CN110110916A - 一种医院门诊就诊量的预测方法及系统 - Google Patents
一种医院门诊就诊量的预测方法及系统 Download PDFInfo
- Publication number
- CN110110916A CN110110916A CN201910357203.9A CN201910357203A CN110110916A CN 110110916 A CN110110916 A CN 110110916A CN 201910357203 A CN201910357203 A CN 201910357203A CN 110110916 A CN110110916 A CN 110110916A
- Authority
- CN
- China
- Prior art keywords
- prediction
- traffic data
- predicted
- value
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003442 weekly effect Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 10
- 239000013589 supplement Substances 0.000 claims description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 abstract description 8
- 230000007774 longterm Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种医院门诊就诊量的预测方法及系统,通过获取待测医院预设时间段内的历史业务量数据,历史业务量数据包括日期、科室、类别以及对应就诊量;根据预测时间周期维度补充历史业务量数据的缺失值;根据预测时间周期维度构建相应的预测模型;利用预测模型对相应的预设时间周期维度的门诊就诊量进行预测。本发明考虑预测时间周期内的长期趋势、年内趋势、月内趋势、短期趋势、周内趋势及春节因素,采用不同的预测模型,在只需要提供门诊历史急诊量数据的情况下,即可达到较高的预测精度。
Description
技术领域
本发明涉及数值建模预测领域,具体涉及一种医院门诊就诊量的预测方法及系统。
背景技术
目前现有与三甲医院未来一周和一个月的门/急诊业务量相关的预测算法,多数采用时间序列或机器学习算法。在学术领域,大多数学者采用简单时间序列的算法,且均不考虑节假日等因素,短期预测结果较好,但无法适应节假日等特殊时期,使得整体预测结果精度不高。在工业领域,大多数企业选择采用机器学习的算法,所需数据特征及数据样本量均较大,但是预测结果并不明显优于时间序列算法。
发明内容
因此,本发明提供的医院门诊就诊量的预测方法及系统,克服了现有技术中对于医院门诊就诊量存在预测性能差精度低的问题。
第一方面,本发明实施例提供一种医院门诊就诊量的预测方法,包括如下步骤:获取待测医院预设时间段内的历史业务量数据,所述历史业务量数据包括日期、科室、类别以及对应就诊量;根据预测时间周期维度统计历史业务量数据,并补充所属历史业务量数据的缺失值;根据预测时间周期维度构建相应的预测模型;利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测。
在一实施例中,所述预测模型包括:按日预测模型、按周预测模型及按月预测模型。
在一实施例中,所述利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测的步骤包括:采用所述按日预测模型预测未来7天内每天的门诊就诊量,包括如下步骤:
判断待预测的未来7天内的某天是否落入春节期间;当未来7天内的某天落入春节期间时,将各科室、各类别的历史业务量数据输入Prophet预测模型,得到历史数据的拟合值及落在春节期间内的某天的初步第一预测值;将历史数据的拟合值与历史真实数据进行对比,得出历史各年中的某天所对应的真实数据与拟合值的平均缩小比例;根据平均缩小比例对所述初步第一预测值进行等比例缩小,得到落在春节期间内的某天的最终第一预测值;将所述历史业务量数据中春节期间的历史数据输入Holtwinters预测模型,得到落在春节间内的某天的第二预测值;将落在春节期间内的某天的最终第一预测值与第二预测值进行加权求和得到最终预测值。
在一实施例中,当未来7天内的某天未落入春节期间时,将所述历史业务量数据输入Prophet预测模型,得到待预测数据的第一预测值;判断各科室、各类别的历史业务量数据是否平稳,并将不平稳的数据进行处理得到平稳的历史业务量数据;将平稳的历史业务量数据输入ARIMA预测模型,得到未落在春节期间内的某天的第二预测值;将未落在春节期间内的某天第一预测值与第二预测值进行加权求和得到最终预测值。
在一实施例中,所述利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测的步骤的包括:采用所述按周预测模型预测未来3周内每周的就诊量总和,包括如下步骤:判断各科室、各类别的历史业务量数据是否平稳,并将不平稳的数据进行处理得到平稳的历史业务量数据;将平稳的历史业务量数据输入ARIMA预测模型,得到每周历史数据的拟合值,并根据拟合值和真实值计算每周就诊量的第一预测误差;将进行平稳性处理后的数据输入Holtwinters预测模型,得到每周历史数据的拟合值,并根据拟合值和真实值计算每周就诊量第二预测误差;
比较每周就诊量第一预测误差及第二预测误差的大小,将预测误差值小的模型输出的预测值作为最终预测值。
在一实施例中,所述利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测的步骤包括:按月预测模型将预测未来6个月内每月的业务量总和,包括如下步骤:将各科室、各类别的历史业务量数据输入各自的Prophet预测模型,得到每月对应的第一预测值;将各科室、各类别的每月历史业务量数据输入各自的Holtwinters预测模型,得到每月对应的第二预测值;将每月对应的第一预测值与第二预测值的均值作为最终预测值。
第二方面,本发明实施例提供一种医院门诊就诊量的预测系统,包括:
历史业务量数据获取模块,用于获取待测医院预设时间段内的历史业务量数据,所述历史业务量数据包括日期、科室、门诊类型以及对应就诊量;缺失值补充模块,用于根据预测时间周期维度统计历史业务量数据,并补充所属历史业务量数据的缺失值;预测模型构建模块,用于根据不同门诊的预测时间周期维度构建相应的预测模型;门诊就诊量预测模块,用于利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测。
第三方面,本发明实施例提供一种计算机设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行本发明实施例第一方面所述的医院门诊就诊量的预测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的医院门诊就诊量的预测方法。
本发明技术方案,具有如下优点:
本发明实施例提供的医院门诊就诊量的预测方法及系统,通过获取待测医院预设时间段内的历史业务量数据,历史业务量数据包括日期、科室、类别以及对应就诊量;根据预测时间周期维度补充所述历史业务量数据的缺失值;根据预测时间周期维度构建相应的预测模型;利用预测模型对相应的预设时间周期维度的门诊就诊量进行预测。本发明考虑预测时间周期内的长期趋势、年内趋势、月内趋势、短期趋势、周内趋势及春节因素,采用不同的预测模型,在只需要提供门诊历史急诊量数据的情况下,即可达到较高的预测精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的医院门诊就诊量的预测方法的一个具体示例的流程图;
图2为本发明实施例提供的预测未来7天内每天的门诊就诊量的一个具体示例的流程图;
图3为本发明实施例提供的预测未来3周内每周的就诊量总和的一个具体示例的流程图;
图4为本发明实施例提供的预测未来6个月内每月的业务量总和一个具体示例的流程图;
图5为本发明实施例提供的医院门诊就诊量的预测系统的一个具体示例的组成图;
图6为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种医院门诊就诊量的预测方法,如图1所示,该方法,包括如下步骤:
步骤S1:获取待测医院预设时间段内的历史业务量数据,历史业务量数据包括日期、科室、类别以及对应就诊量。
本发明实施例中,从医院数据库中获取近三年的业务量数据,并根据科室(内科、外科等)、类别(急诊、普通门诊、专家门诊)及预测时间周期维度(日、周、月)的就诊量进行统计,仅以此举例,不以此为限。
步骤S2:根据预测时间周期维度统计历史业务量数据,并补充所属历史业务量数据的缺失值。
在本发明实施例中,统计的历史业务量数据由于特殊原因会存在就诊量数据缺失的现象,需要根据预测的时间周期维度,将对应的历史时间的缺失的数据用0补充。例如要预测今年8月份第二周的就诊量,但是统计的前三年的8月份第二周某天的数据存在缺失值,所将这些缺失值用0补充,以上仅以此举例,不以此为限。
步骤S3:根据预测时间周期维度构建相应的预测模型。
本发明实施例根据门诊自身的特点需要预测不同时间周期维度的就诊量,构建相应的预测模型包括:按日预测模型、按周预测模型及按月预测模型。
步骤S4:利用预测模型对相应的预设时间周期维度的门诊就诊量进行预测。
在本发明实施例中,将利用预测模型预测的就诊量预测值写入数据库的相应数据库表中供相关的系统进行展示及利用预测值进行分析,为医院的医疗储备做参考。
本发明实施例提供的医院门诊就诊量的预测方法,考虑不同门诊的预测时间周期维度,采用相应的预测模型对应门诊就诊量的预测结果精度较高。
在一具体实施例中,采用按日预测模型预测未来7天内每天的门诊就诊量,如图2所示,包括如下步骤:
步骤S11:判断待预测的未来7天内的某天是否落入春节期间。
本发明实施例中的春节期间包括:春节前2天、春节当天、春节后6天,仅以此举例,不以此为限。
步骤S12:当未来7天内的某天落入春节期间时,将各科室、各类别的历史业务量数据输入Prophet预测模型,得到历史数据的拟合值及落在春节期间内的某天的初步第一预测值。
本发明实施例中,将各科室、各门诊类型的历史业务量数据输入其各自的考虑各业务量的长期趋势、周内趋势、月内趋势、年内趋势Prophet预测模型进行预测,获取到历史数据的拟合值及初步第一预测值,在同一次计算中是由同一个模型得出的历史数据拟合值和后几天的预测值,某一天的预测值会随着历史数据的增加而改变,例如,今天预测后天的预测值和明天预测后天的预测值,会因为加入了今天的历史数据,使得不同时间得到预测值不同,但之前历史数据的拟合值是不变的,拟合值可以反应模型的效果。
步骤S13:将历史数据的拟合值与历史真实数据进行对比,得出历史各年中的某天所对应的真实数据与拟合值的平均缩小比例。
本发明实施例中,某年的缩小比例=(真实值-拟合值)/拟合值),例如:若待预测的某天为春节期间内的第二天,分别计算前三年春节期间第二天的真实数据较拟合值的缩小比例后,计算各年的平均值得到平均缩小比例。
步骤S14:根据平均缩小比例对初步第一预测值进行等比例缩小,得到落在春节期间内的某天的最终第一预测值。
本发明实施例中,将根据预测模型输出的初步第一预测值乘以平均缩小比例,再加上初步第一预测值得到最终第一预测值。
步骤S15:将历史业务量数据中春节期间的历史数据输入Holtwinters预测模型,得到落在春节期间内的某天的第二预测值。
本发明实施例中,使用的是Holtwinters季节性乘性模型,经过多次试验,调整模型参数以使得预测效果更佳精确。
步骤S16:将落在春节期间内的某天的最终第一预测值与第二预测值进行加权求和得到最终预测值。
由于Holtwinters模型受短期趋势影响较大,而prophet模型则更能体现该时间序列的长期趋势,因此本发明实施例将待预测数据的第一预测值与第二预测值进行加权求和得到最终预测值。其中,权重的初始值如下:第一预测值的权重为0.3,第二预测值的权重为0.7,且将以各科室的预测误差(预测误差=|(预测值-真实值)/真实值|)最小为标准进行不断优化调整,将预测误差最小的预测值对应的权重值,作为最终的权重值。
当未来7天内的某天未落入春节期间时,执行如下步骤:
步骤S17:将历史业务量数据输入Prophet预测模型,得到未落在春节期间内的某天的第一预测值。
本发明实施例中,将各科室、各类别的历史业务量数据输入其各自的考虑各业务量的长期趋势、周内趋势、月内趋势、年内趋势、春节因素的Prophet预测模型,得到第一预测值。
步骤S18:判断各科室、各类别的历史业务量数据是否平稳,并将不平稳的数据进行处理得到平稳的历史业务量数据。
本发明实施例中,当判断历史业务数据事是否平稳,若其平稳则不进行处理,若其不平稳,通过多次差分进行平稳性处理,去掉随机因素产生的随机波动数据,得到平稳的历史业务量数据。
步骤S19:将平稳的历史业务量数据输入ARIMA预测模型,得到未落在春节期间内的某天的第二预测值。
本发明实施例中,通过多次迭代得到各科室、各类别的预测效果好的季节性ARIMA模型,利用该模型得到第二预测值。
步骤S20:将未落在春节期间内的某天第一预测值与第二预测值进行加权求和得到最终预测值。
根据经验值给第一预测值的权重及第二预测值的权重设定初始值,将以各科室的预测误差(预测误差=|(预测值-真实值)/真实值|)最小为标准进行不断优化调整,将预测误差最小的预测值对应的权重值,作为最终的权重值。
在一具体实施例中,采用按周预测模型预测未来3周内每周的就诊量总和,如图3所示,包括如下步骤:
步骤S21:判断各科室、各类别的历史业务量数据是否平稳,并将不平稳的数据进行处理得到平稳的历史业务量数据。
本发明实施例中,当判断历史业务数据事是否平稳,若其平稳则不进行处理,若其不平稳,通过多次差分进行平稳性处理,去掉随机因素产生的随机波动数据,得到平稳的历史业务量数据。
步骤S22:将平稳的历史业务量数据输入ARIMA预测模型,得到每周历史数据的拟合值,并根据拟合值和真实值计算每周就诊量的第一预测误差。
本发明实施例中,预测误差=|(拟合值-真实值)/真实值。
步骤S23:将进行平稳性处理后的数据输入Holtwinters预测模型,得到每周历史数据的拟合值,并根据拟合值和真实值计算每周就诊量第二预测误差。
本发明实施例中,采用Holtwinters季节性乘性模型,经过多次试验使得预测效果更佳精确。
步骤S24:比较每周就诊量第一预测误差及第二预测误差的大小,将预测误差值小的模型输出的预测值作为最终预测值。
本发明实施例中,通过比较ARIMA预测模型和Holtwinters预测模型的预测误差的大小,将预测误差值小的预测模型作为最终确定的预测模型,将其输出的预测值作为最终预测值。
在一具体实施例中,按月预测模型将预测未来6个月内每月的业务量总和,如图4所示,包括如下步骤:
步骤S31:将各科室、各类别的历史业务量数据输入Prophet预测模型,得到每月对应的第一预测值。
本发明实施例,将各科室、各类别的历史业务量数据输入各自的考虑各业务量的长期趋势、周内趋势、月内趋势、年内趋势Prophet预测模型,得到其各自第一预测值。
步骤S32:将各科室、各类别的每月历史业务量数据输入各自的Holtwinters预测模型,得到每月对应的第二预测值。
步骤S33:将每月对应的第一预测值与第二预测值的均值作为最终预测值。
本发明实施例综合Prophet预测模型和Holtwinters预测模型的两个预测结果,将两个预测值的均值作为最终预测值,更加精确的预测未来6个月内每月的就诊量总和。
本发明实施例提供的医院门诊就诊量的预测方法,通过获取待测医院预设时间段内的历史业务量数据,历史业务量数据包括日期、科室、类别以及对应就诊量;根据预测时间周期维度补充所述历史业务量数据的缺失值;根据预测时间周期维度构建相应的预测模型;利用预测模型对相应的预设时间周期维度的门诊就诊量进行预测。本发明考虑预测时间周期内的长期趋势、年内趋势、月内趋势、短期趋势、周内趋势及春节因素,采用不同的预测模型,在只需要提供门诊历史急诊量数据的情况下,即可达到较高的预测精度。
