随着全球气候变化,流感的发病人数大幅增加,严重流感的死亡率接近50%,因此对流感暴发进行预测研究愈发重要。现有研究中,已将社交媒体用于地震灾害检测和趋势预测,本研究将机器学习算法和大数据方法结合应用于流感暴发的预测。通过文本分类模型实现Twitter社交网络数据预处理,利用时间序列预测模型对澳大利亚昆士兰州的流感疫情进行趋势预测。本文主要研究内容如下:1)应用XGBoost算法实现流感数据文本分类,解决了传统机器学习算法对于文本分类效果较差的问题。为了验证该方法的性能,以Twitter数据为研究对象,首先通过关键词过滤技术提取疑似流感数据,然后采用XGBoost算法对疑似流感数据进行分类预测,并与传统的朴素贝叶斯算法进行对比。实验结果表明,XGBoost算法对Twitter数据的分类结果正确率为90%,明显优于朴素贝叶斯算法的分类结果,可用于Twitter数据中流感发病频率及发病时间的提取。2)提出基于Twitter数据和温度数据的多元时间序列预测模型,解决了一元时间序列预测模型时效性差、预测结果相对误差较高的问题。首先通过2015年第1周至2017年第32周的流感历史数据,建立ARIMA一元时间序列模型预测未来四周流感发病数;再将Twitter数据与温度数据作为输入变量,建立ARIMAX多元时间序列预测模型预测未来四周流感发病数。结果表明ARIMAX模型的平均相对误差为3.30%,低于ARIMA模型,ARIMAX模型预测效果更佳,可用于实时预测流感发病数。3)针对流感监测可视化界面较为单一的问题,建立了一种流感监测预测综合可视化系统。首先通过调用百度地图API展示了流感热力图,再使用D3可视化技术结合地理位置数据展示了流感分布地图与流感历史曲线图、未来趋势图等。该系统通过时间及空间关系网络结构解释流感暴发的地理位置分布和趋势发展,可以直观地引导流感疫情的分析和预防。