【技术实现步骤摘要】
一种基于Prophet-ARMA的医院门诊就诊量预测方法
本专利技术属于数值建模预测领域,具体涉及一种Prophet-ARMA的医院门诊就诊量预测方法。
技术介绍
近年来,门诊病人就医难、就医繁是大型综合医院的一大通病,暴露出医疗资源不合理分配与公众的就医需求的矛盾。门诊的任何一个服务环节都有排长队的可能,如何提高医疗资源的配置效率,有效减少门诊患者无效等待一直是管理者所关注的问题。在众多的医院数据指标中,门诊就诊量一直是度量门诊医疗工作质量的重要指标之一,科学的对医院日门诊量进行分析预测,及时、准确地分析门诊部的人流量变化及趋势特征,不仅可以反映出医院规模及医疗水平,而且还可以为管理者统筹安排医护人员和制定工作计划提供科学的决策依据,从而提高医院的工作效率和管理水平,进而提高患者满意度。时间序列一般都跨较长的时间段才具有研究意义,时间粒度可以是时、分、秒等,按照时间顺序和统一的时间粒度搜集目标对象相关指标的一系列统计值,逐渐形成规模庞大的时间序列数据库。人们希望通过分析和挖掘时间序列来发现和揭示研究对象的发展变化趋势,以便从可用数据中提取尽可能多的数据信息,并将这些信息形成知识来掌握和控制未来行为。现实生活中,普遍存在时间序列数据对象,如医院门诊就诊量、银行日存取款额度、公路车流量的周期序列等等,如何从这些庞大的时间序列库挖掘信息形成知识应用就成为一个有价值的研究分向。可见,不管事工业界还是科学研究中,时间序列有着重要的应用和研究价值。其中,医院门诊就诊量具有长期趋势性、季节性、节假日等不规则周期性以及部分异常值等序列特性,现有对时间序列研发方法中的Pr ...
【技术保护点】
1.一种基于Prophet‑ARMA的门诊就诊量预测方法,其特征在于:包括如下步骤:步骤1:获取与待测时段相邻的历史时段的门诊数据,并生成每类门诊的门诊数据集;其中,所述待测时段为连续时段,门诊数据包括日期、门诊类型以及就诊量,所述门诊数据集包括所述历史时段内每天一类门诊的就诊量;步骤2:将每个门诊数据集分别输入每类门诊的Prophet模型得到每类门诊的第一预测数据和拟合数据;所述第一预测数据包括一类门诊在当前待测时段内每天的Prophet就诊量预测值,所述拟合数据包括一类门诊在所述历史时段内每天的就诊量拟合值;步骤3:填充每个门诊的门诊数据集中的缺失值,并分别计算填充后的每个门诊数据集与对应拟合数据中同一天数据的差得到每类门诊的残差序列;步骤4:分别判断每类门诊的残差序列是否为纯随机序列,若不是,将残差序列输入对应一类门诊的ARMA模型得到第二预测数据,再执行步骤5;若是,执行步骤6;所述第二预测数据包括一类门诊在当前待测时段内每天的ARMA就诊量预测值;步骤5:分别将同一类门诊的所述第一预测数据、所述第二预测数据中同一天的数据相加得到所述当前待测时段内在每天对应一类门诊的就诊量预测 ...
【技术特征摘要】
1.一种基于Prophet-ARMA的门诊就诊量预测方法,其特征在于:包括如下步骤:步骤1:获取与待测时段相邻的历史时段的门诊数据,并生成每类门诊的门诊数据集;其中,所述待测时段为连续时段,门诊数据包括日期、门诊类型以及就诊量,所述门诊数据集包括所述历史时段内每天一类门诊的就诊量;步骤2:将每个门诊数据集分别输入每类门诊的Prophet模型得到每类门诊的第一预测数据和拟合数据;所述第一预测数据包括一类门诊在当前待测时段内每天的Prophet就诊量预测值,所述拟合数据包括一类门诊在所述历史时段内每天的就诊量拟合值;步骤3:填充每个门诊的门诊数据集中的缺失值,并分别计算填充后的每个门诊数据集与对应拟合数据中同一天数据的差得到每类门诊的残差序列;步骤4:分别判断每类门诊的残差序列是否为纯随机序列,若不是,将残差序列输入对应一类门诊的ARMA模型得到第二预测数据,再执行步骤5;若是,执行步骤6;所述第二预测数据包括一类门诊在当前待测时段内每天的ARMA就诊量预测值;步骤5:分别将同一类门诊的所述第一预测数据、所述第二预测数据中同一天的数据相加得到所述当前待测时段内在每天对应一类门诊的就诊量预测值,完成预测;步骤6:将第一预测数据中的Prophet就诊量预测值作为当前待测时段内在每天对应一类门诊的就诊量预测值,完成预测。2.根据权利要求1所述的方法,其特征在于:步骤4中将残差序列输入对应一类门诊的ARMA模型得到第二预测数据时,执行如下步骤:首先,将残差序列输入对应一类门诊的ARMA模型,并获取所述ARMA模型的自相关系数和偏自相关系数;其中,在预设取值范围内进行取值得到自相关系数和偏自相关系数的每种取值组合,并计算每种取值组合下所述ARMA模型的贝叶斯信息准则数值,再获取贝叶斯信息准则数值最小时的自相关系数和偏自相关系数的取值;最后,基于计算出的自相关系数和偏自相关系数的ARMA模型获取第二预测数据。3.根据权利要求2所述的方法,其特征在于:自相关系数和偏自相关系数的预设取值范围均为[0,20]。4.根据权利要求2所述的方法,其特征在于:步骤4中将残差序列输入对应一类门诊的ARMA模型之前还包括对每类门诊的残差序列进行平稳性处理;所述平稳性处理过程如下:首先,通过ADF单位根检验方法检验残差序列是否平稳;若是,将残差序列输入对应的ARMA模型;若不是,对残差序列进行差分处理直至残差序列平稳。5.根据权利要求1所述的方法,其特征在于:所述每类门诊的Prophet模型均设有模型特征参数,所述模型特征参数包括事件日期列表、就诊量的长期趋势、拐点日期列表;所述事件日期列表包括历史时段以及待测时段内的事件日、每个所述事件日前t1天和后t2天,t1、t2均为非零正整数;所述就诊量的长期趋势分为线性趋势和非线性趋势;所述拐点日期列表包括在历史时段内对应一类门诊的部分或全部就诊量拐点的日期。6.根据权利要求5所述的方法,其特征在于:步骤2中将门诊数据集输入的Prophet模型为对应一类门诊的最新Prophet模型;若当前预测为第一次预测,所述最新的Prophet模型为预设Prophet模型;若当前预测非第一次预测,所述最新的Prophet模型为与当前待测时段相邻的前一个待测时段在同一类门诊的Prophet就诊量预测时采用的Prophet模型。7.根据权利要求6所述的方法...
【专利技术属性】
技术研发人员:王建新,李丽萍,肖湘佳慧,安莹,
申请(专利权)人:中南大学,
类型:发明
国别省市:湖南,43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。