JP5269061B2 - サービス時間予測装置及びサービス時間予測方法 - Google Patents

Description

本発明は、ユークリッド距離等の相関度合を示す指標値を用いた、サービス所要時間の予測に関する。

従来、病院、美容院、飲食店等のサービス提供施設において発生する、サービスを享受する患者や利用者の待ち時間を予測する手法が開発されている。例えば、特許文献１には、診察待ち時間の問い合わせを受けた際に、現在診察中の患者及び問い合わせ患者の前の診察待ちの患者の平均診察時間を診察時間データベースから取得し、各患者の平均診察時間に検査結果の有無及び検査情報に応じた係数を乗じ、その総和により予測待ち時間を算出する「診察待ち時間予測プログラム、記録媒体、装置及び方法」が開示されている。

次に、特許文献２には、ニューラルネットワークを用いて、サービスの提供にかかる時間を予測し、そのサービス提供時間に利用予定者数を乗算して、待ち時間を算出する「待ち時間予測方法、待ち時間予測システム、及びプログラム」が開示されている。

そして、特許文献３には、ニューラルネットワークを用いて、過去の待ち時間を、日付、曜日、時間帯、天気等とともに記憶しておき、予測対象日の曜日、天気等が一致する日付を特定し、その日付と予測対象時間帯に対応する待ち時間を読み出し、平均して、待ち時間の予測値を算出する「待ち時間予測方法、待ち時間予測システム、及びプログラム」が開示されている。

特開２００８−２１７３８９号公報 特許第４２１７６８９号公報 特許第４１９４５７３号公報

しかしながら、特許文献１の技術では、診察所要時間の平均値を求めているが、診療科、担当医師、時間帯、予約の有無、初診又は再診等のカテゴリ別の平均値は計算されておらず、カテゴリを考慮した、きめ細やかな予測は行われていない。

また、特許文献２及び３の技術では、ニューラルネットワークを用いて精度の高い予測を行うことができるが、予測対象時間帯よりも前で直近の時間帯における診察時間の実績値の平均値や、予測対象日の前週同曜日に該当する日付における来院患者数の合計等を入力信号とし、診察時間の実績値を教師信号とし、診察時間の予測値を出力信号とするような複雑なプログラムを作成しなければならない。

本発明は、上記課題を鑑みてなされたものであり、その主たる目的は、効率よく、精度よくサービス所要時間を予測することにある。

上記課題を解決するために、本発明は、過去のサービス時間から将来のサービス時間を予測するサービス時間予測装置であって、過去のサービスごとに、当該サービスの利用者に固有の利用者ＩＤと、当該サービスに関する情報のデータ項目であるカテゴリごとに、当該カテゴリについて設定された複数のデータのうち、いずれかのデータであるアイテムと、当該利用者のサービス時間の実績値とを含む実績値データを記憶する手段と、前記実績値データに基づいて、前記カテゴリごとに、当該カテゴリの前記アイテムの違いが前記サービス時間に及ぼす影響度を計算し、当該影響度が所定の度合以上のカテゴリを選択するカテゴリ選択手段と、前記選択したカテゴリごとに、各利用者ＩＤについて、当該カテゴリの前記アイテムが当該利用者ＩＤと同じである前記実績値の平均値を算出し、当該平均値と、当該利用者ＩＤの前記実績値との差分値を計算する差分値計算手段と、前記選択したカテゴリごとに、各利用者ＩＤの前記差分値を合計し、その合計値に基づいて、当該カテゴリに関する前記平均値と、前記実績値との間の相関度合を示す距離値を計算する距離値計算手段と、サービス時間を予測すべき利用者ＩＤについて、前記選択したカテゴリごとに、当該カテゴリの前記アイテムが当該利用者ＩＤと同じであるサービス時間の平均値を計算する手段と、前記選択したカテゴリごとに、前記計算した平均値に対して、当該カテゴリの前記距離値が小さいほど大きい重み付け係数を乗算し、その乗算値を合計した値を当該利用者ＩＤのサービス時間の予測値とする手段と、を備えることを特徴とする。

この構成によれば、サービス時間の実績値をそのまま使用するので、ニューラルネットワークを実現するような複雑なプログラムを作成せずに済む。次に、アイテムの違いによるサービス時間への影響度が大きいカテゴリを選択し、そのカテゴリに関してだけ計算を行うので、効率よく処理することができる。そして、距離値が小さいほど、同じアイテムのサービス時間の平均値と、実績値との間の相関が強いことを示す。そこで、選択したカテゴリごとに、そのアイテムが予測対象利用者と同じであるサービス時間の平均値を計算し、上記の距離値が小さいほど大きい重み付け係数を用いて上記の平均値を合成して、当該利用者のサービス時間の予測値を求める。これによれば、相関の強いカテゴリのサービス時間が大きく重み付けされるので、サービス時間の予測値の精度を上げることができる。

以上によれば、効率よく、精度よく利用者のサービス時間を予測することができる。

なお、「当該影響度が所定の度合以上のカテゴリ」とは、影響度が大きい上位所定個数のカテゴリや、影響度が所定値以上のカテゴリを含む。

また、本発明の上記サービス時間予測装置において、前記影響度は、前記カテゴリの前記アイテムによるサービス時間のばらつきの度合であることとしてもよい。

また、本発明の上記サービス時間予測装置において、前記カテゴリ選択手段は、各カテゴリの前記アイテムごとに、前記サービス時間の平均値を計算し、前記カテゴリごとに、前記平均値の最大値及び最小値を特定し、当該最大値と、当該最小値との差を前記影響度として算出することとしてもよい。

この構成によれば、アイテムごとのサービス時間の平均値のうち、最大値と、最小値との差を、カテゴリの影響度とすることにより、その差の大きいカテゴリが選択される。最大値と、最小値との差が大きれば、当該カテゴリのアイテムに応じて大きくサービス時間が変動するということなので、アイテムの違いによるサービス時間への影響が大きいと考えられる。これによれば、サービス時間に対する影響の大きいカテゴリを選択することができる。

また、本発明の上記サービス時間予測装置において、前記差分値計算手段は、前記平均値と、前記実績値との差の２乗又はその差の絶対値を計算し、前記距離値計算手段は、前記合計値そのもの又は前記合計値の正の平方根を前記距離値とすることとしてもよい。

また、本発明の上記サービス時間予測装置において、前記重み付け係数は、前記距離値の逆数の比率であることとしてもよい。

なお、本発明は、サービス時間予測方法を含む。その他、本願が開示する課題及びその解決方法は、発明を実施するための形態の欄、及び図面により明らかにされる。

本発明によれば、効率よく、精度よくサービス所要時間を予測することができる。

サービス時間予測装置１のハードウェア構成を示す図である。 （ａ）は、初期設定データ１５Ａの構成を示し、（ｂ）は予測対象患者データ１５Ｂの構成を示す。 実績値データ１５Ｃの構成を示す。 平均値データ１５Ｄの構成を示す。 選択カテゴリデータ１５Ｅの構成を示す。 抽出患者データ１５Ｆの構成を示す。 サービス時間予測装置１の処理を示すフローチャート（１／２）である。 サービス時間予測装置１の処理を示すフローチャート（２／２）である。 ユークリッド距離を説明するための図である。

以下、図面を参照しながら、本発明を実施するための形態を説明する。本発明の実施の形態に係るサービス時間予測装置は、過去のサービス時間の実績値データを記憶し、その実績値データに基づいて、サービスに関するデータ項目であるカテゴリごとに、当該カテゴリについて設定されたデータである各アイテムのサービス時間の平均値を計算し、その平均値に基づいて、アイテムの違いによるサービス時間の変動が大きいカテゴリを選択する。次に、選択したカテゴリごとに、利用者のサービス時間の平均値と、実績値との相関度合を示すユークリッド距離を計算する。そして、そのユークリッド距離が小さいほど大きい重み付け係数を決め、各重み付け係数により、予測すべき利用者の、各カテゴリのサービス時間の平均値を合成し、サービス時間の予測値を求める。

これによれば、アイテムの違いに応じてサービス時間の変動が大きいカテゴリを重視し、そうでないカテゴリを考慮しないので、サービス時間を効率よく、精度よく予測することができる。以下、病院における患者の診察所要時間をサービス時間の例とした実施の形態について説明する。

≪装置の構成と概要≫
図１は、サービス時間予測装置１のハードウェア構成を示す図である。サービス時間予測装置１は、通信部１１、表示部１２、入力部１３、処理部１４及び記憶部１５を備え、各部がバス１６を介してデータを送受信可能なように構成される。通信部１１は、ネットワークを介して他の装置とＩＰ（Internet Protocol）通信等を行う部分であり、例えば、ＮＩＣ（Network Interface Card）等によって実現される。表示部１２は、処理部１４からの指示によりデータを表示する部分であり、例えば、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）等によって実現される。入力部１３は、オペレータがデータ（例えば、初期設定すべきデータ）を入力する部分であり、例えば、キーボードやマウス等によって実現される。処理部１４は、所定のメモリを介して各部間のデータの受け渡しを行うととともに、サービス時間予測装置１全体の制御を行うものであり、ＣＰＵ（Central Processing Unit）が所定のメモリに格納されたプログラムを実行することによって実現される。記憶部１５は、処理部１４からデータを記憶したり、記憶したデータを読み出したりするものであり、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の不揮発性記憶装置によって実現される。なお、サービス時間予測装置１は、スタンドアロンの装置（ＰＣ（Personal Computer）等）であってもよいし、ネットワークを介して複数の端末と通信可能な装置（サーバ等）であってもよい。