实施例2
本发明实施例提供一种医院门诊就诊量的预测系统,如图5所示,该危险驾驶识别与预警系统,包括:
历史业务量数据获取模块1,用于获取待测医院预设时间段内的历史业务量数据,所述历史业务量数据包括日期、科室、门诊类型以及对应就诊量;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
缺失值补充模块2,用于根据预测时间周期维度统计历史业务量数据,并补充所属历史业务量数据的缺失值;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
预测模型构建模块3,用于根据预测时间周期维度构建相应的预测模型;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
门诊就诊量预测模块4,用于利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测。此模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
本发明实施例提供的医院门诊就诊量的预测系统,通过获取待测医院预设时间段内的历史业务量数据,历史业务量数据包括日期、科室、类别以及对应就诊量;根据预测时间周期维度补充所述历史业务量数据的缺失值;根据预测时间周期维度构建相应的预测模型;利用预测模型对相应的预设时间周期维度的门诊就诊量进行预测。本发明考虑预测时间周期内的长期趋势、年内趋势、月内趋势、短期趋势、周内趋势及春节因素,采用不同的预测模型,在只需要提供门诊历史急诊量数据的情况下,即可达到较高的预测精度。
实施例3
本发明实施例提供一种计算机设备,如图6所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1的医院门诊就诊量的预测方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例1的医院门诊就诊量的预测方法。
其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行实施例1中的医院门诊就诊量的预测方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1的医院门诊就诊量的预测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种医院门诊就诊量的预测方法,其特征在于,包括如下步骤:
获取待测医院预设时间段内的历史业务量数据,所述历史业务量数据包括日期、科室、类别以及对应就诊量;
根据预测时间周期维度统计历史业务量数据,并补充所属历史业务量数据的缺失值;
根据预测时间周期维度构建相应的预测模型;
利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测。
2.根据权利要求1所述的医院门诊就诊量的预测方法,其特征在于,所述预测模型包括:按日预测模型、按周预测模型及按月预测模型。
3.根据权利要求2所述的医院门诊就诊量的预测方法,其特征在于,所述利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测的步骤包括:采用所述按日预测模型预测未来7天内每天的门诊就诊量,包括如下步骤:
判断待预测的未来7天内的某天是否落入春节期间;
当未来7天内的某天落入春节期间时,将各科室、各类别的历史业务量数据输入Prophet预测模型,得到历史数据的拟合值及落在春节期间内的某天的初步第一预测值;
将历史数据的拟合值与历史真实数据进行对比,得出历史各年中的某天所对应的真实数据与拟合值的平均缩小比例;
根据平均缩小比例对所述初步第一预测值进行等比例缩小,得到落在春节期间内的某天的最终第一预测值;
将所述历史业务量数据中春节期间的历史数据输入Holtwinters预测模型,得到落在春节间内的某天的第二预测值;
将落在春节期间内的某天的最终第一预测值与第二预测值进行加权求和得到最终预测值。
4.根据权利要求3所述的医院门诊就诊量的预测方法,其特征在于,当未来7天内的某天未落入春节期间时,将所述历史业务量数据输入Prophet预测模型,得到未落在春节期间内的某天的第一预测值;
判断各科室、各类别的历史业务量数据是否平稳,并将不平稳的数据进行处理得到平稳的历史业务量数据;
将平稳的历史业务量数据输入ARIMA预测模型,得到未落在春节期间内的某天的第二预测值;
将未落在春节期间内的某天第一预测值与第二预测值进行加权求和得到最终预测值。
5.根据权利要求2所述的医院门诊就诊量的预测方法,其特征在于,所述利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测的步骤的包括:采用所述按周预测模型预测未来3周内每周的就诊量总和,包括如下步骤:
判断各科室、各类别的历史业务量数据是否平稳,并将不平稳的数据进行处理得到平稳的历史业务量数据;
将平稳的历史业务量数据输入ARIMA预测模型,得到每周历史数据的拟合值,并根据拟合值和真实值计算每周就诊量的第一预测误差;
将进行平稳性处理后的数据输入Holtwinters预测模型,得到每周历史数据的拟合值,并根据拟合值和真实值计算每周就诊量第二预测误差;
比较每周就诊量第一预测误差及第二预测误差的大小,将预测误差值小的模型输出的预测值作为最终预测值。
6.根据权利要求2所述的医院门诊就诊量的预测方法,其特征在于,所述利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测的步骤包括:按月预测模型将预测未来6个月内每月的业务量总和,包括如下步骤:
将各科室、各类别的历史业务量数据输入各自的Prophet预测模型,得到每月对应的第一预测值;
将各科室、各类别的每月历史业务量数据输入各自的Holtwinters预测模型,得到每月对应的第二预测值;
将每月对应的第一预测值与第二预测值的均值作为最终预测值。
7.一种医院门诊就诊量的预测系统,其特征在于,包括:
历史业务量数据获取模块,用于获取待测医院预设时间段内的历史业务量数据,所述历史业务量数据包括日期、科室、门诊类型以及对应就诊量;
缺失值补充模块,用于根据预测时间周期维度统计历史业务量数据,并补充所属历史业务量数据的缺失值;
预测模型构建模块,用于根据不同门诊的预测时间周期维度构建相应的预测模型;
门诊就诊量预测模块,用于利用所述预测模型对相应的预设时间周期维度的门诊就诊量进行预测。
8.一种计算机设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6中任一所述的医院门诊就诊量的预测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6中任一所述的医院门诊就诊量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357203.9A CN110110916A (zh) | 2019-04-29 | 2019-04-29 | 一种医院门诊就诊量的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910357203.9A CN110110916A (zh) | 2019-04-29 | 2019-04-29 | 一种医院门诊就诊量的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110916A true CN110110916A (zh) | 2019-08-09 |
Family
ID=67487604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910357203.9A Pending CN110110916A (zh) | 2019-04-29 | 2019-04-29 | 一种医院门诊就诊量的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110916A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508598A (zh) * | 2020-05-06 | 2020-08-07 | 万达信息股份有限公司 | 一种呼吸系统疾病门诊量预测方法 |
CN111784075A (zh) * | 2020-07-22 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 预测服务请求量的方法和系统 |
CN111965099A (zh) * | 2020-07-06 | 2020-11-20 | 国网山东省电力公司电力科学研究院 | 一种大气腐蚀性数据补偿方法、系统、介质及电子设备 |
CN113538026A (zh) * | 2020-04-15 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
-
2019
- 2019-04-29 CN CN201910357203.9A patent/CN110110916A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194508A (zh) * | 2017-05-18 | 2017-09-22 | 成都数联易康科技有限公司 | 一种基于时间序列动态预测中短期区域儿科门诊人次的方法 |
CN109002904A (zh) * | 2018-06-21 | 2018-12-14 | 中南大学 | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 |
Non-Patent Citations (1)
Title |
---|
王佐芳等: "《市场调查,预测与决策》", 北京邮电大学出版社, pages: 182 - 204 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538026A (zh) * | 2020-04-15 | 2021-10-22 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
CN113538026B (zh) * | 2020-04-15 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种业务量计算方法和装置 |
