基于EMD的门诊量组合预测研究
发布时间：2021-01-12 11:39
门诊量是医院运营管理中的重要指标,对医院管理决策、统筹协定具有重要意义。门诊量的影响因素复杂,且作用方向与程度难以量化,难以通过影响因素来预测门诊量。因此本文从时间序列的角度来分析门诊量数据,通过构建时间序列模型来获取历史门诊量数据的隐藏信息,对未来门诊量进行精准预测,以满足医院卫生管理的需要。目前,在多个领域的预测研究中,模型与预测方法策略的不断更新为复杂多样的时间序列预测提供了灵活的选择。模型的预测性能与数据的关系密不可分,性质不同的模型能从不同角度反映出数据信息,因此本文先分析出某三级甲等医院日门诊量具有周期性与平稳性,月门诊量具有周期性、非平稳性以及趋势性,根据数据的特征分别使用自回归滑动平均模型（Autoregressive Moving Average,ARMA）和三次指数平滑法（Holt-Winters）进行探索性实验,并进行相关讨论。结合前人研究以及预测趋势的发展,选择基于经验模态分解（Empirical Mode Decomposition,EMD）的组合框架进行预测研究,采用集成分解预测的策略,提取复杂序列的多尺度特征,降低序列信息的冗余性。同时为取得满意的效果,先...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图３．?３?ＡＲＭＡ预测??Ｆｉｇ．?３．３?ＡＲＭＡ?ｆｏｒｅｃａｓｔ??
序列以７为周期进行??重构，重组序列如下所示，如下所使用的是日门诊量数据，将序列重构成７条序列。通??过观察重构的序列可知，同一系列数据的大部分数据变化比较平稳，少部分数据偏离总??体数据分布。总体而言，同一个周期内，大部分天数的变动趋势相近。???Ｓｅｒｉｅｓｌ???Ｓｅｒｉｅｓ４???Ｓｅｒｉｅｓ６???Ｓｅｒｉｅｓ２???ＳｅｒｉｅｓＳ???Ｓｅｒｉｅｓ７???Ｓｅｒｉｅｓ３??１００００?－ｊ??８０００?－?一＼??２?４?６?８?１０??ｗｅｅｋ??图４．?１重构序列示例??Ｆｉｇ．?４．１?Ｒｅｆａｃｔｏｒｉｎｇ?ｓｅｑｕｅｎｃｅ?ｅｘａｍｐｌｅ??（２）基于相似度的数据延拓??在进行基于周期性的序列重构时需要分别从序列的左右两端进行，上图所示为应对??３５??
图５．１日门诊量分解??Ｆｉｇ．?５．１?Ｄａｉｌｙ?ｈｏｓｐｉｔａｌ?ｏｕｔｐａｔｉｅｎｔ?ｑｕａｎｔｉｔｙ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ??
【参考文献】：
期刊论文
[1]基于多状态时间序列预测学习的电源车故障预测方法[J]. 李炜,周丙相,蒋栋年,孙晓静. 吉林大学学报(工学版). 2020(04)
[2]基于ARIMA和BP神经网络的民航事故征候率预测[J]. 陈芳,张迪,卫微,郭娜. 安全与环境学报. 2019(06)
[3]基于Bi-LSTM模型的高速公路交通量预测[J]. 温惠英,张东冉. 公路工程. 2019(06)
[4]基于SARIMA-LSTM的门诊量预测研究[J]. 卢鹏飞,须成杰,张敬谊,韩侣,李静. 大数据. 2019(06)
[5]长短期记忆网络预测混沌时间序列[J]. 熊有成,赵鸿. 中国科学:物理学 力学 天文学. 2019(12)
[6]EMD分解下基于SVR的股票价格集成预测[J]. 贺毅岳,高妮,王峰虎,茹少峰,韩进博. 西北大学学报(自然科学版). 2019(03)
[7]基于XGBoost的精神科门诊量预测模型[J]. 刘健,张翼飞,李宝娟,靳豪杰,宁玉文,张瑶. 华南国防医学杂志. 2019(04)
[8]基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究[J]. 徐东辉. 车用发动机. 2019(02)
[9]基于WNN-SVM的水文时间序列预测方法研究[J]. 余洋,万定生. 计算机技术与发展. 2019(09)
[10]基于LSTM深度神经网络的月门诊量预测精度研究[J]. 李琳,王哲,张学良,王凯,周毅. 中国数字医学. 2019(01)
硕士论文
[1]基于LSTM的水质预测方法研究[D]. 王嫄嫄.南京邮电大学 2019
[2]基于ARIMA-SVM组合模型对人民币汇率的预测和实证研究[D]. 纪爽.江西财经大学 2019
[3]深度核极限学习机和相似性LSSVM时间序列预测模型研究[D]. 桑发文.兰州大学 2019
[4]武汉市大气污染物水平与儿童呼吸道疾病门诊量的滞后效应分析[D]. 刘准.武汉科技大学 2018
[5]基于类别标签及用户时序行为的个性化推荐方法研究[D]. 于文丽.西南大学 2018
[6]改进端点效应和抑制模态混叠的EMD方法研究[D]. 荣钦彪.天津大学 2018
[7]基于网络搜索关键词的住宅价格指数预测研究[D]. 高佳玲.西安理工大学 2017
[8]基于随机森林算法的短期负荷预测研究[D]. 石婷婷.郑州大学 2017
[9]基于BP神经网络的时间序列预测研究[D]. 李景阳.河南科技大学 2017
[10]东阳市横店集团医院门诊量组合预测模型研究[D]. 丁夷峰.浙江大学 2012
本文编号：2972783
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图３．?３?ＡＲＭＡ预测??Ｆｉｇ．?３．３?ＡＲＭＡ?ｆｏｒｅｃａｓｔ??
