發(fā)布時間：2020-04-25 10:28

【摘要】：隨著醫(yī)院費用的快速增長,國內很多地區(qū)的醫(yī)�；鸪霈F了財政赤字。為了保證醫(yī)�；鸬陌踩院涂沙掷m(xù)性發(fā)展,2012年,人社部出臺了《關于開展基本醫(yī)療保險付費總額控制的意見》,要求醫(yī)保機構依據總額控制政策給定點醫(yī)院設置定額,控制其醫(yī)療費用的不合理增長。因此,醫(yī)院作為醫(yī)�；鸬闹饕M者,醫(yī)保機構需要考慮其基金收入和醫(yī)院消費能力來分配可用基金。但是,醫(yī)療保險機構現有的分配方式缺乏科學依據,分配往往是基于固定增長率,這很可能導致分配不合理和資源浪費。以統計學的角度,醫(yī)院費用預測可以看作是多元時間序列分析問題。但是,外部因素的加入可能會削弱模型對時間序列自身趨勢的模擬。在多元時間序列中,如何加強模型對目標序列模擬成為需要研究和解決的問題。在數據存在不確定性或系統不穩(wěn)定的情況下,點預測會受到其不良解釋的影響。人們往往都是通過預測區(qū)間或置信區(qū)間來描述真實值的取值范圍,量化這種不確定性。通過描述醫(yī)院費用的取值范圍可以更加精確的設置醫(yī)�；鸱峙浞桨�。然而,醫(yī)保業(yè)務人員在做決策時,不僅要考慮定點醫(yī)院的消費能力,還要考慮醫(yī)保的收入,以“以收定支”的原則將可用基金分配給各個醫(yī)院,所以只是準確預測醫(yī)院費用是遠遠不夠的。同時,研究結果最終是面向用戶的,如何將研究結果快速且有效地展示給指定用戶,設計并實現一個系統是最佳選擇。本文針對以上各種問題進行了深入的研究:1.提出一種基于多元時間序列的醫(yī)院費用預測模型。首先以灰色關聯分析法選擇重要特征作為基礎特征集。然后提出一種時間序列相似性快速搜索算法(SFS),算法能夠快速的搜索到歷史相似序列,再從相似序列中提取出新的特征。將新的特征加入基礎特征集組成更豐富的特征集,最后在基礎特征集和新特征集基礎上分別使用三種不同時間粒度統計多元時間序列,同時分別應用SARIMAX和LSTM對六種序列進行實驗論證,選擇最合適的特征集、時間粒度和預測算法。2.提出一個基于集成學習的時間序列預測區(qū)間回歸模型(PIBS)。通過預測醫(yī)院費用的區(qū)間量化其不確定性,主要應用線性回歸、SVR和LSTM等模型作為Stacking的初級學習器和次級學習器。首先本文提出了一個季節(jié)性歷史區(qū)間構建方法,該方法將序列周期內和周期外的不確定性結合并構建歷史區(qū)間。然后在CWC準則的基礎上提出一種區(qū)間的綜合評價準則(CWCR),并且構建回歸模型的特征集。最后應用綜合評價準則改進回歸模型的損失函數,同時使用Stacking綜合多個回歸模型的預測結果。3.提出一種醫(yī)�；饍�(yōu)化分配模型。如何合理的分配醫(yī)�；鹗悄Ｐ偷闹饕繕�,首先根據前兩個模型的預測結果,在醫(yī)院的消費能力和醫(yī)院費用可能取值的范圍的基礎上,量化定額與醫(yī)院費用之間差異作為損失函數。再根據醫(yī)保業(yè)務人員可能要考慮到的情況設置不同的約束條件,求各醫(yī)院的定額與其實際醫(yī)院費用差異最小的定額組合。同時,根據醫(yī)院之間可能還存在的治療效率的差異,通過優(yōu)化現有的患者分布優(yōu)化醫(yī)保和醫(yī)院的資源分配,求出患者分布的變化與醫(yī)保支出之間的關聯關系。4.設計并實現了一個醫(yī)保大數據資金預測平臺的原型。本文從醫(yī)保和醫(yī)院的業(yè)務需求出發(fā),設計并實現了一個醫(yī)保大數據資金預測平臺,將研究過程中的統計信息和研究結果通過平臺展示給醫(yī)保相關人員和醫(yī)院相關人員。通過上述的研究,本文實現了對醫(yī)院費用的準確預測,且通過預測區(qū)間評價預測值。在醫(yī)院費用準確預測的基礎上,考慮醫(yī)保支出等其他情況求出醫(yī)�；鹱顑�(yōu)分配方案:同時設計并實現了一個醫(yī)保大數據資金預測平臺展示預測結果和分配方案,為相關業(yè)務人員提供輔助決策支撐。
【圖文】：

