医保大数据资金预测模型的研究与实现

发布时间：2020-04-25 10:28

【摘要】：随着医院费用的快速增长,国内很多地区的医保基金出现了财政赤字。为了保证医保基金的安全性和可持续性发展,2012年,人社部出台了《关于开展基本医疗保险付费总额控制的意见》,要求医保机构依据总额控制政策给定点医院设置定额,控制其医疗费用的不合理增长。因此,医院作为医保基金的主要消费者,医保机构需要考虑其基金收入和医院消费能力来分配可用基金。但是,医疗保险机构现有的分配方式缺乏科学依据,分配往往是基于固定增长率,这很可能导致分配不合理和资源浪费。以统计学的角度,医院费用预测可以看作是多元时间序列分析问题。但是,外部因素的加入可能会削弱模型对时间序列自身趋势的模拟。在多元时间序列中,如何加强模型对目标序列模拟成为需要研究和解决的问题。在数据存在不确定性或系统不稳定的情况下,点预测会受到其不良解释的影响。人们往往都是通过预测区间或置信区间来描述真实值的取值范围,量化这种不确定性。通过描述医院费用的取值范围可以更加精确的设置医保基金分配方案。然而,医保业务人员在做决策时,不仅要考虑定点医院的消费能力,还要考虑医保的收入,以“以收定支”的原则将可用基金分配给各个医院,所以只是准确预测医院费用是远远不够的。同时,研究结果最终是面向用户的,如何将研究结果快速且有效地展示给指定用户,设计并实现一个系统是最佳选择。本文针对以上各种问题进行了深入的研究:1.提出一种基于多元时间序列的医院费用预测模型。首先以灰色关联分析法选择重要特征作为基础特征集。然后提出一种时间序列相似性快速搜索算法(SFS),算法能够快速的搜索到历史相似序列,再从相似序列中提取出新的特征。将新的特征加入基础特征集组成更丰富的特征集,最后在基础特征集和新特征集基础上分别使用三种不同时间粒度统计多元时间序列,同时分别应用SARIMAX和LSTM对六种序列进行实验论证,选择最合适的特征集、时间粒度和预测算法。2.提出一个基于集成学习的时间序列预测区间回归模型(PIBS)。通过预测医院费用的区间量化其不确定性,主要应用线性回归、SVR和LSTM等模型作为Stacking的初级学习器和次级学习器。首先本文提出了一个季节性历史区间构建方法,该方法将序列周期内和周期外的不确定性结合并构建历史区间。然后在CWC准则的基础上提出一种区间的综合评价准则(CWCR),并且构建回归模型的特征集。最后应用综合评价准则改进回归模型的损失函数,同时使用Stacking综合多个回归模型的预测结果。3.提出一种医保基金优化分配模型。如何合理的分配医保基金是模型的主要目标,首先根据前两个模型的预测结果,在医院的消费能力和医院费用可能取值的范围的基础上,量化定额与医院费用之间差异作为损失函数。再根据医保业务人员可能要考虑到的情况设置不同的约束条件,求各医院的定额与其实际医院费用差异最小的定额组合。同时,根据医院之间可能还存在的治疗效率的差异,通过优化现有的患者分布优化医保和医院的资源分配,求出患者分布的变化与医保支出之间的关联关系。4.设计并实现了一个医保大数据资金预测平台的原型。本文从医保和医院的业务需求出发,设计并实现了一个医保大数据资金预测平台,将研究过程中的统计信息和研究结果通过平台展示给医保相关人员和医院相关人员。通过上述的研究,本文实现了对医院费用的准确预测,且通过预测区间评价预测值。在医院费用准确预测的基础上,考虑医保支出等其他情况求出医保基金最优分配方案:同时设计并实现了一个医保大数据资金预测平台展示预测结果和分配方案,为相关业务人员提供辅助决策支撑。
【图文】：

我们依然采用两个序列中每一对“点”之间的距离来计算形似中的点的个数可能不一样。不过，因为可以ｗａｒｐｉｎｇ规整时间不是在两个序列中依次取一对点来计算距离，而是每个点有可列中的多个点。从上面图２－１可以看到这种一对多的情况。逡逑这种ｗａｒｐｉｎｇ有一定要求，每个点都必须用到，不可跳过，要点对不可交叉。即要满足下面描述的边界条件、连续性、单一对点的距离计算，这个距离的算法并无规定，依赖于每个“，一个“点”可以是单个数值，也可以是一个多维向量。在简计算两个点的欧氏距离作为这一对点的距离。逡逑可以穷举两个序列的所有可能的ｗａｒｐｉｎｇ形式，逐一计算两者就是所要求的ｗａｒｐｍｇ，但这样计算量太大，所以采用动态规完成计算。逡逑

０逦１０逦２０逦３０逦４０逦５０逦６０逦７０逡逑图２－１序列匹配逡逑，我们依然采用两个序列中每一对“点”之间的距离来计算形似度，列中的点的个数可能不一样。不过，因为可以ｗａｒｐｉｎｇ规整时间轴，并不是在两个序列中依次取一对点来计算距离，而是每个点有可能序列中的多个点。从上面图２－１可以看到这种一对多的情况。逡逑，这种ｗａｒｐｉｎｇ有一定要求，每个点都必须用到，不可跳过，要按，点对不可交叉。即要满足下面描述的边界条件、连续性、单调每一对点的距离计算，这个距离的算法并无规定，，依赖于每个“点择，一个“点”可以是单个数值，也可以是一个多维向量。在简单以计算两个点的欧氏距离作为这一对点的距离。逡逑上可以穷举两个序列的所有可能的ｗａｒｐｉｎｇ形式，逐一计算两者的就是所要求的ｗａｒｐｍｇ，但这样计算量太大，所以采用动态规划的完成计算。逡逑
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;O212.1;R197.1

