基本信息
- 项目名称：
- 艾滋病模型的建立及预测
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 数理
- 大类：
- 自然科学类学术论文
- 简介：
- 本论文利用支持向量机的回归分析方法动态研究艾滋病发病趋势及影响因素，探讨合理的预测模型，揭示影响因素和内在规律，并对变化趋势进行预测。分为两部分：一、设计了一个基于支持向量回归机分析的艾滋病感染者人数预测模型。包括两个阶段：训练阶段和预测阶段。训练阶段：读入数据，用于SVM模型，保存训练模型。预测阶段：导入训练好的模型，将预处理后的数据输入预测模型，进行预测并输出预测数据。二、对预测结果进行分析。
- 详细介绍：
- 根据中国人民共和国卫生部《2008年甲乙类法定报告传染病发病数及死亡数排序》的相关信息，可以知道艾滋病死亡人数是传染病死亡人数中最多的。而艾滋病（AIDS）是由人类免疫缺陷病毒（HIV）感染所导致的一种病死率极高的慢性传染病。从1985年，我国第一次发现艾滋病后，截至2009年底，我国累计报告艾滋病病毒感染者和艾滋病病人32.6万例，其中艾滋病病人10.7万例；死亡报告5.4万例。所以对艾滋病感染者人数的预测及预防迫在眉睫。 由于疾病的发生和发展趋势往往随着时间的推移会产生相应变化并呈现出一定的规律性；同时，疾病发病趋势的演化过程中往往受到多种相互依存的必然、偶然因素的影响，因此，我们很难用结构式的因果关系模型来解释。为了可以更好的解释疾病的自身发展规律及其影响因素，我们需要从动态的角度出发，描述和分析疾病的变化，揭示疾病内在的关系以及变化规律，并在一定时期内预测控制它们未来发展趋势。 本论文基于《2009年中国艾滋病疫情估计工作报告》的材料，利用支持向量机的回归分析方法动态研究艾滋病发病趋势及其影响因素，探讨合理的预测模型，揭示其影响因素和内在规律，并对其变化趋势进行预测，为该地区艾滋病预防控制部门制定防治措施提供决策依据，同时为其它传染性疾病预测模型的研究提供科学参考。 本论文分为两部分：第一部分，设计了一个基于支持向量回归机分析的艾滋病感染者人数预测模型。该模型包括两个阶段：训练阶段和预测阶段。训练阶段过程如下：首先读入数据，然后用于SVM模型，保存训练好的模型用于预测阶段使用。在预测阶段，导入训练好的模型，将预处理后的数据输入预测模型，然后进行预测得到预测结果，并输出预测数据。第二部分，对模型的预测结果进行分析。
作品专业信息
撰写目的和基本思路
- 目的：利用支持向量机的回归方法，为预防控制部门制定防治措施提供理论依据。 基本思路： 1、建立模型并预测结果，该模型包括两个阶段：训练阶段和预测阶段。 2、结果分析
科学性、先进性及独特之处
- 利用支持向量机通过处理1985年—2009年数据，可以比较真实全面地反映艾滋病的发病趋势。
应用价值和现实意义
- 通过对艾滋病模型的预测，可以动态把握艾滋病患病及HIV感染者人数的变化趋势，为相关部门提供理论依据。
学术论文摘要
- 利用支持向量回归机分析方法动态研究艾滋病患病及HIV感染者人数的变化趋势及其影响因素，探讨合理的预测模型，为制定艾滋病的预防监测措施提供决策依据，同时为其它传染性疾病预测模型的研究提供科学参考。
获奖情况
- 无
鉴定结果
- 无
参考文献
- [1]《基于SVM分块回归分析的话务量预测模型》陈蓉 宋俊德 《计算机应用》2008,28(9) [2]《求解分类问题的支持向量机方法与应用研究》 阎满富 邓乃扬 中国农业大学， 管理科学与工程， 2005， 博士
同类课题研究水平概述
- 根据中国人民共和国卫生部《2008年甲乙类法定报告传染病发病数及死亡数排序》的相关信息，可以知道艾滋病死亡人数是传染病死亡人数中最多的。为了更大程度的满足对艾滋病预防控制的要求，本论文基于《2009年中国艾滋病疫情估计工作报告》的材料，利用支持向量机的回归分析方法动态研究艾滋病情况的变化，揭示其影响因素和内在规律，并对其变化趋势进行预测，为该地区疾病预防控制部门制定防治措施提供决策依据。 疾病的发生和发展趋势往往随着时间的推移会产生相应变化并呈现出一定的规律性；同时，疾病发病趋势的演化过程中往往受到多种相互依存的必然、偶然因素的影响，因此，我们很难用结构式的因果关系模型来解释。为了可以更好的解释疾病的自身发展规律及其影响因素，我们需要从动态的角度出发，描述和分析疾病的变化，揭示疾病内在的关系以及变化规律，并在一定时期内预测控制它们未来发展趋势。 而艾滋病（AIDS）是由人类免疫缺陷病毒（HIV）感染所导致的一种病死率极高的慢性传染病。从1985年，我国第一次发现艾滋病后，截至2009年底，我国累计报告艾滋病病毒感染者和艾滋病病人32.6万例，其中艾滋病病人10.7万例；死亡报告5.4万例。 所以对艾滋病患病人数和HIV感染者人数的预测及预防迫在眉睫。对于艾滋病模型的建立及预测，人们往往采用的算法有灰色模型、ARIMA模型、EPP模型等。 而支持向量机已广泛应用于时间序列分析、回归分析、聚类分析、动态图像的人脸跟踪、信号处理、语音识别、图像分类和控制系统等诸多领域。 考虑到支持向量机 (SVM)具有小样本、稀疏性、以及非线性拟合能力强等方面的优势,本文将支持向量机回归(SVR)引入艾滋病预测,以期开发出一种性能更加优越的艾滋病预测模型,为疾病预测工作提供新的技术手段。
