医院服务量的预测方法技术

本发明专利技术提供了一种医院服务量的预测方法，包括：步骤1：读取医院服务量指标的历史数据；步骤2：将历史数据按预定比例分到训练集和测试集两个集合中；步骤3：检验训练集中的数据序列是否平稳，若平稳转到步骤5，否则转到步骤4；步骤4：将训练集中的数据序列进行平稳性转换，并执行步骤5；步骤5：选取适当的ARIMA模型来拟合训练集中的数据序列；步骤6：估计ARIMA模型的参数；步骤7：检验ARIMA模型，若通过检验，则转到步骤9，否则，转到步骤8；步骤8：重复步骤5‑7；步骤9：输出通过检验的ARIMA模型；步骤10：用ARIMA模型预测医院服务量的未来走势。本发明专利技术可在考虑服务量趋势的变化和波动的基础上，科学地预测医院各种服务量。

Prediction method of hospital service volume

The invention provides a prediction method, a hospital volume includes: Step 1: read the historical data of hospital service quantity index; step 2: the historical data according to the predetermined proportion is divided into training set and testing set two sets; step 3: test data sequence in the training set is stable, if the smooth go to step 5, otherwise go to step 4; step 4: the data sequence in the training set of a smooth conversion, and step 5; step 5: select the appropriate ARIMA model to fit the data sequence in the training set; step 6: ARIMA model parameter estimation; step 7: ARIMA model, if the test, go to step 9, otherwise, go to step 8; step 8: repeat step 5 7; step 9: output by ARIMA model test; step 10: predict the future trend of medical service by using the ARIMA model. The invention can scientifically predict various service quantities of a hospital on the basis of considering the variation and fluctuation of service quantity trends.

【技术实现步骤摘要】
医院服务量的预测方法
本专利技术涉及预测
，特别涉及一种医院服务量的预测方法。
技术介绍
科学准确地预测医院服务量，越来越成为各级医院处理日常工作和规划未来发展的重要依据。在医院信息管理中，统计预测已成为一种不可或缺的工具，可为医院管理决策提供客观依据。科学、准确地分析医院服务量动态变化，拟合合理统计模型，预测服务量趋势，对于医院合理配置人、财、物等资源，制定科学的医院发展规划具有重要意义。但是门诊量受社会医疗政策、医院的治疗水平、人们的生活水平变化，以及就医的心理观念、自然环境、季节性等众多因素的影响，表现的变化也是敏感和巨大的。传统的统计方法，运用静态因果结果模型进行分析预测，已经无法准确的处理这些复杂的数据和难控制的变化因子。
技术实现思路
本专利技术提供了一种医院服务量的预测方法，以解决现有技术运用静态因果结果模型进行分析预测，无法准确处理复杂的数据和难控制的变化因子的问题。为解决上述问题，作为本专利技术的一个方面，提供了一种医院服务量的预测方法，包括：步骤1：读取医院服务量(如门诊量、住院量)指标的历史数据；步骤2：将所述历史数据按照时间顺序，并按预定比例分到用于拟合模型的训练集和用于验证模型准确性的测试集两个集合中，且训练集中的历史数据多于测试集中的历史数据；步骤3：检验训练集中的数据序列是否平稳，若平稳转到步骤5，否则转到步骤4；步骤4：将训练集中的数据序列进行平稳性转换，并执行步骤5；步骤5：选取适当的ARIMA模型来拟合训练集中的数据序列；步骤6：估计ARIMA模型的参数；步骤7：检验ARIMA模型，若通过检验，则转到步骤9，否则，转到步骤8；步骤8：重复步骤5-7；步骤9：输出通过检验的ARIMA模型；步骤10：用ARIMA模型预测医院服务量的未来走势。优选地，步骤3包括：根据训练集中的数据序列的时间序列散点图、自相关函数和偏自相关函数图，以及ADF单位根检验序列的平稳性，从而实现对数据序列的平稳性进行识别。优选地，步骤4包括：步骤41，将数据序列进行一阶差分或log变换；步骤42，采用步骤3中的方法检验经过步骤41处理后的数据序列的平稳性，若不平稳，则再次执行步骤41，直到平稳。优选地，步骤5包括：通过自相关函数的截尾阶数确定ARMA模型的自回归阶数q；通过偏自相关函数的截尾阶数确定ARMA模型的移动平均的阶数p。优选地，所述自相关函数为：所述偏自相关函数为：优选地，通过下述方法确定自回归阶数q和移动平均的阶数p：判断数据序列是否是AR(p)、MA(q)的情况，如果不是，则用AR(1)拟合数据序列{yt}，再判断其残差序列的样本自相关函数是否截尾；若q1步截尾，则模型为ARMA(1,q1)，否则，再用AR(2)拟合序列{yt}，判断其残差序列的样本自相关函数是否截尾；若q2步截尾，则模型为ARMA(2,q2)，否则，继续增大p，并重复上述的步骤，直至残差序列的样本自相关函数截尾为止。优选地，步骤6包括：步骤61：根据矩估计直接法、或矩估计的逆函数法、或矩估计的逆相关函数法确定模型参数的初估计；步骤62：在初估计的基础上，根据线性和非线性最小二乘法、或近似极大似然估计法求得模型参数的精估计。优选地，步骤7包括：步骤71，检验模型的显著性，以检验整个模型对信息的提取是否充分；步骤72，检验参数的显著性，以检验模型结构是否最简。优选地，步骤71包括：如果残差序列是白噪声序列，则ARMA模型就是有效模型；否则，不是有效模型。优选地，步骤72中检验参数的显著性时使用的检验统计量为：设定检验水平为α，则检验的拒绝域为{|t|≥t1-α/2(T-m)}。本专利技术可在考虑服务量趋势的变化和波动的基础上，科学地预测医院各种服务量，解决了现有技术中运用静态因果结果模型进行分析预测时，无法准确处理复杂的数据和难控制的变化因子的问题，为医院评估工作效率、制定工作计划和领导决策提供重要依据，对提高医疗服务质量、经济效益和社会效益均具有现实意义。附图说明图1示意性地示出了本专利技术的流程图；图2示意性地示出了一个实施例中的原始序列的趋势图；图3示意性地示出了图2经过一次差分后的结果示意图；图4示意性地示出了预测值与预测区间的示意图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。医院服务量指标：主要有两个方面，宏观和微观。医院宏观服务量包括门诊急诊人次、急诊抢救人次、病人住院实际占用床位日、出院人数等，宏观服务量通常由社会需求所决定的。微观服务量是指各部门，科室各内部的服务量，如医院订购的药品、卫生材料、检验的标本量，放射科的摄片量，合理安排人员、设备床位等(以下简称服务量指标)。统计预测是现代医院管理活动中的一种科学手段和方法，在医院管理和决策中的地位愈显突出。医院服务量是衡量医院管理工作的重要指标，做好其短期预测，可为医院评估工作效率、制定工作计划和领导决策提供重要依据，对提高医疗服务质量、经济效益和社会效益均具有现实意义。目前医院预测服务量的方法主要是使用年平均数来预测，没有考虑到服务量趋势的变化和波动，缺乏科学性。因此，医院管理决策急需一种科学的预测医院各种服务量的方法。为此，本专利技术提供了一种医院服务量的预测方法，包括以下步骤：步骤1：读取医院服务量(如门诊量、住院量)指标的历史数据；步骤2：将所述历史数据按照时间顺序，并按预定比例2：1分到用于拟合模型的训练集和用于验证模型准确性的测试集两个集合中，且训练集中的历史数据多于测试集中的历史数据；步骤3：检验训练集中的数据序列是否平稳，若平稳转到步骤5，否则转到步骤4；步骤4：将训练集中的数据序列进行平稳性转换，并执行步骤5；步骤5：选取适当的ARIMA模型来拟合训练集中的数据序列；步骤6：估计ARIMA模型的参数；步骤7：检验ARIMA模型，若通过检验，则转到步骤9，否则，转到步骤8；步骤8：重复步骤5-7；步骤9：输出通过检验的ARIMA模型；步骤10：用ARIMA模型预测医院服务量的未来走势。ARIMA模型是一种精度较高且周期短的预测医院服务量的模型，可以解决传统统计方法的问题，值得推广应用。ARIMA模型：全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。由于采用了上述技术方案，本专利技术可在考虑服务量趋势的变化和波动的基础上，科学地预测医院各种服务量，解决了现有技术中运用静态因果结果模型进行分析预测时，无法准确处理复杂的数据和难控制的变化因子的问题，为医院评估工作效率、制定工作计划和领导决策提供重要依据，对提高医疗服务质量、经济效益和社会效益均具有现实意义。检验医院服务量数据序列本文档来自技高网...