【相似文献】

相关期刊论文 前10条

1 孙其法;闫秋艳;闫欣鸣;;基于多样化top-k shapelets转换的时间序列分类方法[J];计算机应用;2017年02期

2 王金策;杨宁;;时间序列趋势预测[J];现代计算机(专业版);2017年02期

3 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31期

4 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期

5 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期

6 王嵬;;王嵬作品[J];当代油画;2017年07期

7 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

8 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期

9 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期

10 万里;廖建新;朱晓民;倪萍;;一种基于频繁模式的时间序列分类框架[J];电子与信息学报;2010年02期

相关会议论文 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 张可;李媛;柴毅;黄磊;;基于分段趋势的符号化时间序列聚类表示[A];第37届中国控制会议论文集（D）[C];2018年

3 徐光晶;;统计学在大地电磁测深时间序列处理中的应用[A];2017中国地球科学联合学术年会论文集（二十九）——专题57：电磁地球物理学研究及其应用[C];2017年

4 毛宇清;王咏青;王革丽;;支持向量机方法应用于理想时间序列的预测研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年

5 吴丽娜;黄领梅;沈冰;吕继强;;黄河上游降水时间序列混沌特性识别与预测年限分析[A];水系统与水资源可持续管理——第七届中国水论坛论文集[C];2009年

6 吴坚忠;路子愚;郑应平;;时间序列社会悖论模型及分析[A];1989年控制理论及其应用年会论文集（上）[C];1989年

7 雷敏;孟光;谢洪波;Kerreie Mengersen;Peter Bartlett;;嵌入维数对复杂时间序列的熵分析的影响研究[A];中国力学大会-2015论文摘要集[C];2015年

8 王兆甲;王海良;;一种相似时间序列挖掘算法及其在汽车运动分析中的应用[A];2014中国汽车工程学会年会论文集[C];2014年

9 林忠辉;莫兴国;薛玲;;用NDVI时间序列确定作物物侯和作物类型判别[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

10 王冬;章家义;陈宗;;配电网时间序列数据的云计算集群快速压缩模型[A];2017年江西省电机工程学会年会论文集[C];2018年

相关重要报纸文章 前10条

1 王晓宝 杨永恒 永安期货;浅析波动率的均值回复特征[N];期货日报;2017年

2 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

3 国家统计局核算司 吕峰;不变价GDP时间序列数据的构造[N];中国信息报;2016年

4 ;《时间序列与金融数据分析》[N];中国信息报;2004年

5 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

6 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

7 卞纪;我国多时间序列湿地遥感制图完成[N];中国气象报;2011年

8 权证一级交易商 国信证券;正股走势及时间序列主导下半年权证市场运行结构[N];证券时报;2006年

9 广发期货股指研究小组 谢贞联;Hurst指数提示市场升势或将形成[N];上海证券报;2012年

10 丁睿 中粮期货研究院;试论指数HP滤波分析法的应用[N];期货日报;2014年

相关博士学位论文 前10条

1 张方;局部相似分析的统计研究及其在生物时间序列中的应用[D];山东大学;2019年

2 张琪;时间序列流数据异常检测问题的研究[D];山东大学;2019年

3 康峻;基于时间序列遥感数据的植被精细分类与覆盖度反演研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

4 林蕾;基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

5 丁红;柳江径流分析与预测研究[D];武汉理工大学;2016年

6 马俊;GPS坐标时间序列严密三维噪声模型建立方法[D];武汉大学;2018年

7 周超;集成时间序列InSAR技术的滑坡早期识别与预测研究[D];中国地质大学;2018年

8 丁超;MODIS时间序列重建方法与应用[D];中国地质大学(北京);2018年

9 魏永强;煤矿瓦斯监测数据插值与预测研究[D];中国矿业大学(北京);2015年

10 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年

相关硕士学位论文 前10条

1 吴亚彬;基于情感时间序列的P2P网贷企业舆情态势研判技术研究与实现[D];北京邮电大学;2019年

2 原媛;量化交易中数据分析技术的研究与实现[D];北京邮电大学;2019年

3 宋骏;基于时间序列的UGC数量与质量预测技术研究[D];北京邮电大学;2019年

4 王晶;多源时间序列数据的建模分析与预测[D];北京邮电大学;2019年

5 胡姣姣;基于深度学习的飞行器遥测时间序列数据异常检测与预测方法研究[D];西安理工大学;2019年

6 白晓刚;时间序列互作网络及在宏基因组中的应用[D];河北科技大学;2019年

7 孙铁凝;回声状态网络优化及其应用研究[D];广西师范大学;2019年

8 杨雄;EEG时序特征选取及其脑网络构建与分析[D];太原理工大学;2019年

9 李净;医保大数据资金预测模型的研究与实现[D];山东大学;2019年

10 赵超;融合选择性提取与子类聚类的快速时间序列shapelet发现算法[D];山东大学;2019年

本文编号：2640141