基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术提供一种基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质，基于两步回归的医院门诊就诊人数的预测方法包括：步骤S1：构建基于两步回归的医院门诊就诊人数的预测模型；步骤S2：采用上述预测模型预测未来一段时间内的医院门诊就诊人数。本发明专利技术采用带时间序列误差的回归模型来预测人流量，能够在适当的精度内预测比较长时间内的人流量；对于规律性强的时间序列数据表现良好，便于医院进行排班等管理安排。于医院进行排班等管理安排。

Prediction method, device, equipment and storage medium of outpatient number of hospitals based on two-step regression

【技术实现步骤摘要】
基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质


[0001]本专利技术属于时间序列分析领域，具体涉及针对医院科室就诊患者人数的预测方法。

技术介绍

[0002]医院每天均有巨大的人流量，且这些就诊患者的数量受各类因素的影响不断变化，这给医院的管理制度带来了极大的挑战。过往的人员排班模式可能不适合新环境的变化，这便需要对未来医院的人流量进行预测，以针对性地安排医疗人员的出勤，避免造成人流高峰期过于拥堵，而低谷期人力资源浪费等问题，合理进行资源的分配管理。
[0003]医院对于人员排班的安排通常基于经验，好处在于简单易行，但有时不能因为某些因素的变化较为灵活的应对患者人数的变化。构建模型可以有效解决这一问题，但目前没有很好的先例。
[0004]多种因素会影响前来就诊患者的数量，如天气、假期、气温等，也有不可知的潜在因素，这些因素使患者人流量的时间序列不断波动。因此，预测的难点在于把握各因素对于人流量的作用，以及各因素之间的相关性，搭建出一个合理可行的预测模型。但是，现有医院并不存在这种能够提前预测门诊科室在未来一段时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于两步回归的医院门诊就诊人数的预测方法，其特征在于，包括：步骤S1：构建基于两步回归的医院门诊就诊人数的预测模型，预测模型为：其中t＝1，2，...，T.y
t
为第t天人数；D
it
表示第t天是否为星期i，若第t天恰为星期i，则D
it
取值为1，否则D
it
取值为0，b
i
为星期i前的系数；表示为节假日前，表示为节假日后；分别为工作时段最高气温与最低气温；W
t
为第t天的天气，若有降雨或降雪则W
t
＝1，其余天气为0；a，b，c，d，f，g，h为回归项系数，代表上述因素对于y
t
的影响大小e
t
满足一个ARIMA模型：p为自回归阶数，d为差分的阶数，q为滑动平均的阶数；φ，θ为自回归以及滑动项的系数；B为延迟算子，其定义为Be
t
＝e
t
‑1；∈
t
为服从独立同分布的白噪声序列；n为一周工作的天数，例如n＝5、6或7；步骤S2：采用上述预测模型预测未来一段时间内的医院门诊就诊人数。2.如权利要求1所述的基于两步回归的医院门诊就诊人数的预测方法，其特征在于，步骤S1包括：步骤S1.1：选取影响医院门诊就诊人数的若干变量，所述变量分别为星期数、节假日、气温和天气；步骤S1.2：将星期数变量、节假日变量、气温变量和天气变量组成解释变量矩阵X＝(D1，D2，...，D
n
，H
before
，H
after
，T
high
，T
low
，W)，并将X作标准化处理得到X
*
：设X＝(x
ij
)
n
×
p
，则其中步骤S1.3：将X
*
进行主成分分析：1)找到一个正交矩阵Γ，满足Γ
T
Γ＝I，且使得Γ
T
X*
T
XΓ为一p
×
p对角阵Λ＝diag(σ1，σ2，...，σ
m
，0，...，0)，m≤p且σ1≥σ2≥σ
m
＞0；2)计算主成分方差贡献率以及累计贡献率3)选取i，1≤i≤p，使得γ
i
≥0.95，并取Γ的前i列，记为并记并记即为X
*
的主成分矩阵；步骤S1.4：使用解释变量来拟合线性回归模型：
其中y＝(y1，y2，...，y
T
)
T
为科室每天人数，e＝(e1，e2，...，e
T
)
T
首先假设满足独立同分布，采用最小二乘法得到估计参数并计算残差步骤S1.5：将残差序列拟合ARIMA模型：其中p为自回归阶数，d为差分的阶数，q为滑动平均的阶数；φ，θ为自回归以及滑动项的系数；B为延迟算子，其定义为Be
t
＝e
t
‑1；∈
t
为服从独立同分布的白噪声序列；首先采用Hyndman
‑
Khandakar算法来选择最优的阶数(p，d，q)：(1)通过重复地KPSS测试来确定差分阶数d：0≤d≤2(2)对数据差分d次之后，通过最小化AICc来选择最优的p，q：AIC＝2k
‑
2log(Likelihood)其中n为样本容量，即样本的个数，k为去除噪声方差后总的参数数量，极大似然函数的计算步骤见下文参见步骤S1.7中的系数φ，θ的估计方法：(1)拟合四个初始模型：ARIMA(0，d，0)、ARIMA(2，d，2)、ARIMA(1，d，0)、ARIMA(0，d，1)，(2)步骤(1)中拟合出的最好的模型(AICc最小)称为“current model”；(3)考察“current model”的以下两个变种模型：1.对p和/或q的值改变
±
1；2.包含/不包含常数项c；将上述变种和原来的current model中AICc最小的模型即为最新的“current model”；(4)重复(3)，直到没有更小的AICc的模型；步骤S1.6：将原来的线性回归模型调整为：步骤S1.6：将原来的线性回归模型调整为：步骤S1.7：使用极大似然估计来确定自回归以及滑动项的系数φ，θ的值，从而估计得到参数并带入模型以完成预测模型的构建：假设各∈
t
是相互独立的，且服从零均值与相同的标准差则各∈
t
的概率密度函数(pdf)为：由独立性，得到(∈1，∈2，...，∈
T
)的联合概率密度函数(pdf)为：
由此得到似然函数Likelihood：其中g
t
为将用y1，...，y
t
，β，φ，θ表示的函数，可以根据模型公式将∈
t
用可以观测到的y以及表示，并求出使得(∈1，∈2，...，∈
T
)的联合概率密度函数(pdf)达到极大值：将估计得到的参数带入模型，从而完成了模型的构建。3.如权利要求1或2所述的基于两步回归的医院门诊就诊人数的预测方法，其特征在于，步骤S2包括：采用构建完成的所述预测模型来预测未来k天各科室的人流量，已知的数据有前T天的人流量y＝(y1，y2，...，y
T
)
T
，以及k天的解释变量矩阵X
forecast
＝(D1，D2，...，D
n
，H
before
，H
after
，T
high
，T
low
，W)逐一预测科室后k天的人流量首先将X
l
按步骤S1.2同样的方法进行变换得到再带入回归模型中：此处要求出预测值y
forecast
则需要先计算出e
forecast
根据e
forecast
满足的模型其中t＝T+1，T+2，...，T+k，可以将模型中的t用T+l代替：由于T时刻之前事件已经发生，为已知事件，记e
T
(l)＝E(e

【专利技术属性】
技术研发人员：李子靖，陈颢，张淑芹，王立鹏，高卫国，邓璐，王孜怡，
申请(专利权)人：中国人民解放军海军军医大学第一附属医院，
类型：发明
国别省市：