序列以７为周期进行??重构，重组序列如下所示，如下所使用的是日门诊量数据，将序列重构成７条序列。通??过观察重构的序列可知，同一系列数据的大部分数据变化比较平稳，少部分数据偏离总??体数据分布。总体而言，同一个周期内，大部分天数的变动趋势相近。???Ｓｅｒｉｅｓｌ???Ｓｅｒｉｅｓ４???Ｓｅｒｉｅｓ６???Ｓｅｒｉｅｓ２???ＳｅｒｉｅｓＳ???Ｓｅｒｉｅｓ７???Ｓｅｒｉｅｓ３??１００００?－ｊ??８０００?－?一＼??２?４?６?８?１０??ｗｅｅｋ??图４．?１重构序列示例??Ｆｉｇ．?４．１?Ｒｅｆａｃｔｏｒｉｎｇ?ｓｅｑｕｅｎｃｅ?ｅｘａｍｐｌｅ??（２）基于相似度的数据延拓??在进行基于周期性的序列重构时需要分别从序列的左右两端进行，上图所示为应对??３５??
图５．１日门诊量分解??Ｆｉｇ．?５．１?Ｄａｉｌｙ?ｈｏｓｐｉｔａｌ?ｏｕｔｐａｔｉｅｎｔ?ｑｕａｎｔｉｔｙ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ??
【参考文献】：
期刊论文
[1]基于多状态时间序列预测学习的电源车故障预测方法[J]. 李炜,周丙相,蒋栋年,孙晓静. 吉林大学学报(工学版). 2020(04)
[2]基于ARIMA和BP神经网络的民航事故征候率预测[J]. 陈芳,张迪,卫微,郭娜. 安全与环境学报. 2019(06)
[3]基于Bi-LSTM模型的高速公路交通量预测[J]. 温惠英,张东冉. 公路工程. 2019(06)
[4]基于SARIMA-LSTM的门诊量预测研究[J]. 卢鹏飞,须成杰,张敬谊,韩侣,李静. 大数据. 2019(06)
[5]长短期记忆网络预测混沌时间序列[J]. 熊有成,赵鸿. 中国科学:物理学 力学 天文学. 2019(12)
[6]EMD分解下基于SVR的股票价格集成预测[J]. 贺毅岳,高妮,王峰虎,茹少峰,韩进博. 西北大学学报(自然科学版). 2019(03)
[7]基于XGBoost的精神科门诊量预测模型[J]. 刘健,张翼飞,李宝娟,靳豪杰,宁玉文,张瑶. 华南国防医学杂志. 2019(04)
[8]基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究[J]. 徐东辉. 车用发动机. 2019(02)
[9]基于WNN-SVM的水文时间序列预测方法研究[J]. 余洋,万定生. 计算机技术与发展. 2019(09)
[10]基于LSTM深度神经网络的月门诊量预测精度研究[J]. 李琳,王哲,张学良,王凯,周毅. 中国数字医学. 2019(01)
硕士论文
[1]基于LSTM的水质预测方法研究[D]. 王嫄嫄.南京邮电大学 2019
[2]基于ARIMA-SVM组合模型对人民币汇率的预测和实证研究[D]. 纪爽.江西财经大学 2019
[3]深度核极限学习机和相似性LSSVM时间序列预测模型研究[D]. 桑发文.兰州大学 2019
[4]武汉市大气污染物水平与儿童呼吸道疾病门诊量的滞后效应分析[D]. 刘准.武汉科技大学 2018
[5]基于类别标签及用户时序行为的个性化推荐方法研究[D]. 于文丽.西南大学 2018
[6]改进端点效应和抑制模态混叠的EMD方法研究[D]. 荣钦彪.天津大学 2018
[7]基于网络搜索关键词的住宅价格指数预测研究[D]. 高佳玲.西安理工大学 2017
[8]基于随机森林算法的短期负荷预测研究[D]. 石婷婷.郑州大学 2017
[9]基于BP神经网络的时间序列预测研究[D]. 李景阳.河南科技大学 2017
[10]东阳市横店集团医院门诊量组合预测模型研究[D]. 丁夷峰.浙江大学 2012
本文编号：2972783
本文链接：https://www.wllwen.com/shoufeilunwen/mpalunwen/2972783.html
最近更新
教材专著