我們依然采用兩個序列中每一對“點”之間的距離來計算形似中的點的個數可能不一樣。不過，因為可以ｗａｒｐｉｎｇ規(guī)整時間不是在兩個序列中依次取一對點來計算距離，而是每個點有可列中的多個點。從上面圖２－１可以看到這種一對多的情況。逡逑這種ｗａｒｐｉｎｇ有一定要求，每個點都必須用到，不可跳過，要點對不可交叉。即要滿足下面描述的邊界條件、連續(xù)性、單一對點的距離計算，這個距離的算法并無規(guī)定，依賴于每個“，一個“點”可以是單個數值，也可以是一個多維向量。在簡計算兩個點的歐氏距離作為這一對點的距離。逡逑可以窮舉兩個序列的所有可能的ｗａｒｐｉｎｇ形式，逐一計算兩者就是所要求的ｗａｒｐｍｇ，但這樣計算量太大，所以采用動態(tài)規(guī)完成計算。逡逑

０邐１０邐２０邐３０邐４０邐５０邐６０邐７０逡逑圖２－１序列匹配逡逑，我們依然采用兩個序列中每一對“點”之間的距離來計算形似度，列中的點的個數可能不一樣。不過，因為可以ｗａｒｐｉｎｇ規(guī)整時間軸，并不是在兩個序列中依次取一對點來計算距離，而是每個點有可能序列中的多個點。從上面圖２－１可以看到這種一對多的情況。逡逑，這種ｗａｒｐｉｎｇ有一定要求，每個點都必須用到，不可跳過，要按，點對不可交叉。即要滿足下面描述的邊界條件、連續(xù)性、單調每一對點的距離計算，這個距離的算法并無規(guī)定，，依賴于每個“點擇，一個“點”可以是單個數值，也可以是一個多維向量。在簡單以計算兩個點的歐氏距離作為這一對點的距離。逡逑上可以窮舉兩個序列的所有可能的ｗａｒｐｉｎｇ形式，逐一計算兩者的就是所要求的ｗａｒｐｍｇ，但這樣計算量太大，所以采用動態(tài)規(guī)劃的完成計算。逡逑
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP311.13;O212.1;R197.1

【相似文獻】

相關期刊論文 前10條

1 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉換的時間序列分類方法[J];計算機應用;2017年02期

2 王金策;楊寧;;時間序列趨勢預測[J];現代計算機(專業(yè)版);2017年02期

3 彭佳星;肖基毅;;基于分型轉折點的證券時間序列分段表示法[J];商;2016年31期

4 劉偉龍;;基于ARMA模型的股價預測及實證研究[J];智富時代;2017年02期

5 周仰;;《漫長的告別》(年度資助攝影圖書)[J];中國攝影;2017年04期

6 王嵬;;王嵬作品[J];當代油畫;2017年07期

7 劉明華;張晉昕;;時間序列的異常點診斷方法[J];中國衛(wèi)生統計;2011年04期

8 郭崇慧;蘇木亞;;基于獨立成分分析的時間序列譜聚類方法[J];系統工程理論與實踐;2011年10期

9 王佳林;王斌;楊曉春;;面向不確定時間序列的分類方法[J];計算機研究與發(fā)展;2011年S3期

10 萬里;廖建新;朱曉民;倪萍;;一種基于頻繁模式的時間序列分類框架[J];電子與信息學報;2010年02期

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現場統計研究會第九屆學術年會論文集[C];1999年

2 張可;李媛;柴毅;黃磊;;基于分段趨勢的符號化時間序列聚類表示[A];第37屆中國控制會議論文集（D）[C];2018年

3 徐光晶;;統計學在大地電磁測深時間序列處理中的應用[A];2017中國地球科學聯合學術年會論文集（二十九）——專題57：電磁地球物理學研究及其應用[C];2017年

4 毛宇清;王詠青;王革麗;;支持向量機方法應用于理想時間序列的預測研究[A];中國氣象學會2008年年會氣候預測研究與預測方法分會場論文集[C];2008年

5 吳麗娜;黃領梅;沈冰;呂繼強;;黃河上游降水時間序列混沌特性識別與預測年限分析[A];水系統與水資源可持續(xù)管理——第七屆中國水論壇論文集[C];2009年

6 吳堅忠;路子愚;鄭應平;;時間序列社會悖論模型及分析[A];1989年控制理論及其應用年會論文集（上）[C];1989年

7 雷敏;孟光;謝洪波;Kerreie Mengersen;Peter Bartlett;;嵌入維數對復雜時間序列的熵分析的影響研究[A];中國力學大會-2015論文摘要集[C];2015年

8 王兆甲;王海良;;一種相似時間序列挖掘算法及其在汽車運動分析中的應用[A];2014中國汽車工程學會年會論文集[C];2014年

9 林忠輝;莫興國;薛玲;;用NDVI時間序列確定作物物侯和作物類型判別[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

10 王冬;章家義;陳宗;;配電網時間序列數據的云計算集群快速壓縮模型[A];2017年江西省電機工程學會年會論文集[C];2018年

相關重要報紙文章 前10條

1 王曉寶 楊永恒 永安期貨;淺析波動率的均值回復特征[N];期貨日報;2017年

2 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

3 國家統計局核算司 呂峰;不變價GDP時間序列數據的構造[N];中國信息報;2016年

4 ;《時間序列與金融數據分析》[N];中國信息報;2004年

5 何德旭 王朝陽;時間序列計量經濟學：協整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

6 劉俏;讓數據坦白真相[N];21世紀經濟報道;2003年

7 卞紀;我國多時間序列濕地遙感制圖完成[N];中國氣象報;2011年

8 權證一級交易商 國信證券;正股走勢及時間序列主導下半年權證市場運行結構[N];證券時報;2006年

9 廣發(fā)期貨股指研究小組 謝貞聯;Hurst指數提示市場升勢或將形成[N];上海證券報;2012年

10 丁睿 中糧期貨研究院;試論指數HP濾波分析法的應用[N];期貨日報;2014年

相關博士學位論文 前10條

1 張方;局部相似分析的統計研究及其在生物時間序列中的應用[D];山東大學;2019年

2 張琪;時間序列流數據異常檢測問題的研究[D];山東大學;2019年

3 康峻;基于時間序列遙感數據的植被精細分類與覆蓋度反演研究[D];中國科學院大學(中國科學院遙感與數字地球研究所);2018年

4 林蕾;基于循環(huán)神經網絡模型的遙感影像時間序列分類及變化檢測方法研究[D];中國科學院大學(中國科學院遙感與數字地球研究所);2018年

5 丁紅;柳江徑流分析與預測研究[D];武漢理工大學;2016年

6 馬俊;GPS坐標時間序列嚴密三維噪聲模型建立方法[D];武漢大學;2018年

7 周超;集成時間序列InSAR技術的滑坡早期識別與預測研究[D];中國地質大學;2018年

8 丁超;MODIS時間序列重建方法與應用[D];中國地質大學(北京);2018年

9 魏永強;煤礦瓦斯監(jiān)測數據插值與預測研究[D];中國礦業(yè)大學(北京);2015年

10 楊玉軍;基于機器學習的時間序列模型研究及其應用[D];電子科技大學;2018年

相關碩士學位論文 前10條

1 吳亞彬;基于情感時間序列的P2P網貸企業(yè)輿情態(tài)勢研判技術研究與實現[D];北京郵電大學;2019年

2 原媛;量化交易中數據分析技術的研究與實現[D];北京郵電大學;2019年

3 宋駿;基于時間序列的UGC數量與質量預測技術研究[D];北京郵電大學;2019年

4 王晶;多源時間序列數據的建模分析與預測[D];北京郵電大學;2019年

5 胡姣姣;基于深度學習的飛行器遙測時間序列數據異常檢測與預測方法研究[D];西安理工大學;2019年

6 白曉剛;時間序列互作網絡及在宏基因組中的應用[D];河北科技大學;2019年

7 孫鐵凝;回聲狀態(tài)網絡優(yōu)化及其應用研究[D];廣西師范大學;2019年

8 楊雄;EEG時序特征選取及其腦網絡構建與分析[D];太原理工大學;2019年

9 李凈;醫(yī)保大數據資金預測模型的研究與實現[D];山東大學;2019年

10 趙超;融合選擇性提取與子類聚類的快速時間序列shapelet發(fā)現算法[D];山東大學;2019年

本文編號：2640141