一种呼吸系统疾病门诊量预测方法技术方案

本发明专利技术提供了一种呼吸系统疾病门诊量预测方法，以门诊量数据、空气质量信息以及天气信息为基础，构建时间序列混合预测模型，实现对呼吸系统疾病门诊量的自动化准确预测。该方法既能够刻画门诊量指标的趋势规律，还能够纳入包括空气质量、天气信息在内的多个相关因素对波动规律进行细节刻画。因此，基于该方法能够为医院管理人员提供重要参考，从而帮助管理者判断呼吸系统疾病的发病规律和趋势，辅助管理者进行资源分配、任务规划等决策，为合理分配医疗资源提供量化依据。

【技术实现步骤摘要】
一种呼吸系统疾病门诊量预测方法
本专利技术涉及一种基于HoltWinters-XGBoost的呼吸系统疾病门诊量预测方法，属于时间序列预测领域。
技术介绍
呼吸系统疾病是我国最为常见的多发疾病，常年居我国总人口死亡病因首位。呼吸系统疾病种类多，病因复杂，通常受到大气污染、吸烟、工业粒化因子、生物因子吸入和感染以及年龄、个人体质等因素影响。常见的呼吸系统疾病如急性上呼吸道感染、流行性感冒和肺炎、慢性下呼吸道疾病，在人群中发病量大，且呈现出明显的季节周期性和时间趋势性。20世纪90年代以来，时间序列分析已经被广泛应用于呼吸系统疾病的短期发病规律研究。针对呼吸系统疾病门诊量进行智能预测，不仅能够辅助医院管理者及时、准确的了解医院的综合运营趋势，从而有的放矢的优化医务人员结构，分配医疗资源，实现医院精细化管理。当前，针对呼吸系统疾病的预测方法多集中于单模型预测，包括传统的时间序列模型(如ARIMA、SARIMA、HoltWinters等)，机器学习模型(如决策树、GBDT、随机森林等)，以及深度学习模型(如BP神经网络、深层信念网络、LSTM等)。然而，两者都有其各自的局限性，传统的时间序列模型通常以单指标形式建模，包含信息有限，无法刻画带漂移的节假日因素(如春节等)，同时也无法加入天气和大气污染对就诊人数的影响；机器学习模型能够进行多指标建模，充分纳入一切可搜集的因素进行建模，然而当时间序列有单调趋势规律(不平稳)时，模型预测值范围只能局限在历史信息范围内，所以通常会出现预测值总是偏小或偏大的情况；深度学习模型不仅需要大量的调参实验，而且在样本量较小的情况下，很容易过拟合，因此很难实现自动化建模预测。
技术实现思路
本专利技术的目的是：实现对呼吸系统疾病门诊量的自动化准确预测。为了达到上述目的，本专利技术的技术方案是提供了一种呼吸系统疾病门诊量预测方法，其特征在于，包括以下步骤：步骤1、进行数据信息采集，所采集到的数据至少包括门诊量数据；步骤2、对步骤1采集得到的数据进行数据预处理；步骤3、采用数据填补方法进行数据填补；步骤4、数据规律检验，包括以下内容：(1)白噪声检验：对门诊量数据进行Ljung-Box检验，得到检验p值，若检验p值小于预先设定的值，则通过检验，否则终止方法，返回数据为白噪声，无法建模；(2)周期性检验：设定周期参数k的取值区间，分别以不同取值下的k作为时间序列周期，对历史的门诊量数据进行标记周期次序；以周期次序数据作为分组因素，对门诊量数据进行单因素方差分析，计算显著性差异的检验指标，得到不同取值k下的检验指标pk，取检验指标最小时的作为最终的周期参数；步骤5、自变量筛选：将经过步骤3处理的门诊量数据、空气质量数据和天气数据包含的多个指标数据以时间进行关联，得到m个自变量指标数据。针对m个自变量指标，以1为步长分别构造t个滞后指标，分别计算门诊量数据指标与m×t个指标数据计算皮尔逊相关系数γi，i＝1，2,…,m×t，设定相关系数阈值αγ，若皮尔逊相关系数γi<αγ，则剔除该指标；反之，则保留该指标作为建模自变量；步骤6、模型建立和预测：建立HoltWinters-Xgboost混合预测模型，HoltWinters-Xgboost混合预测模型包含HoltWinters模块、Xgboost模块和混合预测模块，其中：HoltWinters模块：构建HoltWinters加法预测模型，设定模型季节周期长度s＝k0，HoltWinters加法预测模型输入数据为历史门诊量数据，即数据结构为q×1的矩阵，q为门诊量数据的样本量，通过模型学习，计算得到q个门诊量数据的拟合残差ei，i＝1,2,3,…,q，以及未来p步预测值j＝1,…,p；Xgboost模块：构建XGBoost预测模型，为防止过拟合采取L2正则化，L2表示二范数，采取均方根误差作为损失函数，以步骤5保留的建模自变量作为模型自变量，以HoltWinters加法预测模型残差ei作为模型因变量，进行模型训练，计算得到未来p步的残差预测值j＝1,…,p；混合预测模块：将未来p步的预测值和未来p步的残差预测值相加，得到未来p步的混合模型预测值j＝1,…,p。优选地，步骤3中，进行数据填补时，针对4种缺失类型的缺失值分别采用不同的数据填补方法进行数据填补，包括以下内容：(1)农历节日的法定假期的数据使用上一年的当日数据进行填补；(2)对于一天假期的数据采取三次样条插值进行填补；(3)对于1天以上的长假期的数据采取线性插值的方式进行填补；(4)非假期的随机缺失数据采用k近邻均值进行填补。优选地，步骤6中，HoltWinters加法预测模型表示为：y′t+k＝at+btk+ct+k其中，y′t+k表示从当前时间t算起未来k个平滑期数的时间的预测值，k为向后平滑期数，大于0；at表示当前时间t的截距；bt表示当前时间t的趋势，t＝1,2,…,T，T表示历史数据的样本个数；ct+k为从当前时间t算起未来k个平滑期数的时间的HoltWinters加法预测模型的季节因子；at、bt、ct的计算公式如下：at＝α(yt-ct-s)+(1-α)(at-1+bt-1)bt＝β(at-at-1)+(1-β)bt-1ct＝γ(yt-at)+(1-γ)ct-s其中，α、β、γ为阻尼因子，在0-1之间；HoltWinters加法预测模型的预测值由下式计算：y′T+k＝aT+bTk+cT+k-s。本专利技术提出了一种基于HoltWinters-XGBoost的呼吸系统疾病门诊量预测方法，以门诊量数据、空气质量信息以及天气信息为基础，构建时间序列混合预测模型，实现对呼吸系统疾病门诊量的自动化准确预测。该方法既能够刻画门诊量指标的趋势规律，还能够纳入包括空气质量、天气信息在内的多个相关因素对波动规律进行细节刻画。因此，基于该方法能够为医院管理人员提供重要的量化依据，从而帮助管理者判断呼吸系统疾病的发病规律和趋势，辅助管理者进行资源分配、任务规划等决策，为合理分配医疗资源提供量化依据。本专利技术的优点在于：首先，该方法能够自动识别时间序列的周期性，并以此为依据进行后续建模；然后，基于统计学和机器学习的混合模型，能够抽取数据的趋势信息以及相关影响因素，克服了传统时间序列模型的单指标输入缺点，以及机器学习模型无法准确刻画未来上升的趋势信息的劣势；最后，该方法以HIS数据信息和网络公开数据为基础，便于在不同地区推广使用。附图说明图1为本专利技术提供的一种呼吸系统疾病门诊量预测方法的流程图；图2为Ljung-Box检验结果。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利本文档来自技高网...

【技术保护点】
1.一种呼吸系统疾病门诊量预测方法，其特征在于，包括以下步骤：/n步骤1、进行数据信息采集，所采集到的数据至少包括门诊量数据；/n步骤2、对步骤1采集得到的数据进行数据预处理；/n步骤3、采用数据填补方法进行数据填补；/n步骤4、数据规律检验，包括以下内容：/n(1)白噪声检验：对门诊量数据进行Ljung-Box检验，得到检验p值，若检验p值小于预先设定的值，则通过检验，否则终止方法，返回数据为白噪声，无法建模；/n(2)周期性检验：设定周期参数k的取值区间，分别以不同取值下的k作为时间序列周期，对历史的门诊量数据进行标记周期次序；以周期次序数据作为分组因素，对门诊量数据进行单因素方差分析，计算显著性差异的检验指标，得到不同取值k下的检验指标p

【技术特征摘要】
1.一种呼吸系统疾病门诊量预测方法，其特征在于，包括以下步骤：
步骤1、进行数据信息采集，所采集到的数据至少包括门诊量数据；
步骤2、对步骤1采集得到的数据进行数据预处理；
步骤3、采用数据填补方法进行数据填补；
步骤4、数据规律检验，包括以下内容：
(1)白噪声检验：对门诊量数据进行Ljung-Box检验，得到检验p值，若检验p值小于预先设定的值，则通过检验，否则终止方法，返回数据为白噪声，无法建模；
(2)周期性检验：设定周期参数k的取值区间，分别以不同取值下的k作为时间序列周期，对历史的门诊量数据进行标记周期次序；以周期次序数据作为分组因素，对门诊量数据进行单因素方差分析，计算显著性差异的检验指标，得到不同取值k下的检验指标pk，取检验指标最小时的作为最终的周期参数；
步骤5、自变量筛选：将经过步骤3处理的门诊量数据、空气质量数据和天气数据包含的多个指标数据以时间进行关联，得到m个自变量指标数据，针对m个自变量指标，以1为步长分别构造t个滞后指标，分别计算门诊量数据指标与m×t个指标数据计算皮尔逊相关系数γi，i＝1，2，...，m×t，设定相关系数阈值αγ，若皮尔逊相关系数γi＜αγ，则剔除该指标；反之，则保留该指标作为建模自变量；
步骤6、模型建立和预测：建立HoltWinters-Xgboost混合预测模型，HoltWinters-Xgboost混合预测模型包含HoltWinters模块、Xgboost模块和混合预测模块，其中：
HoltWinters模块：构建HoltWinters加法预测模型，设定模型季节周期长度s＝ko，HoltWinters加法预测模型输入数据为历史门诊量数据，即数据结构为q×1的矩阵，q为门诊量数据的样本量，通过模型学习，计算得到q个门诊量数据的拟合残差ei，i＝1，2，3，...，q，以及未来p步预测值
Xgboo...

【专利技术属性】
技术研发人员：张敬谊，李静，卢鹏飞，施宇，韩涛，沈佳杰，李光亚，
申请(专利权)人：万达信息股份有限公司，
类型：发明
国别省市：上海;31