患者作為醫(yī)院的一大主體,其數(shù)量的變動(dòng)對(duì)于醫(yī)院的正常運(yùn)作有著重要的影響,譬如醫(yī)院工作人員的安排,醫(yī)院可支配資源的調(diào)度以及各種相關(guān)政策、決策的制定等等都是以醫(yī)院的診療人次為基礎(chǔ)進(jìn)行的。毫無(wú)疑問(wèn),精確預(yù)測(cè)醫(yī)院的診療人次有利于醫(yī)院的正常運(yùn)作管理。為了提高醫(yī)院診療人次的預(yù)測(cè)精度,本論文根據(jù)“分解集成”的思想構(gòu)建了基于小波分解技術(shù)的分解集成預(yù)測(cè)模型。該模型首先使用小波分解技術(shù)分解醫(yī)院診療人次時(shí)間序列數(shù)據(jù),得到若干分量。該分解過(guò)程使復(fù)雜的原始數(shù)據(jù)得以簡(jiǎn)化,并且降低了預(yù)測(cè)的難度。然后利用人工神經(jīng)網(wǎng)絡(luò)這一人工智能模型分別預(yù)測(cè)各分量。最后,集成所有分量的預(yù)測(cè)值得到最終的預(yù)測(cè)值。為了驗(yàn)證本文構(gòu)建的分解集成模型的預(yù)測(cè)精準(zhǔn)度,本文選取四組不同的醫(yī)院總診療人次的月度數(shù)據(jù)作為樣本展開(kāi)實(shí)證研究。實(shí)驗(yàn)結(jié)果表明,與其它基準(zhǔn)模型相比較,該分解集成模型在預(yù)測(cè)醫(yī)院診療人次這方面準(zhǔn)確度更高。醫(yī)院診療人次的數(shù)據(jù)具有多變性、復(fù)雜性,而本論文構(gòu)建的模型能夠有效處理其多變性和復(fù)雜性,進(jìn)而提高醫(yī)院診療人次的預(yù)測(cè)精準(zhǔn)度,在一定程度上對(duì)醫(yī)院診療人次預(yù)測(cè)領(lǐng)域的發(fā)展產(chǎn)生積極的影響。

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
學(xué)位論文數(shù)據(jù)集
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 研究的目的與意義
    1.3 研究?jī)?nèi)容與章節(jié)安排
    1.4 本章小結(jié)
第二章 文獻(xiàn)綜述
    2.1 傳統(tǒng)計(jì)量統(tǒng)計(jì)預(yù)測(cè)方法
    2.2 人工智能預(yù)測(cè)方法
    2.3 混合預(yù)測(cè)方法
    2.4 文獻(xiàn)評(píng)述及本論文創(chuàng)新點(diǎn)
    2.5 本章小結(jié)
第三章 常用預(yù)測(cè)方法介紹
    3.1 傳統(tǒng)計(jì)量統(tǒng)計(jì)預(yù)測(cè)方法
        3.1.1 自回歸積分滑動(dòng)平均模型
        3.1.2 灰色預(yù)測(cè)模型
        3.1.3 指數(shù)平滑模型
    3.2 人工智能預(yù)測(cè)方法
    3.3 混合預(yù)測(cè)方法
    3.4 本章小結(jié)
第四章 分解集成框架下的醫(yī)院診療人次預(yù)測(cè)
    4.1 模型構(gòu)建
        4.1.1 數(shù)據(jù)分解
        4.1.2 分量預(yù)測(cè)
        4.1.3 集成預(yù)測(cè)
        4.1.4 分解集成模型
    4.2 實(shí)證研究
        4.2.1 數(shù)據(jù)描述
        4.2.2 評(píng)價(jià)指標(biāo)
        4.2.3 基準(zhǔn)模型
        4.2.4 參數(shù)設(shè)置
    4.3 結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)和展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡(jiǎn)介
附件



本文編號(hào)：3842919