| 内容摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1. 绪论 | 第10-16页 |
| 1.1. 研究背景和意义 | 第10-13页 |
| 1.2. 研究内容和研究成果 | 第13-14页 |
| 1.3. 本文的主要内容和组织结构 | 第14-16页 |
| 2. 国内外研究进展 | 第16-20页 |
| 3. 相关术语及问题定义 | 第20-23页 |
| 3.1. 相关术语 | 第20-21页 |
| 3.2. 问题定义 | 第21-23页 |
| 4. 数据概述 | 第23-26页 |
| 4.1. 社交网络数据概述 | 第23-24页 |
| 4.2. CDC流感临床数据 | 第24-25页 |
| 4.3. AQI及PM2.5数据 | 第25-26页 |
| 5. 数据预处理 | 第26-49页 |
| 5.1. 社交网络数据预处理 | 第26-37页 |
| 5.1.1. 流感症状关键词过滤 | 第26-29页 |
| 5.1.2. 社交网络中流感病例提取 | 第29-37页 |
| 5.1.2.1. 基于KNN算法的流感病例提取 | 第29-32页 |
| 5.1.2.2. 基于朴素贝叶斯算法的流感病例提取 | 第32-34页 |
| 5.1.2.3. 基于支持向量机算法的流感病例提取 | 第34-36页 |
| 5.1.2.4. 分类算法结果比较 | 第36-37页 |
| 5.2. AQI数据归一化处理 | 第37-38页 |
| 5.3. 数据有效性验证 | 第38-49页 |
| 5.3.1. 流感爆发地区的数据验证 | 第38-45页 |
| 5.3.2. AQI数据验证 | 第45-49页 |
| 6. 基于隐马尔科夫模型和动态贝叶斯网络的流感预测算法 | 第49-60页 |
| 6.1. 流感预测模型 | 第49-51页 |
| 6.2. 模型参数确认 | 第51-54页 |
| 6.2.1. 位置预测 | 第52-53页 |
| 6.2.2. 社交关系 | 第53-54页 |
| 6.3. 预测模型中应用的主要算法 | 第54-60页 |
| 6.3.1. 隐含状态选择 | 第54-57页 |
| 6.3.2. 参数学习和推理 | 第57-60页 |
| 7. 基于社交网络的流感监控和预测模型的实验验证 | 第60-69页 |
| 7.1. 交叉实验验证 | 第60-61页 |
| 7.2. 实验结果评估 | 第61-69页 |
| 7.2.1. 数据验证 | 第61-65页 |
| 7.2.2. 缺失值处理 | 第65-66页 |
| 7.2.3. 模型可伸缩性 | 第66-69页 |
| 8. 总结与展望 | 第69-71页 |
| 8.1. 本文总结 | 第69-70页 |
| 8.2. 进一步工作 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 作者简历及在学期间所取得的科研成果 | 第76页 |
