基于大数据的医院财务管理与决策系统的设计与开发
这是一篇关于财务管理,大数据,元数据管理,标准数据模型,数据聚合,预测模型的论文, 主要内容为随着近20年来医院信息化的全面开展与不断深入，信息化管理在医疗体系运营中发挥着越来越重要的作用。然而，目前医院的数字化管理多偏重于业务操作层面，且随之积攒的大量乃至海量业务数据，至今未能在其他业务环节得到有效合理的利用，特别是对有效信息支持的决策环节，缺乏科学合理的数据分析与诊断。医疗行业的复杂性催生了对商业智能(business Intelligence，BI)的需求，商业智能已经成为医院的神经系统。在当今大数据时代下，大数据思想正在悄然改变传统商业智能布局，并逐步将管理思想与商业智能更好的融为一体，为提升管理水平，优化产业结构，提高工作效率和创造社会财富，发挥着巨大的作用。 随着国家财务管理条例颁布与实行，以及总会计师制度的推广，现代化财务管理的发展思路要求传统财务会计管理模式融入知识经济时代，更新财务管理观念，满足医院后勤保障、医学工程部门和各个科室的科学化管理工作需求。 本论文针对医院传统财务管理信息系统存在的局限性和多年积累的海量数据现状，根据医院财务管理工作的主要内容和发展变化，以及财务预算管理和成本管理数字化建设的最新研究进展，结合实际工作，总结和完善了医院财务管理体系的主要内容和工作流程，提出了现代化智能医院财务管理框架，即包括预算管理、成本管理和绩效管理三方面。该框架从分析当前医院财务管理系统功能应用出发，以实现医院财务管理数字化为目标，创造性提出基于大数据思想的财务管理和决策系统，旨在利用大数据技术集中、存储和使用宝贵的数据和信息资源，以应对越来越复杂的数据分析，关注未来收益，并实现最优的决策分析。本论文主要完成了以下工作： 1、基于大数据的医院财务管理与决策工作的系统需求分析 该系统的数据来源于现有医院财务管理信息系统以及相关子系统，通过对导出的财务和相关数据采集与分析，并按照中国财务软件数据暂行标准接口进行标准化、规范化和定制化。通过搭建现代化医院财务管理框架，满足当前医院财务管理工作数字化建设需求，为医院管理层提供宏观财务数据报表、财务趋势分析等决策数据和医院财务监督体系提供量化数据的数字化工作平台。不仅解决了传统医院财务管理系统存在的问题，而且突破传统局限性，从正常运营角度规范了医院财务管理系统的工作流程，为管理层提供财务数据趋势分析、对比分析、盈亏损益等，实现从财务会计到管理会计的转型。 2、设计了基于服务导向的系统架构 我们利用先进灵活的计算机技术、网络技术和工作流技术，设计和开发了基于大数据思想的医院财务决策与管理信息系统。在不影响现有医院财务系统正常运营使用的系统设计理念下，通过对数据（结构化，半结构化和非结构化）采集、清洗与集中，利用标准数据模型（standard data model，SDM）对财务数据的整合与优化，融入大数据平台，改变传统商业智能布局。利用Autosys调度作业自动进行批量数据导出、导入与备份，利用RTD传递实时更新财务数据，进行批量和实时数据的大集中于数据仓库；通过元数据管理实现，实现数据资源统一和规范化；通过数据库反规范化和数据分区等技术提高数据存储优化；按照业务流程抽象模型驱动数据互用性；引入NOSQL非文档型数据库-MongoDB作为数据聚合层提高系统访问速度和数据分析与挖掘支撑平台。 3、开发了高性能的财务管理系统 系统开发服务器基于J2EE体系，客户端基于Dot Net Framework开发，选择高性能、无模式的文档型数据库MongoDB作为后台聚合数据库，MS SQL Server作为后台数据仓库，Java和C#为主要程序语言，采用Spring框架和经典MVC设计模式进行高端C/S模式应用程序的开发。其中，Dot Net Framework–WPF作为表现层基于MVVM设计模式提供Rich Client实现Data Visualization，Spring+J2EE作为业务逻辑层，Hibernate作为ORM并提供数据持久化，MongoDB作为数据聚合层，Autosys作为系统前后台作业调度核心系统，保证了系统自动化运行管理。