期刊論文
| 學年 | 107 |
|---|---|
| 學期 | 1 |
| 出版（發表）日期 | 2018-12-15 |
| 作品名稱 | 以模型融合配合社群網路資料進行流感趨勢預測 |
| 作品名稱（其他語言） | Building Fusion Model for Flu Trend Prediction by using Social Web Data |
| 著者 | 張昭憲; 周書任 |
| 單位 | |
| 出版者 | |
| 著錄名稱、卷期、頁數 | 資訊、科技與社會學報 18, p.1-20 |
| 摘要 | 根據世界衛生組織(WHO)統計，流感每年在全球約造成300萬個嚴重病例及25萬人死亡，對民生、經濟之影響有目共睹。為監測流感疫情，各國疾管局通常藉由臨床就診通報來彙整資料，但可能產生1~2週的延遲，顯然緩不濟急。考量網路社群已成為現代人生活一部分，若能從中蒐集資料並發展預測方法，應可更快了解流感現況，降低其負面影響。此外，流感流行變化快速、預測不易，但若能整合不同的預測方法，將可提升其準確性。有鑒於此，本研究將運用社群網路資料，以模型融合(Model Fusion)為基礎，建立有效的流感就診率預測方法。首先，我們由不同的網路資料來源蒐集資料，透過關鍵詞集統計建立資料集。接著，配合延遲概念，以線性迴歸建立多種不同特質的預測模型。最後，再透過模型融合整合各模型之預測結果，以提升總體準確性與穩定性。 為驗證提出方法之有效性，本研究蒐集英國地區約82週(2015/8–2017/3)超過160萬筆的Twitter發文，及同時期的Google關鍵字搜尋熱度資料，經處理後進行實驗。與六種單一預測模型相較，本研究提出之方法具有最高的預測關聯度，顯示方法之有效性。為了解各種模型之穩定性，再將流感資料依照流行程度分為「劇升降」區與「緩升降」區進行統計。結果顯示本方法在二個區域分別具有的最高與次高之關聯度，其他單一模型則呈現不一致之預測效果，驗證本方法確能產生較穩定之預測。綜合上述結果，我們相信透過本研究所提出之方法，能提供更有效之流感早期預警，建立更多元的防疫防線。 |
| 關鍵字 | 流感監測;社群網路分析;線性迴歸;模型融合;influenza surveillance;social network analysis;linear regression;model fusion |
| 語言 | zh_TW |
| ISSN | 1682-8054 |
| 期刊性質 | 國內 |
| 收錄於 | |
| 產學合作 | |
| 通訊作者 | 張昭憲 |
| 審稿制度 | 是 |
| 國別 | TWN |
| 公開徵稿 | |
| 出版型式 | ,電子版 |
| 相關連結 |
機構典藏連結 ( http://tkuir.lib.tku.edu.tw:8080/dspace/handle/987654321/116023 ) |