基于时空数据挖掘技术的流感疫情分析
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状与评价 | 第11-16页 |
| 1.2.1 时空数据挖掘研究现状 | 第11-12页 |
| 1.2.2 传染病数据空间化研究现状 | 第12-13页 |
| 1.2.3 传染病时空预警研究 | 第13-15页 |
| 1.2.4 GIS在传染病分析中的应用 | 第15-16页 |
| 1.3 研究目标与研究内容 | 第16-18页 |
| 1.3.1 研究目标 | 第16-17页 |
| 1.3.2 研究内容 | 第17-18页 |
| 第二章 互联网时空数据挖掘技术原理与方法 | 第18-30页 |
| 2.1 数据挖掘技术 | 第18-21页 |
| 2.1.1 数据挖掘的概念 | 第18-19页 |
| 2.1.2 数据挖掘的功能 | 第19-20页 |
| 2.1.3 数据挖掘实现过程 | 第20-21页 |
| 2.2 Web时空数据挖掘 | 第21-22页 |
| 2.2.1 Web时空数据挖掘的概念 | 第21页 |
| 2.2.2 Web时空数据挖掘的流程 | 第21页 |
| 2.2.3 Web时空信息的抽取 | 第21-22页 |
| 2.2.4 Web时空数据挖掘分类 | 第22页 |
| 2.3 时空数据采集技术 | 第22-27页 |
| 2.3.1 URL地址格式 | 第23页 |
| 2.3.2 主题网络爬虫 | 第23-27页 |
| 2.4 时空数据抽取技术 | 第27-29页 |
| 2.4.1 HTML解析 | 第27页 |
| 2.4.2 正则表达式 | 第27-28页 |
| 2.4.3 中文分词 | 第28-29页 |
| 本章小结 | 第29-30页 |
| 第三章 流感主题微博时空数据的提取与验证 | 第30-41页 |
| 3.1 微博信息采集 | 第30-31页 |
| 3.1.1 基于微博API获取数据 | 第30-31页 |
| 3.1.2 基于网络解析获取数据 | 第31页 |
| 3.2 主题微博预处理框架 | 第31-33页 |
| 3.3 主题事件提取 | 第33-34页 |
| 3.4 时间提取规则 | 第34-35页 |
| 3.5 流感主题微博信息的提取 | 第35-38页 |
| 3.5.1 流感主题关键词过滤 | 第35-36页 |
| 3.5.2 基于朴素贝叶斯算法的流感信息提取 | 第36-38页 |
| 3.6 流感主题微博数据相关性分析 | 第38-40页 |
| 本章小结 | 第40-41页 |
| 第四章 基于流感主题数据的时空分析 | 第41-52页 |
| 4.1 数据来源 | 第41页 |
| 4.2 时空特征分析 | 第41页 |
| 4.2.1 时间分布分析 | 第41页 |
| 4.2.2 疫情空间分布分析 | 第41页 |
| 4.3 空间自相关分析 | 第41-46页 |
| 4.3.1 全局空间自相关分析 | 第42-44页 |
| 4.3.2 局部空间自相关分析 | 第44-46页 |
| 4.4 分析结果 | 第46-51页 |
| 4.4.1 时间分布分析 | 第46-47页 |
| 4.4.2 疫情空间分布分析 | 第47-48页 |
| 4.4.3 全局空间自相关 | 第48页 |
| 4.4.4 局部空间自相关 | 第48-51页 |
| 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间发表的学术论文和研究成果 | 第58-59页 |
| 致谢 | 第59页 |
