| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 医院物资采购的现状 | 第9-10页 |
| 1.2.2 医院物资使用量数据的研究现状 | 第10-11页 |
| 1.2.3 基于时间序列的传统预测算法研究与应用现状 | 第11-13页 |
| 1.2.4 基于时间序列的神经网络算法研究与应用现状 | 第13-14页 |
| 1.2.5 基于时间序列的深度学习算法研究与应用现状 | 第14-15页 |
| 1.3 课题研究目标与主要研究内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 2 基于分布式数据挖掘的区域医疗物资使用量精准预测方案(DMPS) | 第17-23页 |
| 2.1 DMPS方案背景 | 第17-18页 |
| 2.2 DMPS总体方案介绍 | 第18-19页 |
| 2.2.1 DMPS方案概述 | 第18-19页 |
| 2.2.2 DMPS方案中预测算法的选择 | 第19页 |
| 2.3 DMPS方案的数据存储及管理平台——Hadoop简介 | 第19-21页 |
| 2.4 DMPS方案工作流程简介 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 3 基于改进ARIMA模型的区域医疗物资采购预测模型 | 第23-48页 |
| 3.1 ARIMA模型相关概念阐述 | 第23-26页 |
| 3.1.1 基本概念 | 第23-25页 |
| 3.1.2 数据平稳性的判断与处理 | 第25-26页 |
| 3.2 ARIMA模型的组成结构 | 第26-28页 |
| 3.3 ARIMA模型参数识别原理 | 第28-32页 |
| 3.3.1 自协方差与自相关函数 | 第28-31页 |
| 3.3.2 偏自相关函数 | 第31-32页 |
| 3.4 基于改进ARIMA模型的物资采购预测模型建模流程 | 第32-47页 |
| 3.4.1 医疗物资数据的采集、规范及修正 | 第32-33页 |
| 3.4.2 医疗物资序列的平稳性检验与处理 | 第33-37页 |
| 3.4.3 医疗物资序列纯随机性检验 | 第37-38页 |
| 3.4.4 ARIMA模型中参数的识别 | 第38-44页 |
| 3.4.5 模型的诊断与检验 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于LSTM网络的区域医疗物资使用量预测模型 | 第48-58页 |
| 4.1 LSTM网络的起源——RNN网络 | 第48-51页 |
| 4.1.1 RNN网络基本结构 | 第48-49页 |
| 4.1.2 RNN网络隐藏神经元结构 | 第49页 |
| 4.1.3 RNN网络四种基本形式 | 第49-50页 |
| 4.1.4 RNN网络不足 | 第50-51页 |
| 4.2 基于LSTM的区域医疗物资预测模型的构建 | 第51-55页 |
| 4.2.1 LSTM网络模型结构 | 第51-52页 |
| 4.2.2 LSTM网络的控制门结构与功能 | 第52-55页 |
| 4.3 实验设计与模型训练 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 DMPS方案系统性能验证 | 第58-65页 |
| 5.1 基于ARIMA的采购预测模型预测及结果分析 | 第58-60页 |
| 5.2 基于LSTM的采购预测模型预测及结果分析 | 第60-62页 |
| 5.3 两种模型预测结果对比分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文目录 | 第71-72页 |
