建模预测
建模预测是指通过构建数学模型来预测未来事件或结果的过程。预测领域有经济发展预测，股市行情预测，市场需求预测，天气预报，降雨、洪水、电力负荷、交通状况预测等应用；在智能决策领域有航空管理与决策系统，智能数据库系统等应用；在智能控制领域有机器人智能控制，大型结构智能减震，各种工业过程智能控制等应用 。
人体疾病的预测是未来的健康产业的一个趋势
建模，建立属于个体化的健康模型，属于个人的专属健康模型。
建立健康模型当然离不开数据收集。
**数据收集**
– **数据来源**：从数据库、API、传感器、调查等渠道收集数据。
– **数据质量**：确保数据的准确性、完整性和一致性。
将家用医疗器械与疾病预测紧密联系。
随着市场发展，以预防检测为主要功能的家用医疗器械逐渐增多，例如血糖、血氧、血压、心电、测试激素（备孕类型）、流感、尿液十三项、血脂、糖化血红蛋白等等。这些数据都是非常有价值的。将家用器械的数据整合收集，系统化。
单独指标的预测/综合指标和整体预测
在2023年时，开始关注乐心医疗，乐心成立于2002年，专注于智能健康，目前主攻“智能穿戴”与“移动医疗”两大方向。旗下产品包括可穿戴运动手环（手表）、电子健康秤、脂肪测量仪、电子血压计等硬件设备，同时有针对运动瘦身、慢病管理等领域提供软件和智能硬件。
今天查专利时突然看见：“一种多参数融合的血糖预测方法和系统”，就是这家公司的。公布日时2025-2-14日，也就是刚提交不久。
deepseek上查了一下建模理论
**数据收集**
– **数据来源**：从数据库、API、传感器、调查等渠道收集数据。
– **数据质量**：确保数据的准确性、完整性和一致性。
**数据预处理**
– **数据清洗**：处理缺失值、异常值和重复数据。
– **数据转换**：进行标准化、归一化、编码分类变量等操作。
– **特征工程**：选择和构建对预测有帮助的特征。
**模型部署**
– **模型保存**：将训练好的模型保存为文件，便于后续使用。
– **模型部署**：将模型部署到生产环境中，进行实时预测或批量预测。
**监控与维护**
– **性能监控**：持续监控模型在生产环境中的表现。
– **模型更新**：根据新数据和业务需求，定期更新和重新训练模型。
调研理解
由于血液中各组分的相互作用，以及仪器噪声和基线漂移等，常使得光谱与成分浓度之间呈现非线性关系，数学建模时，需要使用一些非线性建模方法。首选的有神经网络、偏最小二乘法(PLS) 和最小二乘支持向量机(LS-SVM) 。
神经网络能够模拟人类学习、感知事物的过程，处理高度非线性问题，达到传统算法难以达到的非线性映射效果；而 PLS适合小样本建模，能够克服多重共线性 ；LS-SVM 兼顾结构误差和经验误差，具有较强的泛化能力 。
偏最小二乘法（Partial Least Squares, PLS）是一种用于处理高维数据的回归和降维技术，特别适用于自变量（预测变量）之间存在多重共线性或变量数量远大于样本数量的情况。PLS通过提取自变量和因变量之间的潜在变量（latent variables）来建立预测模型。
PLS已经广泛应用于
**化学计量学**：光谱数据分析、化学过程监控等领域。
**生物信息学**：用于基因表达数据分析、蛋白质组学等。
**经济学和金融学**：用于预测经济指标、股票价格等。
偏最小二乘法是一种强大的回归和降维技术，特别适用于处理高维数据和多重共线性问题。通过提取潜在变量，PLS能够在保持模型预测性能的同时，降低模型的复杂度。
发表回复