫(yī)學、氣象及空氣污染監(jiān)測數(shù)據(jù);該存儲模型中還構(gòu)建了醫(yī)學氣象數(shù)據(jù)倉庫,將獲取的相關(guān)數(shù)據(jù)進行及時質(zhì)控與存儲。同時本文還以蘭州市某三甲醫(yī)院的醫(yī)學數(shù)據(jù)及相應(yīng)的氣象、空氣污染指數(shù)數(shù)據(jù)為基礎(chǔ),進行了數(shù)據(jù)倉庫實例的建設(shè)試驗。再次,我們通過比較現(xiàn)有數(shù)據(jù)預(yù)處理技術(shù)的基礎(chǔ)上,針對醫(yī)學氣象的大數(shù)據(jù)特點進行了數(shù)據(jù)的變換和預(yù)報因子的特征選擇,結(jié)果表明:在沒有進行數(shù)據(jù)分級處理(數(shù)據(jù)變換)時,對于高血壓、上呼吸道感染及糖尿病病情變化就診的人數(shù)預(yù)報的準確率分別為:4.20%、2.91%和2.70%,經(jīng)過數(shù)據(jù)預(yù)處理后預(yù)報的準確率上升為為:25.50%、41.50%和19.50%,顯然,預(yù)報準確性得到了明顯的提高;再經(jīng)過特征選擇的優(yōu)選預(yù)處理后,上述三種疾病的氣象預(yù)報因子由進行特征選擇之前的31個分別減少至9、10和10個,在同一服務(wù)器上三種疾病的預(yù)報建模(BP神經(jīng)網(wǎng)絡(luò))時間由未進行處理前的19.45s、27.05s和31.04s,分別減少為:11.20s、20.38s和6.39s。由此可見,經(jīng)過上述有針對性的醫(yī)學氣象大數(shù)據(jù)的科學預(yù)處理,從預(yù)報的準確性及建模時間上都有大幅的提高。此外,針對基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)預(yù)報模型構(gòu)建的現(xiàn)實需求,通過比較了已經(jīng)在醫(yī)學氣象服務(wù)預(yù)報中使用的各種預(yù)報模型算法的優(yōu)缺點,研究提出了大數(shù)據(jù)時代下,醫(yī)學氣象服務(wù)預(yù)報模型構(gòu)建的一種新方法---基于遺傳非線性規(guī)劃的支持向量回歸算法,并利用已存儲的相關(guān)數(shù)據(jù)進行了檢驗,結(jié)果表明:(1)該算法的預(yù)報準確性比已使用的其它算法有大幅的提高,以高血壓、上呼吸道感染及糖尿病病情變化就診人數(shù)的預(yù)報為例,預(yù)報的準確率分別達到:75.50%、98.75和62.00%。(2)利用該算法進行預(yù)報模型的建立,建模時間明顯優(yōu)于其他算法,對于以上提出的三種疾病的建模時間分別降至為:4.57s、4.23s和3.20s。(3)該算法在應(yīng)用時易于實現(xiàn),本文中利用編程工具.NET2008中已有的庫函數(shù)及相關(guān)技術(shù),進行了算法的實現(xiàn)。其占用的存儲空間較小,程序運行較快,適合于實時的醫(yī)學氣象預(yù)報服務(wù)業(yè)務(wù)應(yīng)用。最后,本文嘗試開發(fā)了醫(yī)學氣象預(yù)報及服務(wù)系統(tǒng)軟件平臺,除了研制開發(fā)WEB網(wǎng)站之外,還針對當前比較流行的移動互聯(lián)網(wǎng)進行了開發(fā),包括:基于Android系統(tǒng)、IOS系統(tǒng)的手機APP及微信公眾號的開發(fā)。該軟件平臺不僅通過友好的界面可將醫(yī)學氣象預(yù)報結(jié)果以多種形式展現(xiàn)到使用者面前,還能夠?qū)τ脩暨M行定位,將其所在地的氣象與環(huán)境信息及防病知識進行推送,及時提醒用戶進行有效防護。此軟件平臺具有大數(shù)據(jù)時代的特征,對于相關(guān)疾病患者群體有較好的預(yù)警效能,目前已開始試用并顯示出了良好的服務(wù)效果。
【關(guān)鍵詞】：醫(yī)學氣象學 大數(shù)據(jù) 數(shù)據(jù)倉庫 遺傳非線性規(guī)劃支持向量回歸 移動互聯(lián)網(wǎng)
【學位授予單位】：蘭州大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：R122
【目錄】：

• 摘要3-5
• Abstract5-12
• 第一章 緒論12-24
• 1.1 大數(shù)據(jù)技術(shù)及其應(yīng)用研究現(xiàn)狀12-16
• 1.1.1 大數(shù)據(jù)的概念12-14
• 1.1.2 大數(shù)據(jù)技術(shù)國內(nèi)外研究現(xiàn)狀14-16
• 1.1.3 大數(shù)據(jù)技術(shù)在各領(lǐng)域的應(yīng)用16
• 1.2 醫(yī)學氣象及其服務(wù)中的大數(shù)據(jù)問題16-20
• 1.2.1 醫(yī)學氣象學的研究內(nèi)容16-17
• 1.2.2 醫(yī)學氣象學的國內(nèi)外研究現(xiàn)狀17-19
• 1.2.3 醫(yī)學氣象研究中的大數(shù)據(jù)問題19-20
• 1.3 本文研究的目的和意義20-21
• 1.4 本文的結(jié)構(gòu)設(shè)計及主要內(nèi)容21-24
• 第二章 基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)框架及數(shù)據(jù)存儲技術(shù)的研究24-44
• 2.1 基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)框架的構(gòu)建24-26
• 2.1.1 框架概念模型的構(gòu)建24-25
• 2.1.2 總體框架體系25-26
• 2.2 醫(yī)學和氣象數(shù)據(jù)的存儲及存在的問題26-30
• 2.2.1 醫(yī)學數(shù)據(jù)的存儲現(xiàn)狀及問題26-28
• 2.2.2 氣象數(shù)據(jù)的存儲現(xiàn)狀及問題28-30
• 2.3 基于大數(shù)據(jù)的醫(yī)學氣象數(shù)據(jù)存儲模型30-32
• 2.3.1 存儲模型的構(gòu)建30-31
• 2.3.2 關(guān)鍵技術(shù)31-32
• 2.4 存儲構(gòu)建實例分析32-42
• 2.4.1 醫(yī)學氣象數(shù)據(jù)整合層的設(shè)計33-36
• 2.4.2 醫(yī)學氣象數(shù)據(jù)倉庫模型的構(gòu)建36-38
• 2.4.3 基于三種疾病的醫(yī)學氣象數(shù)據(jù)倉庫的構(gòu)建實例38-42
• 2.5 本章小結(jié)42-44
• 第三章 面向大數(shù)據(jù)的醫(yī)學氣象數(shù)據(jù)預(yù)處理技術(shù)44-65
• 3.1 數(shù)據(jù)預(yù)處理技術(shù)44-48
• 3.1.1 數(shù)據(jù)清洗44-45
• 3.1.2 數(shù)據(jù)整合45-46
• 3.1.3 數(shù)據(jù)變換46-47
• 3.1.4 數(shù)據(jù)精簡47-48
• 3.2 基于大數(shù)據(jù)的醫(yī)學氣象數(shù)據(jù)預(yù)處理48-51
• 3.2.1 大數(shù)據(jù)時代下醫(yī)學氣象數(shù)據(jù)的特點48-49
• 3.2.2 醫(yī)學氣象大數(shù)據(jù)預(yù)處理49-51
• 3.3 特征選擇技術(shù)51-53
• 3.3.1 特征選擇的基本框架51-53
• 3.3.2 特征選擇算法介紹53
• 3.4 基于遺傳算法的特征選擇技術(shù)在醫(yī)學氣象中的應(yīng)用53-63
• 3.4.1 問題描述54
• 3.4.2 遺傳算法概述54-55
• 3.4.3 特征選擇模型的建立55-60
• 3.4.4 實驗結(jié)果60-63
• 3.5 本章小結(jié)63-65
• 第四章 基于大數(shù)據(jù)挖掘的醫(yī)學氣象預(yù)報模型的研究65-102
• 4.1 基于回歸方法的預(yù)測模型65-68
• 4.1.1 模型描述65-67
• 4.1.2 實驗結(jié)果67-68
• 4.2 基于決策樹的預(yù)測模型68-72
• 4.2.1 模型描述68-71
• 4.2.2 實驗結(jié)果71-72
• 4.3 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型72-84
• 4.3.1 模型描述72-79
• 4.3.2 實驗結(jié)果79-84
• 4.4 基于支持向量機的預(yù)測模型84-88
• 4.4.1 模型描述84-86
• 4.4.2 實驗結(jié)果86-88
• 4.5 基于大數(shù)據(jù)的預(yù)測模型的構(gòu)建88-99
• 4.5.1 大數(shù)據(jù)時代下常用預(yù)報算法存在的問題88-89
• 4.5.2 醫(yī)學氣象大數(shù)據(jù)挖掘關(guān)鍵技術(shù)89
• 4.5.3 基于遺傳非線性規(guī)劃的支持向量回歸模型的描述及流程89-90
• 4.5.4 實驗結(jié)果及性能分析90-99
• 4.6 新算法與傳統(tǒng)預(yù)測方法的比較99-100
• 4.7 本章小結(jié)100-102
• 第五章 面向大數(shù)據(jù)的醫(yī)學氣象預(yù)報系統(tǒng)的研制102-123
• 5.1 醫(yī)學氣象預(yù)報系統(tǒng)的整體框架102-106
• 5.1.1 總體技術(shù)框架103-104
• 5.1.2 系統(tǒng)的功能框架104-106
• 5.2 服務(wù)器端的搭建與PC端系統(tǒng)開發(fā)106-110
• 5.2.1 服務(wù)器端的搭建及配置106-109
• 5.2.2 PC端系統(tǒng)開發(fā)109-110
• 5.3 移動客戶端的設(shè)計110-122
• 5.3.1 基于Android系統(tǒng)的APP設(shè)計111-113
• 5.3.2 基于IOS系統(tǒng)的APP設(shè)計113-115
• 5.3.3 基于微信的二次開發(fā)115-122
• 5.4 本章小結(jié)122-123
• 第六章 總結(jié)與展望123-127
• 6.1 全文總結(jié)123-125
• 6.2 特色與創(chuàng)新點125-126
• 6.3 不足與展望126-127
• 參考文獻127-135
• 在學期間的研究成果135-136
• 致謝136

  本文關(guān)鍵詞：基于大數(shù)據(jù)的醫(yī)學氣象服務(wù)方法與技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：274348