通过Spring框架将业务对象与业务逻辑相分离，并通过容器(Container)和非容器(Non-Container)两种管理方式完成业务逻辑对象的创建、调用和回收，保证系统的平台独立性和易扩展性。在MongoDB的设计和使用上与实际工作紧密结合，按照业务规则对数据进行横向（基础数据）与纵向（分析数据）处理并独立存储和有效隔离，另外MongoDB作为Near Cache（类缓存技术）使用，将数据存储在内存和磁盘上，提供快速访问和瞬间定位能力，实现高性能财务管理系统。 4、实现了大数据思想在医院财务系统功能的应用 该系统是对当前医院财务信息管理系统功能的增强和扩充，通过引入大数据思想，实现大数据集存储、管理非结构化和半结构化数据和大数据的分析与挖掘。除了基本财务核算与财务报表基本功能外，还利用R Language统计分析、分类回归、聚类和关联规则等功能，重点实现了实时的财务报表、财务指标和现金流能力的预测模型功能，满足医院现代化财务管理需求，达到了医院财务管理和决策系统的设计目标。通过完备的系统测试和性能测试，取得了较好的应用效果。 本研究针对医院信息化存在的共性问题与不足，借鉴和引入银行业财务系统的成熟管理思想与实现方法，设计和开发了基于大数据思想的医院财务管理与决策系统。在传统数据仓库和商业智能基础上，融合大数据思想，实现数据大集中。基于灵活、易扩展和健壮的软件体系架构设计与开发，加强数据协同性，提供高效的数据聚合、分析挖掘和动态展示。实现了财务数据的实时变化、信息挖掘和过程监管，对于提高当前医院整体运营工作效率、预算管理、成本管理、绩效管理，重视资金的时间价值与运营风险具有极强的现实意义和应用价值。
三甘醇脱水综合风险预警及关键工艺运行参数预控方法研究
这是一篇关于三甘醇脱水,综合风险预警,可拓理论,预测模型,系统设计的论文, 主要内容为天然气脱水是为了防止天然气在高压管道的传输过程中,水汽凝结成冰而造成管道堵塞以及保证商品天然气的管输水露点达到要求。三甘醇(TEG)脱水工艺因其易于再生、携带损失小、吸水性强的特点成为了国内最常用的天然气脱水工艺之一。但是由于三甘醇脱水作业中介质的燃爆性和毒害性、生产工艺的连续性和复杂性,一旦某一流程出现问题,就易造成天然气泄漏、爆炸轰燃等事故,引发极其严重的后果。目前我国对三甘醇脱水工艺的风险防控问题研究较少,石化企业的脱水站、厂缺乏对隐患信息进行分析管理的方法,难以迅速地对三甘醇脱水工艺区的综合风险进行预先识别及防范。因此,为保障脱水作业安全稳定进行,风险预警体系的建立就显得尤为重要。针对这些问题,本课题进行了以下三个方面研究:1.构建了三甘醇脱水工艺区综合风险预警模型。针对三甘醇脱水工艺区的综合风险管控问题,以脱水站为研究对象,构建了包括人、物、环境、管理四个维度的预警指标体系;采用模糊层次分析法计算该体系涉及的4个一级指标和25个二级指标的综合权重;根据划分的五个预警等级设定各等级的警限阈值,并基于可拓理论的物元评价模型,构建了综合风险预警模型;以西南油气田分公司威20X脱水站为例,计算出该脱水站的预警等级为4级,验证了本文构建的预警模型科学有效。2.基于预测的理念,对关键工艺运行参数进行预控研究,构建了三甘醇脱水关键工艺运行参数预测模型。设计了粒子群(PSO)-BP网络预测模型,将威20X脱水站的160组DCS历史数据导入程序,进行仿真研究;由经典BP模型与PSO-BP模型的性能对比分析结果可以得知,PSO-BP网络算法无论在收敛速度还是在预测精准度方面,都明显优于经典BP神经网络模型,平均相对误差为仅为12.17%;在预测模型科学有效的基础上,设定了报警参数属于异常状态的考核指标(KPI),并制定了预控对策和紧急处理原则,为技术人员对关键工艺运行参数的异常波动情况进行预先控制提供了理论基础。3.设计了三甘醇脱水工艺区预警系统。在上述研究的基础上,运用SSM(Spring、Spring MVC、Mybatis)框架封装了本文研究的两种数学模型并编译了三甘醇脱水工艺预警程序。通过导入脱水站的生产运行数据进行实例计算,演示了整个预警过程,验证了系统能够稳定运行。