CN111508598A (zh) * | 2020-05-06 | 2020-08-07 | 万达信息股份有限公司 | 一种呼吸系统疾病门诊量预测方法 |
CN111508598B (zh) * | 2020-05-06 | 2023-12-08 | 万达信息股份有限公司 | 一种呼吸系统疾病门诊量预测方法 |
CN111965099A (zh) * | 2020-07-06 | 2020-11-20 | 国网山东省电力公司电力科学研究院 | 一种大气腐蚀性数据补偿方法、系统、介质及电子设备 |
CN111784075A (zh) * | 2020-07-22 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 预测服务请求量的方法和系统 |
CN116523146A (zh) * | 2023-06-30 | 2023-08-01 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
CN116523146B (zh) * | 2023-06-30 | 2023-09-26 | 天津蓝天环科环境科技股份有限公司 | 一种基于神经网络的医院污水量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110916A (zh) | 一种医院门诊就诊量的预测方法及系统 | |
Pitz | Subjective probability distributions for imperfectly known quantities | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
US9961202B2 (en) | Automated call classification | |
CN113342939B (zh) | 数据质量监控方法、装置及相关设备 | |
CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
CN111105265A (zh) | 基于客户信息的预测方法、装置、计算机设备及存储介质 | |
CN109634997A (zh) | 一种异动渠道的获取方法、装置及电子设备 | |
CN112785057A (zh) | 基于指数平滑的件量预测方法、装置、设备及存储介质 | |
CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
CN110929922A (zh) | 一种基于时间序列数据的指标趋势预测方法及装置 | |
CN110928748A (zh) | 业务系统运行监测方法及装置 | |
CN113537631B (zh) | 药品需求量的预测方法、装置、电子设备及存储介质 | |
CN112034371B (zh) | 电池健康度预测方法及终端设备 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN115689143A (zh) | 工单分派方法、装置、电子设备及介质 | |
CN114066642A (zh) | 电力零售的风险预测方法、终端及存储介质 | |
CN111164633B (zh) | 一种评分卡模型的调整方法、装置、服务器及存储介质 | |
CN113129127A (zh) | 预警方法和装置 | |
CN112767030A (zh) | 网约车定价方法、装置及计算机可读存储介质 | |
CN110060020A (zh) | 项目费用预测方法以及装置 | |
CN112163633A (zh) | 测试评估方法、装置、电子设备及存储介质 | |
CN113743532B (zh) | 异常检测方法、装置、设备及计算机存储介质 | |
CN111367820B (zh) | 一种测试案例的排序方法及装置 | |
Lowe | The cumulative effects of time-varying covariates in survival analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191113 Address after: Room 720-4, building 9, no.1616, Chuangxin Road, Songbei District, Harbin City, Heilongjiang Province Applicant after: Kunzhi big data technology (Harbin) Co.,Ltd. Address before: Room 722, Love Cube Incubator, 170 Guixin Street, Nangang District, Harbin City, Heilongjiang Province Applicant before: Harbin Zhexi Data Technology Partnership (L.P.) |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |