門診量是醫(yī)院運營管理中的重要指標,對醫(yī)院管理決策、統(tǒng)籌協(xié)定具有重要意義。門診量的影響因素復(fù)雜,且作用方向與程度難以量化,難以通過影響因素來預(yù)測門診量。因此本文從時間序列的角度來分析門診量數(shù)據(jù),通過構(gòu)建時間序列模型來獲取歷史門診量數(shù)據(jù)的隱藏信息,對未來門診量進行精準預(yù)測,以滿足醫(yī)院衛(wèi)生管理的需要。目前,在多個領(lǐng)域的預(yù)測研究中,模型與預(yù)測方法策略的不斷更新為復(fù)雜多樣的時間序列預(yù)測提供了靈活的選擇。模型的預(yù)測性能與數(shù)據(jù)的關(guān)系密不可分,性質(zhì)不同的模型能從不同角度反映出數(shù)據(jù)信息,因此本文先分析出某三級甲等醫(yī)院日門診量具有周期性與平穩(wěn)性,月門診量具有周期性、非平穩(wěn)性以及趨勢性,根據(jù)數(shù)據(jù)的特征分別使用自回歸滑動平均模型（Autoregressive Moving Average,ARMA）和三次指數(shù)平滑法（Holt-Winters）進行探索性實驗,并進行相關(guān)討論。結(jié)合前人研究以及預(yù)測趨勢的發(fā)展,選擇基于經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）的組合框架進行預(yù)測研究,采用集成分解預(yù)測的策略,提取復(fù)雜序列的多尺度特征,降低序列信息的冗余性。同時為取得滿意的效果,先... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．?３?ＡＲＭＡ預(yù)測??Ｆｉｇ．?３．３?ＡＲＭＡ?ｆｏｒｅｃａｓｔ??

序列以７為周期進行??重構(gòu)，重組序列如下所示，如下所使用的是日門診量數(shù)據(jù)，將序列重構(gòu)成７條序列。通??過觀察重構(gòu)的序列可知，同一系列數(shù)據(jù)的大部分數(shù)據(jù)變化比較平穩(wěn)，少部分數(shù)據(jù)偏離總??體數(shù)據(jù)分布�？傮w而言，同一個周期內(nèi)，大部分天數(shù)的變動趨勢相近。???Ｓｅｒｉｅｓｌ???Ｓｅｒｉｅｓ４???Ｓｅｒｉｅｓ６???Ｓｅｒｉｅｓ２???ＳｅｒｉｅｓＳ???Ｓｅｒｉｅｓ７???Ｓｅｒｉｅｓ３??１００００?－ｊ??８０００?－?一＼??２?４?６?８?１０??ｗｅｅｋ??圖４．?１重構(gòu)序列示例??Ｆｉｇ．?４．１?Ｒｅｆａｃｔｏｒｉｎｇ?ｓｅｑｕｅｎｃｅ?ｅｘａｍｐｌｅ??（２）基于相似度的數(shù)據(jù)延拓??在進行基于周期性的序列重構(gòu)時需要分別從序列的左右兩端進行，上圖所示為應(yīng)對??３５??

圖５．１日門診量分解??Ｆｉｇ．?５．１?Ｄａｉｌｙ?ｈｏｓｐｉｔａｌ?ｏｕｔｐａｔｉｅｎｔ?ｑｕａｎｔｉｔｙ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ??

【參考文獻】：
期刊論文
[1]基于多狀態(tài)時間序列預(yù)測學(xué)習(xí)的電源車故障預(yù)測方法[J]. 李煒,周丙相,蔣棟年,孫曉靜.  吉林大學(xué)學(xué)報(工學(xué)版). 2020(04)
[2]基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)的民航事故征候率預(yù)測[J]. 陳芳,張迪,衛(wèi)微,郭娜.  安全與環(huán)境學(xué)報. 2019(06)
[3]基于Bi-LSTM模型的高速公路交通量預(yù)測[J]. 溫惠英,張東冉.  公路工程. 2019(06)
[4]基于SARIMA-LSTM的門診量預(yù)測研究[J]. 盧鵬飛,須成杰,張敬誼,韓侶,李靜.  大數(shù)據(jù). 2019(06)
[5]長短期記憶網(wǎng)絡(luò)預(yù)測混沌時間序列[J]. 熊有成,趙鴻.  中國科學(xué):物理學(xué) 力學(xué) 天文學(xué). 2019(12)
[6]EMD分解下基于SVR的股票價格集成預(yù)測[J]. 賀毅岳,高妮,王峰虎,茹少峰,韓進博.  西北大學(xué)學(xué)報(自然科學(xué)版). 2019(03)
[7]基于XGBoost的精神科門診量預(yù)測模型[J]. 劉健,張翼飛,李寶娟,靳豪杰,寧玉文,張瑤.  華南國防醫(yī)學(xué)雜志. 2019(04)
[8]基于混沌時間序列LS-SVM的車用鋰離子電池SOC預(yù)測研究[J]. 徐東輝.  車用發(fā)動機. 2019(02)
[9]基于WNN-SVM的水文時間序列預(yù)測方法研究[J]. 余洋,萬定生.  計算機技術(shù)與發(fā)展. 2019(09)
[10]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的月門診量預(yù)測精度研究[J]. 李琳,王哲,張學(xué)良,王凱,周毅.  中國數(shù)字醫(yī)學(xué). 2019(01)

碩士論文
[1]基于LSTM的水質(zhì)預(yù)測方法研究[D]. 王嫄嫄.南京郵電大學(xué) 2019
[2]基于ARIMA-SVM組合模型對人民幣匯率的預(yù)測和實證研究[D]. 紀爽.江西財經(jīng)大學(xué) 2019
[3]深度核極限學(xué)習(xí)機和相似性LSSVM時間序列預(yù)測模型研究[D]. 桑發(fā)文.蘭州大學(xué) 2019
[4]武漢市大氣污染物水平與兒童呼吸道疾病門診量的滯后效應(yīng)分析[D]. 劉準.武漢科技大學(xué) 2018
[5]基于類別標簽及用戶時序行為的個性化推薦方法研究[D]. 于文麗.西南大學(xué) 2018
[6]改進端點效應(yīng)和抑制模態(tài)混疊的EMD方法研究[D]. 榮欽彪.天津大學(xué) 2018
[7]基于網(wǎng)絡(luò)搜索關(guān)鍵詞的住宅價格指數(shù)預(yù)測研究[D]. 高佳玲.西安理工大學(xué) 2017
[8]基于隨機森林算法的短期負荷預(yù)測研究[D]. 石婷婷.鄭州大學(xué) 2017
[9]基于BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測研究[D]. 李景陽.河南科技大學(xué) 2017
[10]東陽市橫店集團醫(yī)院門診量組合預(yù)測模型研究[D]. 丁夷峰.浙江大學(xué) 2012



本文編號：2972783