دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات پژوهشی مهندسی صنایعدانلود رایگان مقالات ژورنالی مهندسی صنایعدانلود رایگان مقالات سال 2018دانلود رایگان مقاله ISI اپیدمی یا همه گیری به زبان انگلیسیدانلود رایگان مقاله ISI داده کاوی به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی صنایع به زبان انگلیسی سال 2022 و 2023سال انتشار

مقاله انگلیسی رایگان در مورد داده کاوی باز برای اپیدمی دنگ تایوانی – الزویر ۲۰۱۸

 

مشخصات مقاله
ترجمه عنوان مقاله داده کاوی باز برای اپیدمی دنگ تایوانی
عنوان انگلیسی مقاله Open data mining for Taiwan’s dengue epidemic
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۲۱ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) scopus – master journals – JCR – MedLine
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۲٫۵۰۹ در سال ۲۰۱۷
شاخص H_index ۸۶ در سال ۲۰۱۸
شاخص SJR ۱٫۰۵۲ در سال ۲۰۱۸
رشته های مرتبط مهندسی صنایع
گرایش های مرتبط داده کاوی
نوع ارائه مقاله
ژورنال
مجله / کنفرانس Acta Tropica
دانشگاه Department of Information Management – National University of Kaohsiung – Taiwan
کلمات کلیدی داده های باز، داده کاوی، اپیدمی دنگ، روند گوگل، سادگی
کلمات کلیدی انگلیسی  Open data, data mining, dengue epidemic, Google trend, simplicity
شناسه دیجیتال – doi
https://doi.org/10.1016/j.actatropica.2018.03.017
کد محصول E9989
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
Keywords
۱ Background
۲ Literature review
۳ Method
۴ Results and discussions
۵ Concluding remarks
References

بخشی از متن مقاله:
Abstract

By using a quantitative approach, this study examines the applicability of data mining technique to discover knowledge from open data related to Taiwan’s dengue epidemic. We compare results when Google trend data are included or excluded. Data sources are government open data, climate data, and Google trend data. Research findings from analysis of 70,914 cases are obtained. Location and time (month) in open data show the highest classification power followed by climate variables (temperature and humidity), whereas gender and age show the lowest values. Both prediction accuracy and simplicity decrease when Google trends are considered (respectively 0.94 and 0.37, compared to 0.96 and 0.46). The article demonstrates the value of open data mining in the context of public health care.

Background

Dengue fever remains one of the most serious infectious diseases in Taiwan. The Taiwan’s Center for Disease Control (TCDC) website (https://nidss.cdc.gov.tw/en/) reported 43,698 confirmed cases of dengue in 2015. Although the number decreased to only 743 in 2016, the Taiwanese government is still cautiously monitoring the epidemic , and implementing innovative strategies such as open data applications, which involve data (or data-driven) science, model development, and domain knowledge (Dhar, 2013; Zuiderwijk & Janssen, 2014; Zeleti et al., 2016; Hsu et al., 2017). Open data applications to predict dengue epidemic cover a variety of models such as linear and multi regression, moving average, weighted moving average, intra- and inter-seasonal autoregression, time series, networks, correlation, analytical hierarchy process, and their combinations. Models and variables have been tested in various countries including Thailand (Wongkoon et al., 2012), Malaysia (Dom et al., 2013; Dom et al., 2016), Taiwan (Chien and Yu, 2014), Bengal (Banu et al., 2014), Vietnam (Phung et al., 2015), Colombia (Eastin et al., 2014; Delmelle et al., 2016) and Saudi Arabia (Ibrahim Alkhaldy, 2017). Differently from these studies, we apply data mining to discover prediction themes in dengue open data. Online communities have been increasingly attracting attention to possible insights that could be derived from data mining based on open data sources (Brownstein et al., 2009; Santillana et al., 2014; Yang et al., 2017; Strauss et al., 2017). For example, the use of Google trends to develop data-driven models (classification-oriented models) of dengue epidemic is still under investigation. We expect that the insights derived from this approach to be relevant to the development of government management and control policies related to dengue. This study has three main purposes. First, we examine the applicability of data mining technique (data-driven classification technique) to predict dengue epidemics. Second, we investigate the role of Google trend data on prediction accuracy and simplicity of decision trees. Finally, based on the results obtained above we discuss management insights by conducting the mining results.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا