JP5555109B2 - 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、時系列分析を用いてサービス時間を予測する装置及び方法に関する。

病院、美容院、飲食店等で発生する、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、ニューラルネットワークを用いて病院の診察時間を予測し、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。

特許第４２１７６８９号公報

当日における患者の診察時間は、当日の患者数や病名によって大きく左右される。そこで、特許文献１の方法においては、このような当日の状況を診察時間の予測値に反映させるため、当日における現時点までの診察時間の実績値の平均値をニューラルネットワークの入力データの１つに加えている。ただし、ニューラルネットワークでは、当日診察時間の平均値を入力してもすぐには予測値に反映されないので、当日の状況変化が大きい場合を考慮して、次式に示すように、当日の診察時間の平均値と、ニューラルネットワークで算出した予測値とを、係数α（０≦α≦１）を用いて合成している（特許文献１の段落［００９３］参照）。
診察時間 ＝ 当日の現時点までの診察時間の平均値×α＋ニューラルネットワークから出力される診察時間×（１−α）
しかしながら、実際の診察時間には時系列的に変動する成分（例えば、患者の混み具合の変化や医師の疲労等の要因によるもの）が含まれるため、当日の診察時間の平均値だけでは、今後の診察時間の予測値に対して時系列的な変動成分を十分に反映しきれない。

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、時系列的な変動を考慮してサービス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、時系列的な変動成分を考慮することなく事前に予測した、所定のサービスを受ける利用者にかかる時間である予測サービス時間と、実際に前記サービスを受けた利用者にかかった時間である実績サービス時間とを記憶し、次に前記サービスを受ける利用者にかかる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、既に前記サービスを受けた複数の利用者の、前記予測サービス時間と、前記実績サービス時間との誤差を計算する手段と、計算した各誤差に対して時系列分析を行い、次の利用者に関する、時系列的な変動成分を含む誤差を予測する手段と、前記次の利用者の、前記予測サービス時間と、予測した前記誤差とに基づいて、前記次の利用者にかかるサービス時間を再度予測する手段と、を備えることを特徴とする。

実際に利用者にかかるサービス時間には、時系列的な変動成分が含まれる。この構成によれば、時系列的な変動を考慮せずに予測したサービス時間と、実際のサービス時間との間の誤差には、時系列的な変動成分が顕著に表れると考えられるので、その誤差に対して時系列分析を行うことにより、次の利用者に関する、時系列的な変動成分を含む誤差を予測することができる。そして、次の利用者に関する、時系列的な変動成分を含まないサービス時間の予測値を、時系列的な変動成分を含む誤差の予測値を用いて補正する。これによれば、時系列的な変動成分を含むサービス時間の予測値を算出することができ、予測値の精度向上を図ることができる。

また、本発明の上記サービス時間予測装置において、前記予測サービス時間が、ニューラルネットワークによって予測されたサービス時間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、前記予測サービス時間と、前記実績サービス時間との誤差が、前記実績サービス時間を前記予測サービス時間で除算した値又は前記予測サービス時間と、前記実績サービス時間との差分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、時系列的な変動を考慮してサービス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。 サービス時間予測装置１の記憶部１５に記憶される診察時間データ１５Ａの構成を示す図である。 サービス時間予測装置１の処理を示すフローチャートである。 診察時間の予測値と、実績値との誤差の変化を示す図である。 カオス理論に基づく最近隣法を用いて次の時点における誤差を計算する例を示す図である。

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、サービスを受ける各利用者のサービス時間のうち、ニューラルネットワークで算出した予測値と、当日における実績値との誤差を計算し、その各利用者に関する誤差に対して時系列分析を行って、次にサービスを受ける利用者に関する誤差がどのようになるかを予測し、予測した誤差に基づいて、ニューラルネットワークで算出した、次の利用者のサービス時間の予測値を補正するものである。これによれば、予測した誤差には時系列的な変動成分が含まれるので、次の利用者のサービス時間の予測値に対して、時系列的な変動成分を反映させることができる。

以下では、サービス時間予測装置を、病院のある診療科医師による患者の診察に適用した例について説明する。

≪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接続されている。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、診察時間の実績値のデータ）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は、サービス時間予測装置１の記憶部１５に記憶される診察時間データ１５Ａの構成を示す図である。診察時間データ１５Ａは、ある診察日当日における各患者の診察時間に関するデータであり、患者番号１５Ａ１、診察開始時刻１５Ａ２、診察時間予測値１５Ａ３、診察時間実績値１５Ａ４、誤差１５Ａ５及び診察時間新予測値１５Ａ６を含む、患者ごとのレコードから構成される。ただし、診察が済んだ患者（診察済患者）のレコードは、患者番号１５Ａ１〜誤差１５Ａ５からなる。また、診察時間の予測対象となる患者（予測対象患者）のレコードは、診察時間予測値１５Ａ３、誤差１５Ａ５及び診察時間新予測値１５Ａ６からなる。

患者番号１５Ａ１は、患者に固有の番号であり、図２では１００１から始まる連番になっている。診察開始時刻１５Ａ２は、患者の診察の開始時刻の実績値である。診察時間予測値１５Ａ３は、前日までに（事前に）ニューラルネットワークにより求めた、患者の診察時間の予測値である。なお、ニューラルネットワークによる診察時間の予測については、例えば、特許第４１９４５７３号公報の［００７２］や特許第４２１７６８９号公報の段落［００８０］に開示されている。

診察時間実績値１５Ａ４は、診察日当日における患者の診察時間の実績値である。誤差１５Ａ５は、診察済患者に関しては、診察時間予測値１５Ａ３と、診察時間実績値１５Ａ４との誤差（実際の誤差＝診察時間実績値１５Ａ４／診察時間予測値１５Ａ３）であり、予測対象患者に関しては、その実際の誤差から予測した誤差である。診察時間新予測値１５Ａ６は、予測対象患者に関する、時系列的な変動成分を含む診察時間の予測値であり、［ニューラルネットワークで求めた診察時間予測値１５Ａ３×実際の誤差から予測した誤差１５Ａ５］により算出される。

≪装置の処理≫
図３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、次に診察を受ける患者の診察時間の予測を行うものである。

まず、サービス時間予測装置１は、当日の診察が済んだ患者に関して、診察時間の予測値と、実績値との誤差を計算する（Ｓ３０１）。例えば、図２に示すように、診察時間データ１５Ａのうち、患者番号１５Ａ１が１００１〜１０１０のレコードについては、診察時間実績値１５Ａ４が確定しているので、［診察時間実績値１５Ａ４／診察時間予測値１５Ａ３］の値を誤差１５Ａ５として設定する。このとき、予測値が実績値と一致すれば誤差は１になり、予測値が実績値より大きければ誤差は１より小さくなり、予測値が実績値より小さければ誤差は１より大きくなるので、各患者の誤差１５Ａ５は、１の近傍で変化することになる。図４は、誤差１５Ａ５の変化を示す図である。

次に、サービス時間予測装置１は、Ｓ３０１で計算した各患者の誤差１５Ａ５に対して時系列分析を行い、次に診察を受ける患者の診察時間に関する誤差を予測する（Ｓ３０２）。時系列分析とは、時間の経過に従って所定の時間間隔で計測されるデータポイント列である時系列データを解析するための手法であり、時系列データの法則性を見出すことにより、今後の予測を行うためのものである。時系列分析には、自己回帰（ＡＲ：Autoregressive）モデル、移動平均（ＭＡ：Moving Average）モデル、自己回帰移動平均（ＡＲＭＡ：Autoregressive Moving Average)モデル、自己回帰和分移動平均モデル（ＡＲＩＭＡ：Autoregressive Integrated Moving Average）モデル、カオス理論に基づく最近隣法等が用いられる。ここでは、時系列分析で得られたモデル式を用いて、予測対象患者の誤差を算出する。これにより、図２に示すように、予測対象患者のレコードの、誤差１５Ａ５（誤差の予測値）が算出され、設定される。

そして、サービス時間予測装置１は、次に診察を受ける患者に関して、事前にニューラルネットワークで求めた診察時間予測値１５Ａ３と、Ｓ３０２で予測した誤差１５Ａ５とにより、診察時間新予測値１５Ａ６を計算する（Ｓ３０３）。図２に示すように、予測対象患者のレコードの、［診察時間予測値１５Ａ３×誤差１５Ａ５］により診察時間新予測値１５Ａ６（新予測値）が算出され、設定される。

≪実施例≫
図５は、カオス理論に基づく最近隣法を用いて次の時点における誤差を計算する例を示す図である。以下、図５を参照しながら、サービス時間予測装置１による次の誤差の計算手順の例を説明する。

（Ｓ１）時点ｔにおける誤差をｙ（ｔ）として、時点ｔ＝３以降の行に２時点前の誤差ｙ（ｔ−２）と、１時点前の誤差ｙ（ｔ−１）との組を作成する。
（Ｓ２）予測対象の時点（次の時点）ｔ＝１１の｛ｙ（ｔ−２）、ｙ（ｔ−１）｝＝｛１、０．８｝から、時点ｔ＝３〜１０におけるそれぞれの｛ｙ（ｔ−２）、ｙ（ｔ−１）｝までの距離を求める。距離は、時点ｔ＝１１における組の要素と、それぞれの要素との差を二乗し、その合計の平方根により算出する。
（Ｓ３）距離が小さい２つの時点（ここでは、ｔ＝９及びｔ＝１０）を選び、距離の逆数を求める。
（Ｓ４）距離の小さい２つの時点について、距離の逆数の割合により重みを求める。
（Ｓ５）「過去の誤差×重み」の合計により、次の時点における誤差の予測値を求める。ここでは、時点ｔ＝９及びｔ＝１０における誤差×重みを合計して、時点ｔ＝１１における誤差を算出する。

そして、算出した誤差（約０．９４）と、当初の予測値（８）とを乗算することにより、新予測値（約７．５）を計算する。

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、診察時間予測値１５Ａ３は、ニューラルネットワークによるものであり、時系列的な変動が考慮されていない。一方、診察時間実績値１５Ａ４には、患者の混み具合や医師の疲れ等の要因による時系列的な変動がある。例えば、患者が混んでくると診察時間は短くなり、次の患者までに暇があると診察時間は長くなるし、医師が疲れてくると診察時間は長くなる。従って、サービス時間予測装置１がＳ３０１で計算した誤差１５Ａ５及びＳ３０２で予測した誤差１５Ａ５には、時系列的な変動成分が含まれる。そして、Ｓ３０３により、次の患者に関する、時系列的な変動成分を含まない診察時間の予測値を、時系列的な変動成分を含む予測誤差により補正する。

以上によれば、時系列的な変動を考慮して患者の診察時間を予測することができる。これによれば、患者の待ち時間を予測する際に、予測値の精度の向上を図ることができる。

≪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。サービスを提供する箇所は、病院の場合、診察室であるが、美容院の場合、席であり、飲食店の場合、テーブルや個室である。

（２）上記実施の形態では、当初の予測値を算出する手法としてニューラルネットワークを用いたものを適用したが、診察時間の時系列的な変動成分を考慮していない手法であれば、別の手法による予測値を用いてもよい。例えば、過去の実績データの平均値や最頻値等を計算する統計的な手法でもよい。

（３）上記実施の形態では、診察日の当日の患者のうち、予測対象患者にかかる診察時間を、先に診察が終わった１０名の患者に関する診察時間の予測値と、実績値との誤差を用いて予測する例を示したが、例えば、当日の最初の患者にかかる診察時間に関しては、前日の患者に関する誤差を用いて予測するものとする。

（４）上記実施の形態では、誤差は、診察時間の実績値を予測値で除算した値としたが、誤差を示す値であれば、別の計算値を用いてもよい。例えば、予測値と、実績値との差分を用いてもよい。

１ サービス時間予測装置
１４ 処理部
１５ 記憶部
１５Ａ 診察時間データ
１５Ａ３ 診察時間予測値（予測サービス時間）
１５Ａ４ 診察時間実績値（実績サービス時間）
１５Ａ５ 誤差
１５Ａ６ 診察時間新予測値（サービス時間）

Claims (6)

1. 時系列的な変動成分を考慮することなく事前に予測した、所定のサービスを受ける利用者にかかる時間である予測サービス時間と、実際に前記サービスを受けた利用者にかかった時間である実績サービス時間とを記憶し、次に前記サービスを受ける利用者にかかる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、
   既に前記サービスを受けた複数の利用者の、前記予測サービス時間と、前記実績サービス時間との誤差を計算する手段と、
   計算した各誤差に対して時系列分析を行い、次の利用者に関する、時系列的な変動成分を含む誤差を予測する手段と、
   前記次の利用者の、前記予測サービス時間と、予測した前記誤差とに基づいて、前記次の利用者にかかるサービス時間を再度予測する手段と、
   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、
   前記予測サービス時間は、ニューラルネットワークによって予測されたサービス時間である
   ことを特徴とするサービス時間予測装置。
3. 請求項１又は請求項２に記載のサービス時間予測装置であって、
   前記予測サービス時間と、前記実績サービス時間との誤差は、
   前記実績サービス時間を前記予測サービス時間で除算した値又は前記予測サービス時間と、前記実績サービス時間との差分である
   ことを特徴とするサービス時間予測装置。
4. 時系列的な変動成分を考慮することなく事前に予測した、所定のサービスを受ける利用者にかかる時間である予測サービス時間と、実際に前記サービスを受けた利用者にかかった時間である実績サービス時間とを記憶し、次に前記サービスを受ける利用者にかかるサービス時間を予測する、コンピュータによるサービス時間予測方法であって、
   前記コンピュータは、
   既に前記サービスを受けた複数の利用者の、前記予測サービス時間と、前記実績サービス時間との誤差を計算するステップと、
   計算した各誤差に対して時系列分析を行い、次の利用者に関する、時系列的な変動成分を含む誤差を予測するステップと、
   前記次の利用者の、前記予測サービス時間と、予測した前記誤差とに基づいて、前記次の利用者にかかるサービス時間を再度予測するステップと、
   を実行することを特徴とするサービス時間予測方法。
5. 請求項４に記載のサービス時間予測方法であって、
   前記予測サービス時間は、ニューラルネットワークによって予測されたサービス時間である
   ことを特徴とするサービス時間予測方法。
6. 請求項４又は請求項５に記載のサービス時間予測方法であって、
   前記予測サービス時間と、前記実績サービス時間との誤差は、
   前記実績サービス時間を前記予測サービス時間で除算した値又は前記予測サービス時間と、前記実績サービス時間との差分である
   ことを特徴とするサービス時間予測方法。

Images