≪データの構成≫
図２〜図６は、サービス時間予測装置１の記憶部１５に記憶されるデータの構成を示す図である。図２（ａ）は、初期設定データ１５Ａの構成を示す。初期設定データ１５Ａは、サービス時間予測装置１がサービス時間を予測する処理を行う前に設定される固定値であり、アイテム抽出範囲１５Ａ１、選択カテゴリ数１５Ａ２及び抽出患者データ数１５Ａ３を含む。アイテム抽出範囲１５Ａ１は、実績値データ１５Ｃからカテゴリごとのアイテムを抽出する際の対象範囲を示し、例えば、診察日１５Ｃ１が含まれるべき期間として、直近の２週間や１ヶ月間等が設定される。選択カテゴリ数１５Ａ２は、診察所要時間への影響が大きいカテゴリを選択する際の個数を示し、例えば、３個や４個等のカテゴリ数が設定される。抽出患者データ数１５Ａ３は、選択したカテゴリのユークリッド距離を算出する際に、実績値データ１５Ｃから患者データを抽出する件数を示し、例えば、５０件等の件数が設定される。

図２（ｂ）は、予測対象患者データ１５Ｂの構成を示す。予測対象患者データ１５Ｂは、診察所要時間を予測すべき患者に関するデータであり、予測対象患者数１５Ｂ１のデータと、患者番号１５Ｂ２、患者ＩＤ１５Ｂ３、予測値１５Ｂ４、カテゴリ１の平均値１５Ｂ５、カテゴリ２の平均値１５Ｂ６、カテゴリ３の平均値１５Ｂ７を含む、予測対象患者ごとのレコードとからなる。

予測対象患者数１５Ｂ１は、診察所要時間を予測すべき患者の人数である。患者番号１５Ｂ２は、予測対象患者ごとのレコードに対して付与される、１から予測対象患者数１５Ｂ１までの連番であり、患者ごとに診察所要時間の平均値を算出する際のインデックスとして用いられる。患者ＩＤ１５Ｂ３は、患者に固有のＩＤである。予測対象患者数１５Ｂ１及び患者ＩＤ１５Ｂ３は、予測処理の前に取得され、設定され、患者番号１５Ｂ２は、患者ＩＤ１５Ｂ３ごとに設定される。

予測値１５Ｂ４は、当該患者の診察所要時間の予測値であり、サービス時間予測装置１により算出された値が設定される。カテゴリ１の平均値１５Ｂ５は、１番目のカテゴリに関する診察所要時間の平均値である。カテゴリ２の平均値１５Ｂ６は、２番目のカテゴリに関する診察所要時間の平均値である。カテゴリ３の平均値１５Ｂ７は、３番目のカテゴリに関する診察所要時間の平均値である（以下、同様）。なお、カテゴリの平均値は、選択カテゴリ数１５Ａ２の示す個数分だけ設定される。

図３は、実績値データ１５Ｃの構成を示す。実績値データ１５Ｃは、患者の診察に関する過去の実績を示すデータであり、診察日１５Ｃ１、診療科１５Ｃ２、医師ＩＤ１５Ｃ３、患者ＩＤ１５Ｃ４、予約有無１５Ｃ５、受付時刻１５Ｃ６、診察開始時刻１５Ｃ７、診察終了時刻１５Ｃ８及び診察時間１５Ｃ９を含む、診察案件（サービス）ごとのレコードからなる。診察日１５Ｃ１は、診察が行われた年月日である。診療科１５Ｃ２は、診察が行われた診療科である。医師ＩＤ１５Ｃ３は、診察を行った医師に固有のＩＤである。患者ＩＤ１５Ｃ４は、診察を受けた患者に固有のＩＤである。予約有無１５Ｃ５は、診察の予約があったか否かを示し、「予約あり」又は「予約なし」が設定される。受付時刻１５Ｃ６は、病院の窓口で診察患者を受け付けた時刻である。診察開始時刻１５Ｃ７は、患者の診察が開始した時刻である。診察終了時刻１５Ｃ８は、患者の診察が終了した時刻である。診察時間１５Ｃ９は、患者の診察にかかった所要時間であり、「診察終了時刻１５Ｃ８−診察開始時刻１５Ｃ７」の値が設定される。なお、実績値データ１５Ｃのうち、診察時間１５Ｃ９以外の項目がカテゴリに相当し、その項目の具体的なデータがアイテムに相当する。

図４は、平均値データ１５Ｄの構成を示す。平均値データ１５Ｄは、各アイテムの診察所要時間の平均値及びその関連値のデータであり、カテゴリ１５Ｄ１、アイテム１５Ｄ２、診察時間平均値１５Ｄ３、最小値１５Ｄ４、最大値１５Ｄ５及びレンジ１５Ｄ６を含む、各カテゴリのアイテムごとのレコードからなる。カテゴリ１５Ｄ１は、実績値データ１５Ｃの項目のうち、診察時間１５Ｃ９以外の項目であり、例えば、診療科、医師ＩＤ、予約有無等が設定され、患者の診察所要時間に影響を及ぼす項目の候補として取り扱われる。アイテム１５Ｄ２は、カテゴリ１５Ｄ１ごとに設定された、診察（サービス）に関するデータを示し、例えば、カテゴリ１５Ｄ１のうち、「診療科」に対しては、内科、小児科等が設定され、「予約有無」に対しては、予約あり及び予約なしが設定される。診察時間平均値１５Ｄ３は、当該カテゴリ１５Ｄ１が当該アイテム１５Ｄ２である各患者の診察所要時間の平均値である。図４に示すように、例えば、診療科が内科である患者の平均診察時間が７．７分である。

最小値１５Ｄ４は、各カテゴリ１５Ｄ１における診察時間平均値１５Ｄ３のうち、最小値が設定される。例えば、カテゴリ１５Ｄ１の「診療科」に関しては、アイテム１５Ｄ２が「泌尿器科」及び「眼科」の診察時間平均値１５Ｄ３である「５．１分」が設定される。最大値１５Ｄ５は、各カテゴリ１５Ｄ１における診察時間平均値１５Ｄ３のうち、最大値が設定される。例えば、カテゴリ１５Ｄ１の「診療科」に関しては、アイテム１５Ｄ２が「産婦人科」の診察時間平均値１５Ｄ３である「１０．２分」が設定される。レンジ１５Ｄ６は、各カテゴリ１５Ｄ１における診察時間平均値１５Ｄ３の範囲の幅を示し、「最大値１５Ｄ５−最小値１５Ｄ４」の値が設定される。レンジ１５Ｄ６が大きいほど、当該カテゴリ１５Ｄ１におけるアイテム１５Ｄ２の違いが診察所要時間に及ぼす影響が大きいと考えられる。例えば、カテゴリ１５Ｄ１の「診療科」に関しては、１０．２分−５．１分＝５．１分が設定される。

図５は、選択カテゴリデータ１５Ｅの構成を示す。選択カテゴリデータ１５Ｅは、診察所要時間への影響が大きいものとして選択されたカテゴリに関するデータであり、カテゴリ番号１５Ｅ１、カテゴリ１５Ｅ２及びユークリッド距離１５Ｅ３を含む、選択カテゴリ数１５Ａ２分のレコードからなる。カテゴリ番号１５Ｅ１は、選択されたカテゴリに付与される、１から選択カテゴリ数１５Ａ２までの連番であり、カテゴリごとにアイテムが同じ患者の診察所要時間の平均値を算出する際のインデックスとして用いられる。カテゴリ１５Ｅ２は、レンジ１５Ｄ６の大きい順に選択されたカテゴリを示す。ユークリッド距離１５Ｅ３は、当該カテゴリ１５Ｅ２に関して、抽出した患者の診察所要時間のうち、１の患者の実績値と、１の患者とアイテムが同じ患者（１の患者を含む）の平均値との差を２乗し、各患者の２乗値を合計した値である。そして、実績値と、平均値との相関度合を示す指標値として、予測値を算出する際に、各カテゴリの診察所要時間の平均値に乗ずる重み付け係数（逆数の比率）に用いられる。なお、図８は、ユークリッド距離を説明するための図である。ユークリッド距離が小さいほど、平均値が実績値に近似しており、相関度合が大きいことになる。

図６は、抽出患者データ１５Ｆの構成を示す。抽出患者データ１５Ｆは、実績値データ１５Ｃから抽出される患者のデータであり、患者番号１５Ｆ１、診察日１５Ｆ２、診療科１５Ｆ３、医師ＩＤ１５Ｆ４、患者ＩＤ１５Ｆ５、予約有無１５Ｆ６、受付時刻１５Ｆ７、診察開始時刻１５Ｆ８、診察終了時刻１５Ｆ９及び診察時間１５Ｆ１０を含む、抽出患者データ数１５Ａ３分のレコードからなる。患者番号１５Ｆ１は、抽出された患者に付与される、１から抽出患者データ数１５Ａ３までの連番であり、各患者について、診察所要時間の平均値及びユークリッド距離を算出する際のインデックスとして用いられる。診察日１５Ｆ２〜診察時間１５Ｆ１０は、実績値データ１５Ｃの診察日１５Ｃ１〜診察時間１５Ｃ９と同様である。

≪装置の処理≫
図７Ａ及び図７Ｂは、サービス時間予測装置１の処理を示すフローチャートである。本処理は、サービス時間予測装置１において、主として処理部１４が、記憶部１５のデータを参照、更新しながら、予測対象患者の診察所要時間を予測するものである。

図７Ａに示すように、まず、サービス時間予測装置１は、通信部１１又は入力部１３を通じて、診察所要時間を予測すべき患者のデータを取得し、予測対象患者データ１５Ｂとして記憶部１５に記憶する（Ｓ７０１）。詳細には、予測対象の患者ＩＤを取得し、患者ＩＤ１５Ｂ３として記憶し、その患者ＩＤの個数（Ｍ個とする）を予測対象患者数１５Ｂ１として記憶する。このとき、患者ＩＤ１５Ｂ３に対して、１からＭまでの連番を患者番号１５Ｂ２として付与する。

次に、サービス時間予測装置１は、アイテム抽出範囲１５Ａ１（例えば、直近の１ヶ月間）の実績値データ１５Ｃから、カテゴリごとのアイテムを抽出し（Ｓ７０２）、各アイテムの診察所要時間の平均値を算出し、平均値データ１５Ｄとして記憶部１５に記憶する（Ｓ７０３）。例えば、実績値データ１５Ｃの診療科１５Ｃ２をカテゴリとすれば、診療科１５Ｃ２のデータである泌尿器科、内科、整形外科等をアイテムとして抽出する。次に、診療科１５Ｃ２が泌尿器科の診察時間１５Ｃ９を、アイテム抽出範囲１５Ａ１の示す範囲内で取得し、平均値を計算する。そして、平均値データ１５Ｄのうち、カテゴリ１５Ｄ１が診療科、アイテム１５Ｄ２が泌尿器科の診察時間平均値１５Ｄ３として、計算した平均値を設定する。このような処理を、各カテゴリの抽出したアイテムごとに実施する。

続いて、サービス時間予測装置１は、平均値データ１５Ｄのうち、カテゴリ１５Ｄ１ごとに、診察時間平均値１５Ｄ３の最小値及び最大値を抽出し、最大値から最小値を減算して、レンジを算出する（Ｓ７０４）。このとき、カテゴリ１５Ｄ１ごとに、最小値１５Ｄ４、最大値１５Ｄ５及びレンジ１５Ｄ６を設定する。そして、レンジ１５Ｄ６が大きい上位のカテゴリを選択し、選択カテゴリデータ１５Ｅとして記憶部１５に記憶する（Ｓ７０５）。このとき、選択カテゴリ数１５Ａ２をａ個として、その個数分のカテゴリを選択する。例えば、ａ＝３（個）とすれば、図４に示す平均値データ１５Ｄからレンジ１５Ｄ６の大きい順に、患者ＩＤ、医師ＩＤ及び診療科を選択し、図５に示すカテゴリ１５Ｅ２として設定する。このとき、カテゴリ１５Ｅ２に対応して、１からａ（＝３）までの連番をカテゴリ番号１５Ｅ１として付与する。ここで、レンジ１５Ｄ６が大きいカテゴリを選択するのは、各アイテムの診察時間平均値の最大値と、最小値との差が大きく、当該カテゴリ内のアイテムに応じて診察時間のばらつきが大きいので、そのようなカテゴリは診察所要時間に対する影響が大きいからである。

次に、サービス時間予測装置１は、最近の実績値データ１５Ｃから患者データを抽出し、抽出患者データ１５Ｆとして記憶部１５に記憶する（Ｓ７０６）。このとき、抽出患者データ数１５Ａ３をＮ件として、その件数分の患者データを抽出する。そして、抽出患者データ１５Ｆのうち、診察日１５Ｆ２〜診察時間１５Ｆ１０のレコードを設定し、各レコードに対応して、１からＮまでの連番を患者番号１５Ｆ１として付与する。

続いて、サービス時間予測装置１は、Ｓ７０７〜Ｓ７１４に示す、抽出患者データ１５Ｆを用いて、カテゴリごとにユークリッド距離の合計値を算出する処理を行う。まず、選択カテゴリデータ１５Ｅのうち、カテゴリ番号１５Ｅ１（ｊ）を１とし（Ｓ７０７）、そのカテゴリ番号１５Ｅ１に対応するユークリッド距離１５Ｅ３（Ｅｊ）をゼロ（０）に設定する（Ｓ７０８）。

次に、Ｓ７０９〜Ｓ７１３に示す、Ｓ７０７の番号のカテゴリに関して、患者ごとのユークリッド距離を計算し、合計する処理を行う。まず、抽出患者データ１５Ｆのうち、患者番号１５Ｆ１（ｉ）を１とし（Ｓ７０９）、当該カテゴリのうち、当該番号の患者と同じアイテムの診察時間１５Ｆ１０すべての平均値Ｐｊ（ｉ）を算出する（Ｓ７１０）。例えば、カテゴリ１５Ｅ２が医師ＩＤとすれば、図６の抽出患者データ１５Ｆにおいて、患者番号１５Ｆ１が１に対応する医師ＩＤ１５Ｆ４はＬなので、医師ＩＤ１５Ｆ４がＬである診察時間１５Ｆ１０すべての平均値を計算する。

次に、当該患者について、当該カテゴリのユークリッド距離Ｅｊ（ｉ）を算出する（Ｓ７１０）。ユークリッド距離Ｅｊ（ｉ）は、Ｓ７１０で算出した平均値Ｐｊ（ｉ）と、当該患者の診察時間１５Ｆ１０との差の２乗により算出される。すなわち、次の式１により計算される。
Ｅｊ（ｉ）＝（平均値Ｐｊ（ｉ）−患者ｉの診察時間）^２ ・・・式１

そして、各患者の合計値を算出するために、当該カテゴリのユークリッド距離１５Ｅ３（Ｅｊ）に当該患者のユークリッド距離Ｅｊ（ｉ）を加算する（Ｓ７１１）。すなわち、次の式２により計算される。
Ｅｊ＝Ｅｊ＋Ｅｊ（ｉ） ・・・式２

以上によれば、Ｓ７１０〜Ｓ７１２の処理を、患者番号１５Ｆ１（ｉ）が１〜Ｎの各患者について順次実施することにより、当該カテゴリのユークリッド距離を求めることができる。さらに、Ｓ７０８〜Ｓ７１３の処理を、カテゴリ番号１５Ｅ１（ｊ）が１〜ａの各カテゴリについて順次実施することにより、すべてのカテゴリのユークリッド距離を求めることができる。

続いて、図７Ｂに示すように、サービス時間予測装置１は、Ｓ７１５〜Ｓ７２０に示す、予測対象患者の診察所要時間の予測値を計算する処理を行う。まず、予測対象患者データ１５Ｂのうち、患者番号１５Ｂ２（ｉ）を１とし（Ｓ７１５）、Ｓ７１６〜Ｓ７１８に示す、当該番号の患者について、選択したカテゴリの診察時間の平均値を計算する処理を行う。詳細には、選択カテゴリデータ１５Ｅのうち、カテゴリ番号１５Ｅ１（ｊ）を１とし（Ｓ７１６）、当該番号のカテゴリ１５Ｅ２のうち、当該患者と同じアイテムの診察時間すべての平均値Ｐｊ（ｉ）を算出し、カテゴリ１の平均値１５Ｂ５として記憶部１５に記憶する（Ｓ７１７）。平均値の計算方法は、Ｓ７１０と同様である。Ｓ７１７の処理を、カテゴリ番号１５Ｅ１（ｊ）が１〜ａの各カテゴリについて順次実施することにより、すべてのカテゴリの、当該患者の診察時間の平均値を求めることができる。

そして、各カテゴリの診察時間の平均値Ｐｊ（ｉ）に、各カテゴリのユークリッド距離Ｅｊの逆数の比率を乗じて、合計することにより、当該患者の診察時間の予測値を算出し、予測値１５Ｂ４として記憶部１５に記憶する（Ｓ７１９）。詳細には、次の式３により算出される。なお、Ｐｊ（ｉ）の患者番号ｉを省略して、Ｐｊと記載する。
予測値＝［Σ（Ｐｊ／Ｅｊ）］／［Σ（１／Ｅｊ）］
＝（Ｐ１／Ｅ１＋Ｐ２／Ｅ２＋・・・＋Ｐａ／Ｅａ）
／（１／Ｅ１＋１／Ｅ２＋・・・＋１／Ｅａ） ・・・式３

以上によれば、Ｓ７１６〜Ｓ７１９の処理を、患者番号１５Ｂ２（ｉ）が１〜Ｍの各患者について順次実施することで、各患者の診察所要時間の予測値を求めることができる。

なお、上記実施の形態では、図１に示すサービス時間予測装置１内の各部を機能させるために、処理部１４で実行されるプログラムをコンピュータにより読み取り可能な記録媒体に記録し、その記録したプログラムをコンピュータに読み込ませ、実行させることにより、本発明の実施の形態に係るサービス時間予測装置１が実現されるものとする。この場合、プログラムをインターネット等のネットワーク経由でコンピュータに提供してもよいし、プログラムが書き込まれた半導体チップ等をコンピュータに組み込んでもよい。

以上説明した本発明の実施の形態によれば、効率よく、精度よく患者の診察所要時間を予測することができる。これによれば、患者の待ち時間を精度よく予測することも可能になる。

詳細には、図７ＡのＳ７０２〜Ｓ７０４に示すように、実績値データ１５Ｃから、カテゴリ１５Ｄ１ごとに、各アイテム１５Ｄ２の診察時間平均値１５Ｄ３を計算し、診察時間平均値１５Ｄ３の最小値１５Ｄ４と、最大値１５Ｄ５との差であるレンジ１５Ｄ６を計算する。そして、Ｓ７０５に示すように、そのレンジ１５Ｄ６が大きいカテゴリを選択するので、患者の診察時間に対する影響の大きいカテゴリを特定することができる。そして、Ｓ７０７以降の処理は、選択したカテゴリに関してだけ行われるので、効率よく診察時間を予測することができる。

そして、Ｓ７０７〜Ｓ７１４に示すように、カテゴリ１５Ｅ２ごとに、患者の診察時間の平均値と、実績値との相関度合を示すユークリッド距離１５Ｅ３を計算し、図７ＢのＳ７１５〜Ｓ７２０に示すように、各カテゴリに関する、患者の診察時間の平均値を計算し、その平均値をユークリッド距離の逆数の比率で合成して、診察時間の予測値を求める。これによれば、各カテゴリの診察時間の平均値のうち、平均値と、実績値との相関度合が強いカテゴリの平均値に大きく重み付けするので、精度よく診察時間を予測することができる。

≪その他の実施の形態≫
以上、本発明を実施するための形態について説明したが、上記実施の形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明はその趣旨を逸脱することなく変更、改良され得るとともに、本発明にはその等価物も含まれる。例えば、以下のような実施の形態が考えられる。

（１）上記実施の形態では、病院の医師による患者の診察についてサービス時間予測装置１を適用した例を説明したが、これに限ることなく、他のサービス提供施設、例えば、美容院や飲食店等におけるサービスについてサービス時間予測装置１を適用してもよい。

（２）上記実施の形態では、平均値データ１５Ｄにおいて、レンジ１５Ｄ６の大きい順に選択カテゴリ数１５Ａ２分のカテゴリを選択するように説明したが、相応のレンジ１５Ｄ６のカテゴリが選択できれば、他の基準で選択してもよい。例えば、レンジ１５Ｄ６が所定値以上のカテゴリすべてを選択するようにしてもよい。

（３）上記実施の形態では、カテゴリのユークリッド距離を算出する際に、Ｓ７１１及びＳ７１２に示すように、各患者に関する、同じアイテムの平均値と、診察時間の実績値との差を２乗し、その２乗した値を合計し、その合計値をユークリッド距離として用いたが、２つの曲線間の相対距離（相関度合）が評価できるのであれば、他の指標値を用いてもよい。例えば、上記合計値の正の平方根であってもよいし、上記差の絶対値を合計した値であってもよい。

１ サービス時間予測装置
１４ 処理部
１５ 記憶部
１５Ｃ 実績値データ
１５Ｃ４ 患者ＩＤ（利用者ＩＤ）
１５Ｃ９ 診察時間（サービス時間の実績値）
１５Ｄ 平均値データ
１５Ｄ１ カテゴリ（データ項目）
１５Ｄ２ アイテム
１５Ｄ３ 診察時間平均値（サービス時間の平均値）
１５Ｄ４ 最小値
１５Ｄ５ 最大値
１５Ｄ６ レンジ（影響度）
１５Ｅ 選択カテゴリデータ
１５Ｅ３ ユークリッド距離（距離値）

Claims (10)

1. 過去のサービス時間から将来のサービス時間を予測するサービス時間予測装置であって、
   過去のサービスごとに、当該サービスの利用者に固有の利用者ＩＤと、当該サービスに関する情報のデータ項目であるカテゴリごとに、当該カテゴリについて設定された複数のデータのうち、いずれかのデータであるアイテムと、当該利用者のサービス時間の実績値とを含む実績値データを記憶する手段と、
   前記実績値データに基づいて、前記カテゴリごとに、当該カテゴリの前記アイテムの違いが前記サービス時間に及ぼす影響度を計算し、当該影響度が所定の度合以上のカテゴリを選択するカテゴリ選択手段と、
   前記選択したカテゴリごとに、各利用者ＩＤについて、当該カテゴリの前記アイテムが当該利用者ＩＤと同じである前記実績値の平均値を算出し、当該平均値と、当該利用者ＩＤの前記実績値との差分値を計算する差分値計算手段と、
   前記選択したカテゴリごとに、各利用者ＩＤの前記差分値を合計し、その合計値に基づいて、当該カテゴリに関する前記平均値と、前記実績値との間の相関度合を示す距離値を計算する距離値計算手段と、
   サービス時間を予測すべき利用者ＩＤについて、前記選択したカテゴリごとに、当該カテゴリの前記アイテムが当該利用者ＩＤと同じであるサービス時間の平均値を計算する手段と、
   前記選択したカテゴリごとに、前記計算した平均値に対して、当該カテゴリの前記距離値が小さいほど大きい重み付け係数を乗算し、その乗算値を合計した値を当該利用者ＩＤのサービス時間の予測値とする手段と、
   を備えることを特徴とするサービス時間予測装置。
2. 請求項１に記載のサービス時間予測装置であって、
   前記影響度は、前記カテゴリの前記アイテムによるサービス時間のばらつきの度合である
   ことを特徴とするサービス時間予測装置。
3. 請求項２に記載のサービス時間予測装置であって、
   前記カテゴリ選択手段は、
   各カテゴリの前記アイテムごとに、前記サービス時間の平均値を計算し、
   前記カテゴリごとに、前記平均値の最大値及び最小値を特定し、当該最大値と、当該最小値との差を前記影響度として算出する
   ことを特徴とするサービス時間予測装置。
4. 請求項１ないし請求項３のいずれか一項に記載のサービス時間予測装置であって、
   前記差分値計算手段は、
   前記平均値と、前記実績値との差の２乗又はその差の絶対値を計算し、
   前記距離値計算手段は、
   前記合計値そのもの又は前記合計値の正の平方根を前記距離値とする
   ことを特徴とするサービス時間予測装置。
5. 請求項１ないし請求項４のいずれか一項に記載のサービス時間予測装置であって、
   前記重み付け係数は、前記距離値の逆数の比率である
   ことを特徴とするサービス時間予測装置。
6. コンピュータにより、過去のサービス時間から将来のサービス時間を予測するサービス時間予測方法であって、
   前記コンピュータは、
   過去のサービスごとに、当該サービスの利用者に固有の利用者ＩＤと、当該サービスに関する情報のデータ項目であるカテゴリごとに、当該カテゴリについて設定された複数のデータのうち、いずれかのデータであるアイテムと、当該利用者のサービス時間の実績値とを含む実績値データを記憶するステップと、
   前記実績値データに基づいて、前記カテゴリごとに、当該カテゴリの前記アイテムの違いが前記サービス時間に及ぼす影響度を計算し、当該影響度が所定の度合以上のカテゴリを選択するカテゴリ選択ステップと、
   前記選択したカテゴリごとに、各利用者ＩＤについて、当該カテゴリの前記アイテムが当該利用者ＩＤと同じである前記実績値の平均値を算出し、当該平均値と、当該利用者ＩＤの前記実績値との差分値を計算する差分値計算ステップと、
   前記選択したカテゴリごとに、各利用者ＩＤの前記差分値を合計し、その合計値に基づいて、当該カテゴリに関する前記平均値と、前記実績値との間の相関度合を示す距離値を計算する距離値計算ステップと、
   サービス時間を予測すべき利用者ＩＤについて、前記選択したカテゴリごとに、当該カテゴリの前記アイテムが当該利用者ＩＤと同じであるサービス時間の平均値を計算するステップと、
   前記選択したカテゴリごとに、前記計算した平均値に対して、当該カテゴリの前記距離値が小さいほど大きい重み付け係数を乗算し、その乗算値を合計した値を当該利用者ＩＤのサービス時間の予測値とするステップと、
   を実行することを特徴とするサービス時間予測方法。
7. 請求項６に記載のサービス時間予測方法であって、
   前記影響度は、前記カテゴリの前記アイテムによるサービス時間のばらつきの度合である
   ことを特徴とするサービス時間予測方法。
8. 請求項７に記載のサービス時間予測方法であって、
   前記コンピュータは、
   前記カテゴリ選択ステップにおいて、
   各カテゴリの前記アイテムごとに、前記サービス時間の平均値を計算し、
   前記カテゴリごとに、前記平均値の最大値及び最小値を特定し、当該最大値と、当該最小値との差を前記影響度として算出する
   ことを特徴とするサービス時間予測方法。
9. 請求項６ないし請求項８のいずれか一項に記載のサービス時間予測方法であって、
   前記コンピュータは、
   前記差分値計算ステップにおいて、
   前記平均値と、前記実績値との差の２乗又はその差の絶対値を計算し、
   前記距離値計算ステップにおいて、
   前記合計値そのもの又は前記合計値の正の平方根を前記距離値とする
   ことを特徴とするサービス時間予測方法。
10. 請求項６ないし請求項９のいずれか一項に記載のサービス時間予測方法であって、
    前記重み付け係数は、前記距離値の逆数の比率である
    ことを特徴とするサービス時間予測方法。

Images