申请/专利权人：郑州大学第一附属医院

申请日：2023-06-30

公开（公告）日：2023-09-19

公开（公告）号：CN116779172A

主分类号：G16H50/50

分类号：G16H50/50;G06F16/215;G06F16/2458;G06F18/25;G06N3/044;G06N3/084;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.10.10#实质审查的生效;2023.09.19#公开

摘要：本发明公开了一种基于集成学习的肺癌疾病负担风险预警方法，属于大数据技术领域，包括对数据进行整合和清洗，预测指标筛选与降维，滞后效应测算，预测模型池建立，模型验证与优化，模型预测效果评估，对多个模型进行stacking集成组合，解决了为预测肺癌疾病负担提供更准确的参考数据的技术问题，本发明融合多源数据可以提供更全面的信息，减少单个模型的不确定性和偏差，提高预测的准确性和稳定性，预测组合可以提供比单项预测模型更加精准的预测参考数据。

主权项：1.一种基于集成学习的肺癌疾病负担风险预警方法，其特征在于：包括如下步骤：步骤1：建立数据库服务器，数据库服务器通过互联网获取疾病负担数据、气象数据、空气污染数据、地区经济数据和时间特征数据，并将以上数据进行整合与清洗后，构建肺癌疾病负担特征数据库，通过图表进行数据库数据可视化展示，展示疾病与特征的时间序列特征；步骤2：建立模型服务器，模型服务器获取数据库服务器中进行整合与清洗后的数据，通过信息熵与主成分进行预测指标的降维和筛选，通过灰色关联度分析测算各预测指标对肺癌疾病负担影响的滞后效应；在训练序列上分别构建预测模型池，预测模型池包括GAM模型、LSTM模型、GM1,N模型、ARIMA模型、XGBoost算法模型、RFR算法模型、BP神经网络模型和AdaBoost算法模型，经过对预测模型池中的各个模型验证，优化各个模型参数，更新迭代各个模型，在测试集上评估各个模型的预测性能，并根据预测性能对各个模型进行排序；步骤3：建立集成模型服务器，集成模型服务器从预测模型池中选择出预测性能排在前4的4个模型作为Stacking集成学习的第一层基学习器；各预测器分别在验证集和预测集进行拟合，形成新的训练集与新的测试集，作为Stacking第二层的元学习器的输入；将模型中的线性回归模型与岭回归模型作为候选元学习器，通过预测性能评估，择优得到最终的集成模型；基于滞后效应指标，为s步未来时期的预测提供相关参考数据；步骤4：集成模型服务器对步骤3获得的结果进行可视化展示。

全文数据：

权利要求：

百度查询： 郑州大学第一附属医院 一种基于集成学习的肺癌疾病负担风险预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD