基于网络搜索数据的疾病流行性研究

摘要随着信息技术的不断发展，通过网络搜索数据的研究已经成为了大数据分析下的热点问题，在流行性疾病领域方面的研究应用更为深入普遍。人与人、人与物、物与物已经相互交织，同时网络数据有能够给人们的生活带来极大的便利、提供大量的有用信息，人类的日常生活已经离不开无处不在的互联网了。流行性疾病的传播速度快、范围广、发病率高，给医院和病人带来极大的挑战，为了缓解流行病爆发给医院带来的诊治压力，以及帮助人们更好的了解和预防流行病，掌握传播途径、发病规律。本文主要探索百度搜索指数在流行病中的实际应用，探索百度指数与流行性疾病之间的关系。本论文对网络搜索数据的相关技术进行了研究，用与流行病相关关键词，借助百度指数从中获取与流行病相关的搜索量随着时间变化的趋势数据，对数据进行回归分析，建立相关数学模型并且分析。发现了流行病的发病时间存在季节性的周期规律，并且百度指数数据与流行病之间存在明显相关性。因此对人们可以利用网络搜索数据预测未来流行病的发展趋势以及就诊量提供一定的帮助。关键词：流行病；百度指数；医疗数据；网络搜索数据

AbstractWiththecontinuousdevelopmentofinformationtechnology,theresearchofsearchingdatathroughtheInternethasbecomeahotissueundertheanalysisofbigdata,andtheresearchandapplicationinthefieldofepidemicdiseasesaremorein-depthandcommon.Peopleandpeople,peopleandthings,thingsandthingsarealreadyintertwined,andatthesametime,networkdatacanbringgreatconveniencetopeople'slivesandprovidealotofusefulinformation.Too.Therapidspread,widerangeandhighincidenceofepidemicdiseasesposegreatchallengestohospitalsandpatients.Inordertoalleviatethepressureofdiagnosisandtreatmentonhospitalscausedbyepidemicoutbreaksandhelppeoplebetterunderstandandpreventepidemics,Masterthetransmissionrouteandthelawofincidence.ThisarticlemainlyexploresthepracticalapplicationofBaidusearchindexinepidemics,andexplorestherelationshipbetweenBaiduindexandepidemicdiseases.Inthispaper,weresearchedtherelatedtechnologiesofInternetsearchdata,usedepidemic-relatedkeywords,andobtainedthetrenddataofepidemic-relatedsearchvolumechangeswithtimewiththehelpofBaiduindex.Modelandanalyze.Itisfoundthatthereisaseasonalperiodiclawoftheonsettimeofepidemics,andthereisaclearcorrelationbetweenBaiduindexdataandepidemics.Therefore,itcanprovidesomehelpforpeopletousethenetworksearchdatatopredictthedevelopmenttrendofthefutureepidemicandthenumberofvisits.Keywords:epidemic;Baiduindex;medicaldata;websearchdata第1章绪论1.1研究背景互联网的普及率指全市互联网用户数占全市常住人口总数的比例，其反映着一个国家或者地区经常使用互联网的比例，同时也被国际上认为是衡量一个国家或地区信息化发达的重要依据。中国互联网中心(ChinaInternetNetworkInformationCenter，简称CNNIC)自1998年每年公布两次“中国互联网发展状况统计报告”，抽样方法不仅十分的先进而且范围广，所以统计结果十分具有权威性[6]。搜索引擎的普及改善了人们只能面对面交流的弊端。互联网技术的高速发展提高了信息的传播速度和传播广度，同时对于人们及时获得大量信息提高了便捷性。而随着互联网的快速发展，网络对于人们的生活已经是不可或缺的了。在日常生活中，当人们生病时，通常会通过搜索引擎对自己的病况根据关键字在互联网上进行搜索，以此获得有用的信息以便进行寻医辅助。例如：咳嗽时，人们就会在网络上搜索咳嗽怎么办、如何快速治愈咳嗽、应该吃什么药、咳嗽应该在饮食中注意什么等。网络搜索(websearch)指的是利用搜索引擎，现在最常使用的搜索引擎是百度、谷歌。在搜索栏输入相关关键词对互联网上的信息进行搜索得到的信息。比如我们想了解冠状病毒，就会在网络上以冠状病毒这一个关键词进行搜索，网上就会出现大量有关冠状病毒的相关信息，我们就可以在成千上万条信息中心找到我们想要的。百度搜索指数是以网民在百度根据关键词进行搜索的搜索量为数据基础,科学的分析并且计算出各个关键词在百度网页搜索中搜索频次的加权和，是目前互联网时代甚至整个数据时代最重要的统计分析平台之一，本文的网络搜索数据就来自百度指数。在数字化疾病监测中，以谷歌流感趋势为代表的搜索引擎数据已经开始显现出其独特的价值。2009年，谷歌流感趋势第一次被提出就引起了广泛的关注，也成为了大数据应用的经典案例[7]。随着网络的快速发展，百度对于中国人民来说已经成为了最主要的搜索引擎。百度搜索指数是根据用户使用关键字进行搜索的搜索量为基础，搜索指数能够告诉我们某个关键词在搜索引擎的搜索规模有多大、关注这些词的网民是什么样的、分布在哪里，同时还搜了哪些相关的词，帮助我们判断关键词的优化价值并决定是否有必要对该词进行优化。同时效率很高，基本上在当天就可以获取到当天的搜索数据量，并且制作成相对应的图形反映关键词的数据变化。传统的流行病指数通常是由相关部门或者政府公布。比如中国疾病预防控制中心（简称中国疾控中心，英文ChineseCenterforDiseaseControlandPrevention，缩写CCDC）官方公布。但是一般情况下数据公布并不及时，当月的数据一般会在下个月的公布，所以，对于流行疾病的预防和控制将会因为延迟产生消极影响。相比之下，百度搜索指数及时记录了用户对于信息的需求和对于流行病相关的搜索关注，对于流行病预防和及时掌握流行病发病规律提供极大的便利性。1.2研究现状利用网络搜索数据对各种实际问题实行预测，不同领域国内外的专家们也都进行了大量且准确的研究，研究结果表明，庞大的数据搜索数据和现实生活中的社会行为有相关性，这对于各领域解决各问题都发挥了重要的作用。2018年，LIS，CHENT，WANGL[1]成分分析支持下的有效旅游量预测及百度指数改进，准确预测旅游量是一项极具挑战性的任务。以北京市和海南省为例，提出了一种基于百度指数的旅游量预测模型PCA-ADE-BPNN。验证了该模型的有效性。结果表明，所提出的PCA-ADE-BPNN在预测精度上始终优于其他模型。因此，文章提出的PCA-ADE-BPNN是有效预测旅游量的潜在候选方法。2019年，周晓丽，唐承财[8]基于网络搜索数据对5A景区的客流量进行了预测研究。5A级景区客流量和网络搜索数据之间确实存在密切的正相关均衡关系和格兰杰因果关系,将网络搜索大数据用于5A级景区客流量预测在方法上具有科学性。引入网络搜索大数据对5A级景区的客流量进行预测,结果的准确度得到了较大程度的提高与传统仅依据历史接待量数据的预测模型相比,引入网络搜索大数据使得5A级景区客流量预测的准确度提高了12.47%。2017年，高佳玲[9]的以均衡价格为理论基础,首先从宏微观角度分析住宅价格主要影响因素是供需关系,并以此进行理论分析,从定性的角度阐述新建商品住宅销售价格与网络搜索关键词数据之间的关系，由此得出结论：网络搜索关键词与西安新建商品住宅价格有较强的相关性;梯度迭代决策树模型融合的预测结果优于单个模型的预测结果,拟合度为0.995；基于网络搜索的相关数据可以比国家统计局提前半个月统计出住宅价格指数，时效性强。2016年，袁恒[10]在基于网络搜索指数的市场预测模型及应用研究中，探究国内网络搜索数据具有的预测价值出发。首先,进行消费者网络信息搜索与产品市场销量间相关性的理论框架搭建;并在此基础之上,建立网络搜索指数合成体系，进行预测模型效果对比研究及网络搜索指数源差异比较分析，得出构建的基于网络搜索指数的市场预测模型实际预测精度更高,并且显示出极强的时效性。在以往相关领域的研究中，搜索数据应用已经十分的广泛，但2017年黄沧达[7]从空间结构角度分析网络搜索数据对手足口病的检测。探讨了在空间上，网络搜索数据行为的差异特征，验证结果表明,联合使用网络搜索数据和历史病例数据进行预测，就会具有最好的预测效果。但网络搜索数据具有一定的偏差且未从本文研究的空间角度对网络搜索量进行偏差纠正，有误差。2017年，张斌儒[11]基于网络搜索数据对旅游需求进行预测，首次引入多模态网络数据(Multi-ModalWebData,简记为MD)并建立BA-RVM-ARIMA&MD混合预测模型。结果表明，BA-RVM-ARIMA&MD混合预测方法能够有效预测，且ARIMA与多模态网络数据的加入与基准模型相比显著改善了预测性能。但对于数据收集受限制，所以对于预测还有待进步完善。崔东佳[12]于2014年，在大数据时代下，依据消费者的搜索记录，在我国汽车的低、中、高端市场分别选取了奇瑞、大众、宝马三个品牌的汽车作为研究对象。利用网络搜索数据与真实的汽车销量简历回归预测模型，进行整协分析和Granger因果检验分析与检验结果表明，相比传统的汽车销量预测方法，论文中的方法有很高的预测精度,预测效果也随着汽车档次提高而高，此方法对汽车实际销售实施监控，相比于传统的统计部门发布的数据要提前很多，具有实用的预测作用。2014年，科学院的孙毅、吕本富和陈航等人做了一篇名为《基于网络搜索行为的消费者信心指数构建及应用研究》，移除了基于网络搜索行为构建消费者信心指数的研究设计，研究表明，基于网络搜索行为的消费者的信心指数比传统的消费者信心指数领先于宏观经济景气一致指数6个月的时间。显然前者的预测预警能力更强，并且对社会零售商品总额短期波动的预测精度更高，相对误差平均降低了30%[13]。同样，以网络搜索数据为基础还可以建立与预测股票市场的关系。刘颖与吕本福等人，在鉴于对网络搜索数据的探索研究中，探索发现了搜索数据与股票市场之间存在着先行-滞后关系[14]。在与本文相类似的对于流感或其他疾病的预测与模型研究，国内外的许多学者也法案表了许多的文章。2004年，JohnsonHA[2]等人研究了健康网站的访问量和流感疫情之间的相关性。2015年，BardakB，TanM[3]利用谷歌和维基百科的访问日志的大数据，利用线性回归模型进行流感爆发预测，以两种来源的大数据进行结合，提高了流感爆发的预测能力。支持向量机在流感预测领域中的应用并不多见。韩国学者WooH等[4]基于社会媒体数据和Web查询扩展建立了支持向量回归模型,证明使用搜索查询提高韩国流感疫情监测具有可行性。2018年，北京大学信息管理系的王若佳[15]通过研究网络搜索数据与我国流感方面疫情的内在机理,利用数据搜索关键词的时序特征实现了较为精准的提前预测。2016年，王若佳在互联网搜索数据的流感预警模型比较与优化中，依据百度搜索数据，分析中文网络关键词和我国流行性疾病监测结果的相关性,通过比较优化模型与仅基于历史信息的时间序列模型、基于搜索数据的最优模型,发现历史数据和搜索数据包含的信息具有一定程度的互补性,联合使用两种数据以此进行预测具有最好的预测效果。总的来说，国内外的研究都涉及定型或定量的研究方法来研究基于网络搜索数据的相关领域研究，注重基于关键词的搜索，以及分析大量数据调查显示结果来研究。对于基于网络搜索数据的疾病流行性研究，能够切实掌握流行性病爆发时段、地区，可以实现资源的合理有效配置。1.3研究内容分析互联网对于目前社会的必然存在性以及搜索数据已经成为了大趋势事物现状，分析对于疾病流行性基于网络搜索数据研究产生的背景，并且将国内外关于网络搜索数据在相关领域的研究进行深入了解学习，分析研究的优缺点，发现问题找到创新点。将当前利用网络搜索数据预测流行病的几种方法和模型展开综述进行学习。本文将借助百度指数平台获取与流行病有关的关键词的搜索量随着时间变化的趋势数据整理从而作为基础进行研究，并且分为周记与月记进行数据分析，建立数学模型并分析，我们就可以从结论中得知流行病的发病的一般性规律，流行病在全年的哪个时间段更容易爆发。提高基于网络搜索数据的疾病流行性研究的规律准确性。旨在探索网络搜索数据（百度搜索指数）对疾病流行性的预测作用主要探索的是网络搜索数据在流行性疾病中的实际应用，论文中使用的网络搜索数据均来自百度搜索指数近五年的关键字搜索数据。拟分析基于咳嗽、鼻塞、发热、腹泻、拉肚子、拉稀等关键词获取到的百度指数（PC+移动）的特点和规律，根据相关的数学原理进行描述性分析得到数据分布情况以及数据间的相关性分析。重点进行回归分析并且构建多元回归模型，根据回归结果，预测得到的咳嗽就诊值，将拟合值与观测的数据的作对比得出正确结论，网络搜索数据对于流行性疾病预测的必要性。并且在采集的数据中拟运用eviews探究百度指数数据自变量的相关性，并且进行单位根检验和协整检验确保数据平稳且真实。根据建立的模型，采用eviews得到的回归结果进行预测分析得到正确结论。1.4研究方法1.文献检索法。首先本文的研究是基于阅读学习大量的参考文献之上，基于网络搜索数据在流行病以及其他领域的研究，分析不同的研究方法与结论，找出以前研究的优点与不足，在应用中避免研究的重复性，在学习国内外一些研究时，无法进行亲自调查研究，需要借助文献搜索法，通过相关资料进行内容整合。2.比较分析法。对当前利用网络搜索数据预测流行病的几种方法进行比较，对模型展开综述，学习其中的优点并找到不足之处，找出差距并进行本论文研究的相关创新。3.数量研究法。本文将通过对流行病关键词的回归分析，研究其说一句间的相关性进行模型塑造，以此来达到以网络搜索数据为基础的疾病流行性研究的正确认识与研究预测作用。4.统计分析法。统计分析方法主要应用于数据的分析和处理，将对使用网络搜索者调查所得的数据、百度指数相关数据通过相关软件进行分析，发现各个变量之间是否存在假设所提出的关系，进而判断假设是否得到支持，理论框架是否合理。1.5创新点本文所做的研究是基于百度指数走索数据的疾病流行性的相关，虽然并不是先例，但是本文仍然有可取的创新之处，对流行病的预防与控制仍然有价值。本文的创新点如下：谷歌流感趋势在2009年第一次被提出就引起了广泛的关注，在大数据的应用也成为了经典案例。关于流感疫情和网络搜索数据的研究在2000年以来就人做相关的文章了，但是数据基本上都是基于Google搜索引擎或者其他媒体，而本文是基于中国人习惯于用的百度搜索引擎，百度搜索指数以全球最权威的中文检索数据为基础，具有较高的可信度。[16]并且更贴近中国人民，所以更能反映中国人民搜索流行病的实际情况，满足对于流行病的研究的需求。基于百度搜索指数相关研究涉及多方面，比如预测未来一段时间的汽车销量、某旅游景点客流量等。但是本文是关于医药卫生领域方面的流行病研究，通过对于咳嗽、鼻塞、发热、腹泻、拉肚子、拉稀等关键词的搜索和统计，建立关键词相关的流行病预防研究，不仅可以提供数据给相关部门和医疗机构参考，缓解流行病爆发给医院带来的压力，还可以让市民了解流行病爆发的规律和规模，能够帮助市民更好地加强措施预防流行病。在传统的分析数据的方法上，增添了建立模型展现二者的关系，模型基于真实数据，使得结果更加准确、客观。1.6论文结构分析百度搜索数据进而成为研究网络大数据的主要内容，在将信息应用到流行病的预防监管中，是本文的主要研究思路。本文一共分为六部分。第一章绪论，绪论中重点阐明基于网络搜索数据的疾病流行性研究的重要性和必要性，提出研究问题。详细梳理了与本文研究相关的国内外文献的优缺点，阐述本文的论文结构、研究内容与研究方法。整理本文中的创新点。第二章理论基础与预测研究，具体阐述本文应用中涉及到的基本理论知识，并且将对当前利用网络搜索数据预测流行病的方法做综述分析，找到相对应的文献，举出实例。第三章数据的获取与分析，具体阐述百度搜索指数的采集，并且分析这些数据的特征。奠定模型理论与数据基础。第四章基于已有研究成果构建数据模型，对数据进行描述性统计分析，分析模型变量特征以及相互之间的关联性，进一步探讨网络搜索数据和流行病间的关系使用单位根检验与协整检验对数据的平稳性和非伪回归性进行检验。第五章实证分析，选择百度指数的PC端和移动端建立模型，是因为整体趋势是PC和移动的总和，这样做是为了避免变量间完全共线性，构建状态空间模型，对相关变量进行分析，形成最终的理论模型，做回归模型预测结果分析，验证结论。第六章总结与展望，发现本文中存在的不足，对将来研究提出可用性建议。本文旨在探索网络搜索数据（百度搜索指数）对疾病流行性的预测作用，发现两者之间存在的联系，利用数据研究流行病，切实对公共健康数据进行网络监控，降低医护人员面对流行病爆发的就诊压力，促进全民健康。

第2章理论基础与预测研究2.1理论基础本文以WilsonTD[5]对信息搜寻行为和信息检索行为的定义作为理论基础。信息搜寻行为是指人们以满足自己某种目标为目的的搜寻信息的行为，搜寻过程中，可以使用各种各样的方法搜寻到并且使用信息资源，如与计算机系统的交互、与人的交互等。信息检索行为是信息搜寻行为的子集，它特别关注的是用户端与计算机系统之间的相互作用。从定义中可以得知，用户端与计算机系统进行交互并且相互作用是信息搜寻行为的一部分，而且，也是用户信息需求的最终结果。因此本文中对于信息的检索主要是于计算机系统法进行交互获得所需要的相关信息，使用计算机网络进行健康信息的浏览、选择和利用。现有调查显示[17]，大多数个体因自身身体健康原因就会需要健康信息。更有学者将健康信息需求直接定义为当个体出现自我不适反应对健康状况表示怀疑时，会主动需求相关健康知识[18]。2.2基于网络搜索数据的预测研究目前，基于网络搜索数据的疾病预测研究中，主要的方法包括以下三种：（1）关键词的时序变化关键词搜索量的峰值与事物变化趋势的峰值在时间上的对应。识别出关键词的时序特征时可采用时差相关分析法和峰谷对应分析法。其有预测特征高的关键词能够预测某一领域的未来[19]。卢洪涛等[20]以H7N9为关键词对时序变化特征进行了分析，得出关键词时序变化特征就是网络搜索关键词的搜索量变化趋势与分析预测对象变化趋势之间存在时间上的领先、同步或滞后特征，发现具有高预测特征性的词主要在禽流感病毒和疾病的名称上，指出可以运用这些关键词预测H7N9爆发初期的趋势。状态空间模型（statespacemodels）状态空间模型是以隐含着时间为自变量的动态时域模型，是分析指定时间序列数据之间是否存在同时、领先等相关关系。杨艳红等[21]使用状态空间模型以关键词“乙肝”分析了对比谷歌趋势与乙肝实际发病数据，并预测未来25周乙肝情况，总误差为8.02%。动态线性模型（dynamiclinearmodels）动态线性模型由测量方程和状态方程两部分组成，测量方程是根据时刻t的参数向量描述时刻t对应的因变量Y，状态方程是可建立时刻t的参数向量与下一时刻参数向量之间的联系，从而达到预测的目的。综上所述，目前基于网络搜索数据的预测研究的方法比较少，且多使用线性模型。根据关键词的网络搜索数据和流行病之间的关系受地域、季节变化等多重影响，所以两者之间可能将会呈现非线性关系，所做的线性模型将难以很好的拟合。因此本文根据流行病关键词时序变化趋势，融合相对应的百度搜索指数，进行回归分析做出模型，在线性模型拟合的基础增加对搜索数据是否平稳的单位根检验和避免出现伪回归的协整检验，为相关搜索数据的研究提供参考。2.3基于网络搜索数据的预测研究优势生活环境的改变会导致疾病爆发频率的加快和病毒变异的快速性。近几年，甲型H1N1流感、禽流感等全球性的流感爆发给世界各地区造成了极大的健康威胁和损害。之前人们只有在流感大面积爆发的时候才会采取相应的措施，在这样就会消耗大量的人力物力财力。相对于传统的流行病监测系统，网络搜索引擎监测具有明显的优势：（1）收集省时且迅速，能更快的掌握发病规律。（2）无地区限制，可以随时调取全国各地区的搜索趋势。（3）节省大量的人力、物力、财力。降低成本。（4）提高对未来流行病爆发的预测能力，更好地更好地监护和促进全体公民的身体健康。2.4基于网络搜索数据的预测研究意义基于网络搜索数据研究，在许多专业领域都有十分重要的预测作用。基于网络搜索数据的疾病流行性的相关预测研究，对于公民、医院和政府都有不同的益处。1.网民：通过百度搜索捷径能够及时预防和发现流行病特征，找到对应的解决办法。网络公众用自己的每一次点击、搜索强化关键词搜索量的同时，与关键词相对应的关联词得到强化，从而营造更准确的数据环境，为大数据挖掘与搜索带来便利。2.医院：线上搜索量的变化趋势，可以为医院提供预测数据，在难以预测的流行病爆发前能够有效预测，既可以缓解流行病爆发给医护带来的压力，还能够提前准备人力、物资，控制传播范围，对患者提供最大的帮助。3.政府：作为网络监管法律法规的制订完善者和网络空间的重要参与者，政府在面对不同的网络词，应该从掌握网络搜索总量的角度出发，将搜索数据与流行病的医疗诊断数据进行结合，在流行病大面积爆发之前，制订相应的应急处置预案，同时防范因病情的不稳定带来的人力、财力的损失，切实保障公民的合法权益。

第3章数据获取与统计分析3.1数据的获取本文采用的数据是基于咳嗽、鼻塞、发热、腹泻、拉肚子、拉稀等关键词获取到的百度指数（PC+移动）。3.1.1百度指数本文的网络搜索关键词指数通过百度指数获得。该数据库是以百度搜索引擎用户的搜索数据行为为基础的数据分享平台。以关键词为统计对象，将用户的搜索数据行为记录下来，用以反应在特定的时间段内不同关键词的相关搜索趋势以及网民的关注变化采取的是百度指数（PC+移动）提供的周数据，数据来源网址地/，数据统计地点为北京，采取数据时间是2014年12月底至2020年2月初共265周的数据和2015年1月-2020年1月共61个月的月度数据。将获得的搜索数据加入数据模型以用作参数估计。百度指数数据共分为三种类型，分别是：整体趋势、PC端趋势、移动端趋势。3.1.2百度指数数据的获取本文所有数据均来自百度指数。第一步：关键词查询：咳嗽、鼻塞、发热、腹泻、拉肚子、拉稀依次查询。查询地点：北京。查询时间间隔：一周（2014.12.29-2015.01.04）。表3-1咳嗽、鼻塞、发热周数据图id关键词区域时间搜索指数Pc趋势移动趋势1咳嗽北京2014-12-29~2015-01-045601893711咳嗽北京2015-01-05~2015-01-115211663551咳嗽北京2015-01-12~2015-01-185391713681咳嗽北京2015-01-19~2015-01-254761583181咳嗽北京2015-01-26~2015-02-014231502732鼻塞北京2014-12-29~2015-01-04245801662鼻塞北京2015-01-05~2015-01-11233781552鼻塞北京2015-01-12~2015塞北京2015-01-19~2015-01-25238771612鼻塞北京2015-01-26~2015-02-01240811583发热北京2014-12-29~2015-01-0415165863发热北京2015-01-05~2015-01-1115165863发热北京2015-01-12~2015-01-1814766813发热北京2015-01-19~2015-01-2514867813发热北京2015-01-26~2015-02-011476483表3-2腹泻、拉肚子、拉稀周数据图id关键词区域时间搜索指数Pc趋势移动趋势4腹泻北京2014-12-29~2015-01-04200921084腹泻北京2015-01-05~2015-01-11212951174腹泻北京2015-01-12~2015泻北京2015-01-19~2015-01-25203851184腹泻北京2015-01-26~2015-02-01208821265拉肚子北京2014-12-29~2015-01-04291921985拉肚子北京2015-01-05~2015-01-112931001935拉肚子北京2015-01-12~2015肚子北京2015-01-19~2015-01-25287881995拉肚子北京2015-01-26~2015-02-01275901856拉稀北京2014-12-29~2015-01-0416369936拉稀北京2015-01-05~2015-01-1116369936拉稀北京2015-01-12~2015-01-1815256976拉稀北京2015-01-19~2015-01-25162611016拉稀北京2015-01-26~2015-02-011616597第二步：将获取的数据做成周数据表格。实例：表3-3关键词咳嗽、鼻塞、发烧查询周数据总览图时间咳嗽（周数据）鼻塞（周数据）发烧（周数据）搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势2014-12-29~2015-01-045601893712458016615165852015-01-05~2015-01-115211663552337815515165862015-01-12~2015-01-185391713682378215514766812015-01-19~2015-01-254761583182387716114867812015-01-26~2015-02-014231502732408115814764832015-02-02~2015-02-084221352872418016114564812015-02-09~2015-02-154061302762167214413052782015-02-16~2015-02-22338942441624411812250712015-02-23~2015-03-013821122702127413814065752015-03-02~2015-03-084081512562207914014467762015-03-09~2015-03-153941332612017612514665812015-03-16~2015-03-224001302702187214614467772015-03-23~2015-03-29389118271239791601386078表3-4关键词腹泻、拉肚子、拉稀查询周数据总览图时间腹泻（周数据）拉肚子（周数据）拉稀（周数据）搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势2014-12-29~2015-01-04200921082919219816369932015-01-05~2015-01-112129511729310019316369932015-01-12~2015-01-18203921112918920215256972015-01-19~2015-01-252038511828788199162611012015-01-26~2015-02-01208821262759018516165972015-02-02~2015-02-08231841472749218215263892015-02-09~2015-02-15224841402778818915763942015-02-16~2015-02-22207681392586819015161892015-02-23~2015-03-012459315128680206169651042015-03-02~2015-03-08232961362848619815968912015-03-09~2015-03-152338015327676200160601002015-03-16~2015-03-22212881242557717815962982015-03-23~2015-03-2919186105254741801556392第三步：再将其统计为以月为时间单位的数据统计表。统计时间为：2015年1月-2020年1月。（2014年12月29-2014年12月31日、2020年2月1日-2020年2月2日忽略不计）。如表3-5、3-6：表3-5关键词咳嗽、鼻塞、发烧查询月数据总览图时间咳嗽（月数据）鼻塞（月数据）发烧（月数据）搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势2015/1/315031653382387915914865832015/2/283861182672096814113358762015/3/313981322662207614314464802015/4/303921152762057113314866822015/5/313931182751776711014460832015/6/30373117257147588914563822015/7/31373131242160659514057832015/8/314441492951746610814262802015/9/304171222951836611713758792015/10/314581343241866512113357762015/11/305541484062056414113658782015/12/31643167475224701541426281表3-6关键词腹泻、拉肚子、拉稀查询月数据总览图时间腹泻（月数据）拉肚子（月数据）拉稀（月数据）搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势搜索指数Pc趋势移动趋势2015/1/31205891162899219716063972015/2/28226811452738219115763942015/3/31218881302687919015963952015/4/30227821452657519015460952015/5/31225811442837920516162992015/6/302659317235196255174631112015/7/3124399144348100248169591102015/8/312159412231994225167611062015/9/30195841112647818614860882015/10/31209801292397316714362812015/11/30209811282267015613855832015/12/31214821322377316413952883.1.3数据整理原则咳嗽、鼻塞、发热、腹泻、拉肚子、拉稀六个关键词的周数据是从2014年12月29日-2020年2月2日。由于一些月份并不都是一样的天数，为了保证能够获得整周的数据，所以将时间分别提前3天和延后2天，以保证能够获得265周的整数据。六个关键词的月数据是从2015年1月1日-2020年1月31日。共31个整月，将周数据中2014年12月份的3天和2020年2月份的三天全都省略以保证2015-2020的月数据的整月性。3.2数据分析把获取到的百度指数的月数据制作成折线图分析其走势。图可以分为以下两类。第一类图：单一关键词折线图如下咳嗽月数据趋势如图3-1所示。图3-1咳嗽月数据折线图从图3-1可以看出，从2015年1月-2020年1月，以咳嗽为关键词在pc端的搜索量均在200以下，占百度搜索指数搜索数据量的一小部分。在每年十二月份左右，总咳嗽搜索指数明显增加，但pc端仍数据波动起伏小。图中可以看出。移动端咳嗽搜索数据占总搜索数据的大半比例，且随着总搜索量在各个月份的变化，移动端搜索的指数折线与总搜索的折线走势基本一致，说明在咳嗽高发期，总搜索量变化的是由移动端的搜索量变化引起的，说明现在市民更倾向于用移动端搜索流行病的相关数据。从全图来看，每年的10月份到次年1月份，是每年咳嗽量不断增长且达到最高的时间段，说明寒冷空气对人们的呼吸道有重大影响，应该多加注意。且在每年1月到4月份，搜索量逐渐降低但仍然处于高搜索量，在这段时间人们应当注意季节变更、过敏等带来的影响。拉肚子月数据趋势如图3-2所示。图3-2拉肚子月数据折线图从图3-2可以看出，拉肚子pc趋势在50-100之间上下波动且对于总体趋势数值较小。移动趋势和总体趋势走线大致相同，说明在搜索关键词拉肚子上，人们更倾向于利用移动端进行搜索，移动端的数据占比总的搜索指数很大也证实了这一点，移动端的搜索量大幅度超过pc端搜索量。无论拉肚子的高发期还是一般时间，人们更倾向于移动端搜索。从2015年-2020年的总数据来看，每年的4-7月份，拉肚子搜索量急剧增加，拉肚子搜索数据量的最高点在2015年7月、2016年7月、2017年7月、2018年7月、2019年7月。且在六、八月份都处于很高的搜索量。说明在炎热的夏季，因为气温升高，凉爽的饮品或者食物更容易质变都容易导致人们拉肚子。所以在这几个月份，我们应该更注意食品饮食健康。第二类图：多近似关键词搜索指数折线图拉肚子、腹泻、拉稀月趋势如图3-3所示。图3-3多近似关键词数据指数（拉肚子、腹泻、拉稀）从图3-3中可以看出，图中是三个近似关键词（拉肚子、腹泻、拉稀）的折线图，这三个近似关键词都是书面解释相近的词，在图中可以看出三个关键词的搜索数量虽然有差距，但是2015年-2020年的数据月搜索的走向大体上是一致的，说明，在三个指数中有一个指数如果被搜索，那么其他两个指数也大概率会被搜索。三个关键词意思相同，但是相对而言搜索量和搜索趋势却不相同，对于拉肚子，不仅搜索趋势变化幅度大，而且在三个关键字中搜索量也是最大的，说明在这三个关键字中，人们常用拉肚子关键词的进行搜索，并且拉肚子关键词常用做解决腹泻和拉稀问题的解决。三个关键词指数都在2015-2020年的7月份明显的大幅度增加达到当年最高值，说明7月份左右是人们搜索拉肚子的高频率阶段，也是能够反映在这一段时间，拉肚子、腹泻、拉稀关键词相关联的流行病在高频率的暴发中。高温环境导致食物容易变质或冷饮都会导致人们搜索量的增加。2015年-2020年期间唯一出现交叉点是拉肚子关键词与腹泻关键词在2020年1月份出现的，2020年1月拉肚子、拉稀关键词的搜索量小幅度上升，但腹泻搜索量大幅急剧增加，超过了一直处于领先搜索量的拉肚子关键词，说明这个月人们以腹泻作为关键词以代替拉肚子和拉稀进行搜索解决事情的人数增加了。2020年1月份是容易感染病毒的季节，在寒冷的时间，一些病毒容易发生变异通过一些途径进入人体环境导致腹泻或者别的症状导致腹泻关键词急剧上升，人们应当在这段时间多注意饮食卫生。咳嗽、鼻塞、发烧月趋势如图3-4所示：图3-4多近似关键词数据指数（咳嗽、鼻塞、发烧）从图3-4中可以看出，图中是三个近似关键词（咳嗽、鼻塞、发烧）的数据折线图，在以往中人们鼻塞往往是由感冒引起的，感冒会造成人体支气管的不适，就会引发咳嗽。从图中2015-2020的搜索数据中可以看出来，虽然在搜索数据上两个关键词的搜索数据有差异，但是在整体趋势上，咳嗽与鼻塞的大致走向是相似的。在每年的7月份，咳嗽与鼻塞都会呈现下降甚至这一年的最低搜索数据，说明在一整年12个月份中，7月份不容易引起咳嗽、鼻塞等症状的病痛。而在2015-2020中每一年的1月份是咳嗽与鼻塞搜索量的峰值，并且虽然发烧在近5年的搜索数据趋势上看变化并不大，但是在每一年的1月份可以看到仍然是这一年的峰值。在每年的1月份左右，以咳嗽、鼻塞、发烧为关键词的搜索数据大幅度上升，说明在1月份因为处于四季中的冬季，人们容易因为季节的转换、气温的降低而感冒发烧引起鼻塞、咳嗽等相关症状。所以在每年的冬季，12月、1月、2月期间，人们应该注意低温天气的保暖以及注意防护流行病毒的传播。从图中可以看出2015-2020年，发烧的数据虽然有小幅波动，但是几乎是趋于平稳状态，但在2019年末至2020年1月份，发烧关键词的搜索指数急剧上升，指数数据是近5年的搜索数据的最高且仍有上升趋势，说明在2019年末-2020年1月份，发烧人数大幅提高，以发烧为第一特征的突发相关疾病已经开始在蔓延了。在相关关键词大幅上升月份，人们一定要注意自身防护，春节期间少去人群密集的地方，并且生病应当及时就医。

第4章数据建模4.1描述性分析本节首先对数据进行描述性分析，描述性分析可以看到数据分布情况，其数学原理如下：均值：均值采用算术平均值，设表示各指标，表示购买次数，则有公式(4-1)标准误差平均值：公式(4-2)方差：公式(4-3)最小值、最大值即为所有指标的最小和最大的值。表4-1描述性分析结果NMeanStd.DeviationMinMax咳嗽index61518.57123.26329875pc_index61116.3629.9255171move_index61402.30110.72232724鼻塞index161210.5230.72147292pc_index16165.286.224879move_index161145.1826.9689213发烧index261141.8017.95118259pc_index26157.306.244077move_index26184.5714.4072182腹泻index361230.5227.51186324pc_index36179.678.595499move_index361150.8526.50111270拉肚子index461283.9250.15210434pc_index46177.318.6862100move_index461206.6944.45135342拉稀index561153.8914.97128190pc_index56156.515.364565move_index56197.3612.2473125由上表可知，不同关键词搜索结果的均值各不相同，需要进一步做研究，以分析其关系。4.2相关性分析本文仅选择百度指数的PC端和移动端趋势的数据建立模型，是因为整体趋势即是PC和移动的总和，而这样做是为了避免变量间的完全共线性，需要对各指标进行关联性分析，得到Pearson相关系数，相关性系数的数学原理如下[3]：公式(4-4)公式(4-5)公式(4-6)式中，和分别是变量，为样本总数，为样本均值，为总体均值，为标准差。同时，皮尔逊相关还有如下约束条件：两个变量间有线性关系变量是连续变量变量均符合正态分布（4）两变量独立本文运用Eviews探究百度指数数据自变量的相关性，得到相关系数如下表所示：表4-2百度指数数据的相关系数咳嗽A咳嗽B鼻塞A鼻塞B发烧A发烧B腹泻A腹泻B拉肚子A拉肚子B拉稀A拉稀B咳嗽A1咳嗽B0.3071鼻塞A0.4940.1331鼻塞B0.2020.6830.5171发烧A0.3040.0080.2980.11发烧B-0.2630.423-0.1970.3290.4171腹泻A0.366-0.4390.179-0.5110.277-0.41腹泻B-0.551-0.007-0.553-0.1830.2250.623-0.0581拉肚子A0.08-0.525-0.02-0.5890.248-0.2290.8030.1441拉肚子B-0.201-0.32-0.437-0.5820.083-0.0470.4570.5780.5991拉稀A0.138-0.4180.239-0.3670.395-0.1110.7170.1280.6430.3761拉稀B-0.493-0.388-0.445-0.578-0.0380.0430.3240.6710.5670.8580.3411注：A表示PC端搜索次数，B表示移动端搜索次数从表4-2中可以看出，百度指数的数据具有较高的相关性。以咳嗽为例建模研讨流行病发病规律。由图来看，咳嗽的历史就诊数据有比较明显的季节性现象，也就是每年基本有一个患病高峰期，就是1月。因此，本文考虑构建包含季节性周期的状态空间模型。公式(4-7)其中，,为周期长度。将数据代入（4-7）式，经过求解，得到图1。从建模的结果来看，咳嗽具有明显的季节性周期特点，一般的，每年1月和12月咳嗽高发期（冬天），而每年的5-9月则相对发病较少。图4-1咳嗽的季节性周期图4.3单位根检验由于本文所采用的是时间序列数据，所以可能会存在着序列是否平稳的问题。在进行多元回归模型分析前，先检验序列是否满足平稳性条件。本文同样采用Eviews利用ADF检验对咳嗽的搜索数据进行平稳性检验，结果如表4-3所示。表4-3单位根检验结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-4.3461920.0010Testcriticalvalues:1%level-3.5550235%level-2.91552210%level-2.595565由上表可知，ADF检验值为-4.346192，小于1%水平的-3.555023，且P值为0.0010，因此，序列通过了1%水平的检验，其是平稳序列。4.4协整检验“伪回归”即是各个变量之间的关系是很偶然的得到的，并非真实的关系。常常出现在非平稳序列中，那么为了避免出现“伪回归”，会对非平稳序列进行协整关系检验。协整关系的基本思想是尽管有可能存在多个非平稳的变量，但是这些非平稳的变量之间能够构成平稳的线性组合关系，也就是说长期的均衡的关系存在于这些非平稳的变量之间。协整的意义在于它揭示了变量之间的因果关系是否长期均衡的。如果协整关系存在于多个变量之间，说明多个变量构成的因果关系是长期存在的，反之则不存在。尽管有时候多个变量直接不满足协整关系，仍能得到变线性组成关系，但是该组合关系是偶然的，并非长期存在的。各个变量都满足同阶单整是协整检验的前提，根据前文对咳嗽的单位根检验结果可以看出，变量的原变量是平稳的，故满足协整检验的条件，可以进行协整检验。本文使用Eviews8.0软件利用Johansen协整检验对变量的协整检验，得到的结果如表4-4和4-5所示。表4-4秩检验协整结果HypothesizedTrace0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*

0.303846

26.18381

15.49471

0.0009Atmost1*

0.085393

5.177122

3.841466

0.0229表4-5最大根检验协整结果HypothesizedMax-Eigen0.05No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*

0.303846

21.00669

14.26460

0.0037Atmost1*

0.085393

5.177122

3.841466

0.0229由上表可知，秩和至少存在一个根的P值为0.0229，小于0.05，通过了5%水平下的协整检验，因此可以进行回归。

第5章实证分析5.1模型建立根据前文的分析，本章对咳嗽建立的回归模型如下：公式(5-1)式中，表示第月期咳嗽就诊量，表示第月的咳嗽搜索量，表示回归方程常数，表示时间的系数，表示残差。5.2回归结果根据建立的模型，采用eviews得到的回归结果如表5-1所示。表5-1回归结果CoefficientStd.Errort-StatisticProb.

C(1)517.92797.54E-096.87E+100.0000C(2)0.0208362.11E-10985318290.0000R-squared0.996597

Meandependentvar518.5738AdjustedR-squared0.984373

S.D.dependentvar0.369892S.E.ofregression2.91E-08

Akaikeinfocriterion-31.83641Sumsquaredresid4.99E-14

Schwarzcriterion-31.76720Loglikelihood973.0105

Hannan-Quinncriter.-31.80929F-statistic1971.334

Durbin-Watsonstat1.792908Prob(F-statistic)0.000000由上表可知，回归方程的F值为1971.334，P值为0.0000，通过1%置信水平下的检验，R2为0.996597，表明回归结果拟合度较高。各系数的P值为0.0000，同样通过了1%置信水平下的检验。因此，说明方程显著，各系数显著，回归结果有效。在其他不变的情况下，咳嗽搜索量每增加1个单位，咳嗽的搜索数量增加517.9289个单位。表5-2残差序列单位根检验结果t-StatisticProb.*AugmentedDickey-Fullerteststatistic-6.3218200.0000Testcriticalvalues:1%level-3.5683085%level-2.92117510%level-2.598551残差的单位根检验结果表明，序列在1%置信水平下显著，说明残差序列平稳，验证了方程的有效性。5.3回归模型预测结果分析根据回归结果，预测得到的咳嗽就诊值，将拟合值与观测的数据的对比见图5-1，拟合曲线基本和观测曲线的趋势基本一致，能够较好的表现出实际就诊数量的变化和趋势，也说明了模型的拟合效果相对较好。图5-1咳嗽的就诊观测数据与拟合数据的对比观测值、拟合值和残差之间的对比结果如表5-3所示。表5-3观测值、拟合值和残差对比time观测值拟合值绝对误差误差率（%）2015m1503845.24342.2468.042015m2386558.51172.5144.692015m3398565.52167.5242.092015m4392495.16103.1626.322015m5393463.5670.5617.962015m6373400.5527.557.382015m7373398.5325.536.842015m8444455.1611.162.512015m9417423.896.891.652015m10458483.8825.885.652015m11554589.0835.086.332015m12643674.7031.704.932016m1693720.7827.784.012016m2537546.759.751.822016m3563550.9712.032.142016m4490499.819.812.002016m5580480.0699.9417.232016m6494424.3169.6914.112016m7495422.7672.2414.592016m8571468.02102.9818.032016m9573446.18126.8222.132016m10622492.70129.3020.792016m11790566.21223.7928.332016m12875624.97250.0328.572017m1738704.3433.664.562017m2736538.99197.0126.772017m3544552.468.461.552017m4481499.7118.713.892017m5406465.5859.5814.672017m6385403.7918.794.882017m7396404.338.332.102017m8455456.941.940.432017m9474433.7840.228.482017m10469485.1016.103.432017m11575586.7111.712.042017m12692661.2130.794.452018m1747701.6445.366.072018m2463552.1489.1419.252018m3595549.6445.367.622018m4574502.9171.0912.392018m5519476.4042.608.212018m6452417.6834.327.592018m7430411.7018.304.262018m8431454.1523.155.372018m9329404.8175.8123.042018m10502487.4014.602.912018m11540592.0352.039.642018m12584696.94112.9419.342019m1799686.23112.7714.112019m2572545.7026.304.602019m3625548.3476.6612.272019m4571503.0767.9311.902019m5490474.3315.673.202019m6399407.348.342.092019m7361396.2635.269.772019m8408451.2043.2010.592019m9388419.0131.017.992019m10371477.41106.4128.682019m11433613.69180.6941.732019m12476756.13280.1358.852020m1606765.11159.1126.26由上表计算得知，模型的预测值能较好的拟合观测值，其绝对误差为71.60，绝对误差率为13.82%。综上所述，只要明确具体的月份就可以了解当月的周期性特点，进而做好相应预防措施。而网络搜索数据因为获得速度高效，一般会早于医院的就诊数据。所以比如可以利用当月上半月的搜索数据（1.5倍）作为对当月搜索数量的预测，这样就可以利用网络搜索数据来预测未来某段时期的流行疾病的就诊量。

第6章总结与展望6.1总结大数据背景下的互联网发展迅速，基于网络搜索数据的疾病流行性研究已经成为当前预测患流量的一项重要手段。所以基于网络搜索数据的研究在互联网时代显的尤为重要。通过这段时间的设计与开发，总体上完成了以下几项工作：研究了相关互联网搜索数据的理论、获得百度数据的途径方法，参考了基于网络搜索数据在各领域的应用研究，对于网络数据的提取与应用有了一定的认识与了解。了解了当前利用网络搜索数据预测流行病的几类方法，学习了有关描述性分析数据的相关数学公式、线性回归相关理论。从而为实现数据分析，构造模型的实现提供了解决方案。在数据分析之上进行了数据的相关验证理论学习，分别是单位根检验和协整检验，验证了数据的平稳性和非“伪回归”性。根据建立的模型，采用eviews得到回归结果，验证了结论。本文以咳嗽为例建模研讨流行病的发病规律，利用收集的百度指数数据做的相关系数图中可以明显发现，咳嗽具有明显的季节性现象，也就是每年都有一个患病高峰期，从文中得出的结论就是每年的一月份。本文构建包含季节性周期的状态空间模型，从建模结果来看，咳嗽具有明显的季节周期性特点，一般的，每年1月、12月为高发期，5-9月相对发病较少。本文根据咳嗽建立回归模型，根据回归结果，预测得到咳嗽就诊值，发现，拟合曲线趋势与观测曲线趋势基本一致，回归模型能够较好的表现咳嗽的变化趋势，拟合效果相对较好。只要明确具体的月份就可以了解相关关键词疾病当月的特点。网络搜索数据获得速度一般早于实际就诊数据，可以利用网络搜索预测结果来预测某段时期的流行疾病的就诊量，医院就可以提前做好预防准备，提高效率。6.2不足与展望本论文只选择了近5年的网络搜索数据进行数据分析，时间跨度小，得出的结果误差相对较高；反映某一种流行病的相关关键词有很多，但是本文只选择了一小部分关键词数据进行分析，所得出的相关推论代表某一种流行病缺乏大量数据验证结论，缺乏科学严谨性；因采集工具的原因，数据并不能保证100%准确，增大了最终分析结果的误差；因流行病有地域差异性，而本文中所用的数据选择的地区仅是北京地区，占全国总人数比率低，不能完全代表整个中国人民的实际数据，误差较大。基于网络搜索数据的疾病流行性研究涉及多方面的理论知识、技术方法，本文还有很多新问题需要解决，需要在现实生活中不断运用发现不足与进步之处，在以下的几个方面，还需要做进一步的研究和开发：论文中只考虑了相关流行病的少数关键词，而每一种流行病的关联病症有许多，在关联关键词数据上还应该使用大量的数据进行验证，降低代表流行病的误差性。因数据分析能力限制，本论文仅选择的是北京地区，因地域差异性，某一地区并不能代表广大的中国地区的流行病，将来需要改进数据分析方法，增强数据分析能力，将国内大部分地域特征明显的地区列入分析范围，降低误差，提高分析结果的可信度。本文使用简单的多元线性回归，仅eviews使用单位根检验和协整检验，误差虽然有减小，但综合多种因素回归模型还有很大的提升空间。

结语本文旨在探索网络搜索数据（百度搜索指数）对疾病流行性的预测作用，在获得数据基础上，探索出二者之间的相关性，提出利用方便快捷的网络搜索数据预测流行病的模型方法，为了在流行病爆发之前，降低医护压力，关注全民健康。借助百度指数搜索的相关数据做出的模型预测与观测数据进行二者之间的相关性分析。最终得出以下结果：冬季的发病率远远高于夏季发病率，因此在冬季（尤其在春节附近），应当多注意天气气候变化，做好预防和防护，医院也应该做好相应的准备；与此同时发现网络搜索指数与流行性疾病之间存在明显的相关性，人们可以利用网络搜索结果预测流行病爆发时间，并且可以利用大量的网络搜索数据预测未来流行病的发展规律与就诊量，提前做好准备，实现资源的合理配置，减少意外情况的发生，保障公民的生命财产安全。互联网急速发展的时代，掌握数据就等于掌握了先机，在未来基于网络搜索的相关研究一定在许多领域成为一种趋势，所以本文的研究也为未来的相关研究提供了一种可行的方法。

电脑无法识别U盘该怎么办HYPERLINK电脑无法识别U盘怎么办?打开我的电脑上单击右键，在快捷菜单里，选择“管理”，打开“计算机管理”窗口。在计算机管理窗口里，选择“存储”下面的“磁盘管理”，如果看得到没有盘符的U盘，那么在这个U盘上按鼠标右键，选择“更改驱动器名称和路径”选项，就打开了“更改……的驱动器号和路径”对话框。再点击“更改”按钮，打开“更改驱动器号和路径”的对话框，在“指定以下驱动器号”的右边下拉列表里，选择你希望分配给U盘的驱动器号，尽可能靠后选择，比如X、Y、Z，选择好后，单击确定按钮，回到上一次“更改……的驱动器号和路径”对话框窗口，再一次单击确定，就回到“计算机管理”窗口。至此，如果一切正常，就给U盘单独设置了一个长久使用的驱动器号，并却，不受虚拟驱动器的影响了。建议将U盘插到电脑上，看任务栏中是否显示图标，如果显示，在我的电脑点右键查看属性——高级——硬件——设备管理器——查看里面是否有问号的设备，在问号设备上点右键——更新驱动程序然后下一步——否暂时不连接到网络——下一步自动安装软件（推荐）就可以了另外：系统不认U盘的几种处理方法1.禁用主板usb设备。管理员在CMOS设置里将USB设备禁用，并且设置BIOS密码，这样U盘插到电脑上以后，电脑也不会识别。这种方法有它的局限性，就是不仅禁用了U盘，同时也禁用了其他的usb设备，比如usb鼠标，usb光驱等。所以这种方法管理员一般不会用，除非这台电脑非常重要，值得他舍弃掉整个usb总线的功能。但是这种屏蔽也可以破解，即便设置了密码。整个BIOS设置都存放在CMOS芯片里，而COMS的记忆作用是靠主板上的一个电容供电的。电容的电来源于主板电池，所以，只要把主板电池卸下来，用一根导线将原来装电池的地方正负极短接，瞬间就能清空整个CMOS设置，包括BIOS的密码。随后只需安回电池，自己重新设置一下CMOS，就可以使用usb设备了。（当然，这需要打开机箱，一般众目睽睽之下不大适用~~）2.修改注册表项，禁用usb移动存储设备。打开注册表文件，依次展开"HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\usbehci”双击右面的“Start”键，把编辑窗口中的“数值数据”改为“4”，把基数选择为“十六进制”就可以了。改好后注销一下就可以看见效果了。为了防止别人用相同的方法来破解，我们可以删除或者改名注册表编辑器程序。提示：“Start”这个键是USB设备的工作开关，默认设置为“3”表示手动，“2”是表示自动，“4”是表示停用。3.在computermanagement里将removablestorage的使用权限禁止。computermanagement是一个windows管理组件，可以在控制面板——管理工具——计算机管理打开。在该工具窗口中storage——removablestorage——property中，general项，可以控制系统托盘是否显示security则可以管理移动存储设备的使用权限。在security中将普通用户的使用权限降低，就可以达到禁用u盘的目的。破解的方法也很简单，管理员降低普通用户移动存储设备的使用权限，但未必禁用computermanagement的使用权限。普通用户可以通过这个工具解除usb移动存储设备的使用权限限制。另外，值得一提的是，如果u盘插到电脑上后可以驱动，但是我的电脑里却没有盘符，很有可能是管理员改动了u盘的默认盘符，使得我的电脑不能识别。这种情况，可以在movablestorage中看到u盘驱动器。可以在u盘驱动器属性设置里为u盘重新分配一个盘符，再重新插拔一次u盘，就可以在我的电脑里看到u盘的盘符了。一、首先可以将该U盘换到别的机器上，看使用是否正常。如果排除了硬件损坏的可能，一般就是软件方面有问题。在WindowsXP+SP1操作系统下，有些USB2.0设备的确常常出现工作不稳定的问题，可以试试安装设备自带的USB2.0驱动程序。另外最好不要使用USB延长线，防止因为供电不足而造成不稳定现象。如果仍无效，可以在主板BIOS设定中，将USB接口强行设置为USB1.1传输速率。二、（适用于WIN98）启动计算机，进入主板BIOS设置，检查BIOS中USB的相关选项是否已经打开：OnChipUSB设定为Enabled；USBController设定为Enabled；PNPOSInstalled设定为Yes；AssignIRQForUSB设成Enabled。要正常使用USB设备首先要开启USB接口，在主板BIOS里可以进行此项工作，一般来说只需在BIOS中进入ChipsetFeatures设置，并将USBKeyborad/MouseLegacy选项设定为Enable，就能够保证在操作系统下使用USB键盘了。这些选项的作用是打开主板芯片组对USB设备的完全支持，为系统识别USB设备做准备工作。三、USB口接触不好处理办法：拔下，等十秒钟再插上USB口，使接触完好；五、闪存盘驱动程序没有安装完成(WIN98系统下)处理办法：鼠标点“我的电脑”，选择属性找到“通用串行总线”，删除其中的USBMASSSTORAGE项，再点击“刷新”，然后按照提示重新安装一次驱动程序。六、接其它USB设备(如扫描仪、打印机、数码相机)时可以正常使用，接优盘时闪指示灯不亮，不能够使用。1、检查优盘与电脑的联接是否正常，并换用其它USB接口测试。2、检查设备管理器，看是否出现”通用总线设备控制器”条目，如果没有，请将电脑主板BIOS中USB接口条目*激活(ENABLE)。3、如果电脑安装过其它类型USB设备，卸载该设备驱动程序，并首先安装优盘驱动程序。4、到其它电脑试用此优盘，确认是否优盘不良。七、启动型优盘在的电脑上无法实现启动，可能是主板型号不支持。如何判断一块主板是否支持闪存盘启动系统启动型优盘是采用模拟USB软驱和USB硬盘的方式启动电脑的。只要电脑主板支持USB设备启动，即BIOS的启动选项中有USB-FDD、USB-HDD或是其它类似的选项，就可以使用启动型优盘启动电脑。八、第一次在电脑上使用优盘，未出现提示发现新硬件的窗口，驱动程序无法安装的原因可能是：1、主板usbcontroller未启用解决办法:在电脑主板BIOS中启用此功能。2、usbcontroller已经启用但运行不正常解决办法:在设备管理器中删除”通用串行控制器”下的相关设备并刷新。3、优盘被电脑识别异常，在设备管理器中表现为带有黄色？或！的”其它设备”或“未知设备”。解决办法:删除此设备并刷新。九、大容量的U盘(例如兼具MP3播放器或录音功能的U盘)或移动硬盘在电脑上无法正常使用，虽然系统提示找到了未知的USB设备，但无法正确识别U盘或移动硬盘。原因可能是：1．USB接口供电不足:系统为每个USB接口分配了500mA的最大输出电流，一般的U盘只需要100mA的工作电流，因此在使用过程中不会出现什么问题。大多数移动硬盘所使用的是普通的2.5英寸硬盘，其工作电流介于500mA~1000mA之间，此时假如仅仅通过USB接口供电，当系统中并无其他USB设备时，那么还是可以勉强使用的，但如果电压不稳的话，就随时可能出现供电不足的问题。特别是使用支持USB2.0的移动硬盘时，情况最为严重。另外，如果你的笔记本电脑使用电池供电，那么USB接口所分配的电量就更小了。2．使用了外接的USB扩展卡:在笔记本电脑中使用USB2.0的U盘或移动硬盘时，如果笔记本电脑不支持USB2.0技术，一般必须通过PCMCIA卡转USB2.0的扩展卡来间接实现支持，这些扩展卡基本上都采用NEC公司的D720100AGMUSB控制芯片，少则提供两个USB2.0接口，多则提供五个USB2.0接口，对一般用户而言足够使用了。由于PCMICA接口提供的电源功率比板载USB接口要小，这样就会由于供电不足而导致移动硬盘工作的出现问题。解决方案:1.它从USB连接线上接移动硬盘的一端引出一根转接线，可以插入电脑背后的P