基于Docker Swarm集群的高可用性平台研究与实现
这是一篇关于云平台,Docker,Docker Swarm,预测模型,弹性伸缩的论文, 主要内容为随着云计算和微服务技术的发展,将微服务在云平台中部署运行变得非常普遍,容器作为其中一种技术则变得炙手可热,其中容器云平台中的资源能否得到充分利用,微服务能否稳定地在容器中运行是现阶段面临的主要问题。在实际生产环境中,容器云平台负载往往会表现出周期性规律,而局部负载则会表现出不稳定性。针对局部负载的突发性变化,需要根据节点剩余资源对容器资源使用量进行动态地限制。针对周期性负载变化,需要在高负载时段增加计算资源来维持服务质量,而在低负载时段需要根据负载量减少空闲资源以降低成本。因此云平台容器集群的资源限制和动态伸缩是十分必要的。过去关于云平台资源调度问题的研究主要集中在容器创建时的调度,但容器运行生命周期中资源负载具有不确定性。通过预测模型对未来负载进行预测是当前研究的热点,但当前研究主要集中于使用单一预测模型进行实时的预测,由于资源负载短时间内变化大,会造成预测精度低和反复调度的问题。针对云平台的资源动态调度问题,本文首先对容器云平台中相关前沿技术进行研究。其次对主流预测算法进行了对比分析,针对机器学习和深度学习预测模型对小样本预测精度低和耗时长的缺点,利用灰色模型的特点解决了实时负载预测的问题。最后针对传统ARIMA模型低阶预测准确度不高,高阶参数估计困难的问题,通过结合卡尔曼滤波算法,提出了一种基于ARIMA的混合预测算法。基于以上研究,设计了一种基于Docker Swarm平台的中小企业容器资源负载监控、预测和资源动态调度系统,通过对容器负载实时监控,结合容器与节点可用资源之间关系,分别使用灰色模型和ARIMA混合模型对容器负载进行了预测,并根据预测结果对容器进行资源限制和水平伸缩。最后设计了对比实验对平台的性能进行了测试,实验结果表明,本系统保证在满负载状态下节点中微服务容器运行稳定不退出,弹性伸缩模块保证了微服务集群在不同负载情况下都有最佳性能表现,使平台达到高可用性。
基于EWQI指数和多预测模型的乌梁素海黄苔预警系统研究
这是一篇关于乌梁素海,黄苔,预测模型,物联网技术,预警系统的论文, 主要内容为湖泊资源作为陆地最重要的水资源组成之一,具有不可代替的生态功能价值和多种社会经济价值。近年来,富营养化导致的湖泊藻华爆发已经成为水生态安全的突出问题,其直接影响着区域水资源利用及经济的可持续性发展。本文以乌梁素海为研究区,基于2013-2021年的气象、水环境及黄苔等监测数据,综合分析黄苔爆发的特点,借助改进水体质量指数(EWQI),评价黄苔爆发风险,训练筛选预测算法,结合Logistic回归模型,预测黄苔爆发概率,最终开发基于Web端的乌梁素海黄苔预警系统,旨在揭示不同水域黄苔的爆发风险,为乌梁素海水环境及黄苔爆发综合治理提供参考,主要结论如下:(1)基于2013-2020年低频监测数据,筛选关键因子嵌入水体质量指数(WQI)进行改进,形成EWQI指数,进而结合Arc GIS空间插值(反距离加权法)分析对全湖区进行风险评价,将乌梁素海不同水域的黄苔爆发风险划分为非常安全、较安全、预警区和风险区四类;结合实际采样调查数据对评价结果进行验证,评价精度约为88.6%,空间匹配度较高,表明EWQI指数在对乌梁素海黄苔风险评价中有较好的适用性;得到2013-2020年乌梁素海黄苔爆发风险的时空特征,在空间上,总体呈现东部水域>中部水域>西部水域>南部水域;在时间上,黄苔爆发风险逐年下降;乌梁素海黄苔爆发风险与人类活动密切相关,水深较小、水体NH4+-N及COD负荷较大是乌梁素海黄苔爆发的主要原因。(2)基于2021年高频监测数据,训练不同预测算法,筛选出适合乌梁素海的黄苔预警模型。使用5月10日～10月15日的逐日数据作为训练集,将10月16日～21日的数据作为验证集,对预测算法进行训练和验证,筛选出精度最高的SVR模型(R2=0.866),进行乌梁素海未来7日水环境因子数据的预测。进而,构建Logistic回归分析模型,预测2021年5-10月逐日黄苔爆发的概率,结果表明:预测总准确率为84%,其中正确对应水华日29 d,占全部黄苔发生日的76%。(3)基于互联网及物联网技术,利用VUE3和Web GL实时绘制等技术,使用python、my SQL、javascript和html等语言,开发Web端乌梁素海黄苔预警系统,实现用户登录、数据共享、视频监控等功能。同时,在系统中植入了EWQI指数评价方法、SVR预测算法及Logistic回归分析模型,实现了未来7天黄苔爆发风险预警,首次完成了乌梁素海黄苔预警系统的研究与发布。
DevOps云平台相关技术研究与实现
这是一篇关于DevOps,Kubernetes,弹性伸缩,预测模型的论文, 主要内容为随着互联网行业的快速发展,软件频繁的交互换代使得开发、运维工作任务繁重,业内通过实现运维自动化解决问题。DevOps(Development和Operations的组合)的思想就是强调运维工作的自动化,以统一环境的形式实现运维自动化,从而缓解运维和开发的压力。容器技术可以保证环境的一致性,是实现DevOps的最优选择。在容器技术中,以Docker和Kubernetes的组合实现运维自动化的方式成为各大企业部署业务的首选方式。Kubernetes内置的弹性伸缩策略采用基于阈值的弹性伸缩,通过监测业务的资源指标,与阈值对比,从而实现伸缩,属于响应式伸缩。弹性伸缩分为扩容和缩容两个阶段。在扩容阶段使用响应式伸缩,容易造成资源浪费、响应不及时的问题,若通过提前预测未来阈值,提前进行伸缩,这种预测式伸缩则可以规避响应不及时的问题,现有的预测模型多采用传统的算法预测负载,预测精度不高;在缩容阶段采用响应式伸缩不会出现响应不及时的问题,但是缩容时选择删除pod的因素考虑并不全面,集群的负载均衡状态可能因此受到影响,除了原有的状态优先缩容规则外,还应考虑加入集群负载状态的因素。基于以上分析,本文针对Kubernetes内置的弹性伸缩策略展开研究,在此基础上设计实现一个DevOps云平台。主要工作如下:1.为进一步提升负载预测的精度,提出一种混合多步预测模型SSA-Bi LG,首先将初始数据经过奇异谱分析(SSA)后分解成多个趋势分量,接着设计了双向长短神经网络(Bi LSTM)和双向门控循环单元(Bi GRU)的自动编码器网络结构,最后将多个趋势分量分别输入到相应的自动编码器中进行预测,将各预测值求和得到预测结果。在公开数据集上进行对比实验,实验结果表明SSA-Bi LG能够进一步提升预测精度。2.为优化弹性伸缩扩缩容阶段的性能,防止资源浪费、响应不及时等问题,提出一种优化的弹性伸缩策略SHPA,分别对扩容和缩容阶段进行设计和实现。在扩容阶段,使用预测式扩容代替响应式扩容,包括三部分:数据采集、负载预测以及扩容优化,其中负载预测的模型采用SSA-Bi LG。在缩容阶段,根据原有的状态优先缩容策略,设计加入负载均衡因素,优化缩容后集群的负载均衡状态。接着对扩容和缩容两阶段分别进行实验,实验表明SHPA能够解决资源浪费、响应不及时等问题。3.以前述研究为基础,结合某公司“基于Kubernetes的DevOps云平台”项目背景,设计并实现一个DevOps云平台,Kubernetes采用SHPA管理伸缩,实现运维自动化。平台按照软件工程开发规范进行设计和实现。首先对云平台进行需求分析,拟解决代码冗余、运维困难以及异常定位不及时的问题,然后根据需求分析进行总体架构设计以及数据库设计,架构设计包括技术架构和功能架构;功能架构包括三个模块:代码生成模块、项目与应用管理模块以及日志告警模块;其次进行详细设计以及实现,最后对云平台进行黑盒测试、性能测试以及兼容性测试,测试结果满足上线要求。云平台已在公司线上服务器部署运行一年,功能正常,响应速度快,兼容性良好。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站 ，原文地址：https://m.bishedaima.com/lunwen/45233.html
