论文部分内容阅读
IE是一门以定量分析为主,强调系统性、科学性,从系统的角度分析问题、解决问题的工程学科。这种定量分析的思想被广泛的应用到医疗领域的决策分析和资源调度问题中。在医疗服务领域中,医疗服务需求预测是医疗机构运作管理中计划调度和资源配置的前提。精确可靠的预测有助于科学分配关键医疗资源,对医疗机构实现科学管理具有重要意义。本文以医疗服务需求预测方法研究现状为出发点,将医疗服务需求预测问题提炼为医疗独立需求预测和关联需求预测,本文研究不同的预测方法分别应用到这两类问题中。对于独立需求预测,本文首先对现有时间序列模型优缺点进行分析,提出了一种集成自回归综合移动平均(ARIMA)模型与自适应过滤法的组合预测模型,强调ARIMA模型对时间序列数据特征识别与参数估计的优势,同时引入自适应过滤法的“权数”调整思想,对ARIMA模型的参数进行调整,以提高预测精度。本文从时间序列数据库(TSDL)中选取13组不同规模涵盖四类典型时间序列类型的算例分别对组合预测和传统ARIMA预测对比。结果表明,对于短期预测,组合预测的预测精度较ARIMA模型提高了80%-95%,预测趋势更加接近实际情况。当预测步长加长时,ARIMA模型预测误差呈线性增加,而组合模型的预测精度的变化率基本维持不变,验证了组合模型长期预测的有效性。随后收集了宁波市某妇幼保健院2017年1月-2018年3月的日产前检查人数和B-超检查人数,分别应用本文提出的组合模型和ARIMA模型进行预测,预测结果显示,ARIMA模型在两科室预测结果的MAPE分别为18.53%和27.69%,组合模型分别为2.79%和1.25%。结果表明,组合预测模型实现简单,预测精度优于单一的ARIMA模型。同时对组合预测模型在妇保院检查预测的最适用性进行了研究,发现当历史数据量为10-13个月时,预测精度最高,历史数据量不变时,对十月份的日检查量预测效果最差。对于关联需求预测问题,考虑到天气和节假日因素对门诊人数的影响,将其作为关联因子,建立多渠道数据预测模型。本文研究了目前较流行的机器学习方法中集成决策树预测算法——GBDT和随机森林,并应用到该妇保院日产前检查人数预测中,阐述了建模步骤。预测结果显示,GBDT和随机森林的预测结果的平均百分比误差分别为12%和15%,均满足应用需求,该模型可以用于门诊量预测中。同时,从预测结果的相对误差、平均百分比误差以及相对误差的标准差等三项指标评价ARIMA、决策树、组合预测模型的预测效果。评价结果表明本文提出的组合预测模型的预测效果优于集成决策树模型,传统的ARIMA模型预测效果最差。