【技术保护点】
一种医院服务量的预测方法，其特征在于，包括：步骤1：读取医院服务量(如门诊量、住院量)指标的历史数据；步骤2：将所述历史数据按照时间顺序，并按预定比例分到用于拟合模型的训练集和用于验证模型准确性的测试集两个集合中，且训练集中的历史数据多于测试集中的历史数据；步骤3：检验训练集中的数据序列是否平稳，若平稳转到步骤5，否则转到步骤4；步骤4：将训练集中的数据序列进行平稳性转换，并执行步骤5；步骤5：选取适当的ARIMA模型来拟合训练集中的数据序列；步骤6：估计ARIMA模型的参数；步骤7：检验ARIMA模型，若通过检验，则转到步骤9，否则，转到步骤8；步骤8：重复步骤5‑7；步骤9：输出通过检验的ARIMA模型；步骤10：用ARIMA模型预测医院服务量的未来走势。

【技术特征摘要】
1.一种医院服务量的预测方法，其特征在于，包括：步骤1：读取医院服务量(如门诊量、住院量)指标的历史数据；步骤2：将所述历史数据按照时间顺序，并按预定比例分到用于拟合模型的训练集和用于验证模型准确性的测试集两个集合中，且训练集中的历史数据多于测试集中的历史数据；步骤3：检验训练集中的数据序列是否平稳，若平稳转到步骤5，否则转到步骤4；步骤4：将训练集中的数据序列进行平稳性转换，并执行步骤5；步骤5：选取适当的ARIMA模型来拟合训练集中的数据序列；步骤6：估计ARIMA模型的参数；步骤7：检验ARIMA模型，若通过检验，则转到步骤9，否则，转到步骤8；步骤8：重复步骤5-7；步骤9：输出通过检验的ARIMA模型；步骤10：用ARIMA模型预测医院服务量的未来走势。2.根据权利要求1所述的医院服务量的预测方法，其特征在于，步骤3包括：根据训练集中的数据序列的时间序列散点图、自相关函数和偏自相关函数图，以及ADF单位根检验序列的平稳性，从而实现对数据序列的平稳性进行识别。3.根据权利要求1所述的医院服务量的预测方法，其特征在于，步骤4包括：步骤41，将数据序列进行一阶差分或log变换；步骤42，采用步骤3中的方法检验经过步骤41处理后的数据序列的平稳性，若不平稳，则再次执行步骤41，直到平稳。4.根据权利要求1所述的医院服务量的预测方法，其特征在于，步骤5包括：通过自相关函数的截尾阶数确定ARMA模型的自回归阶数q；通过偏自相关函数的截尾阶数确定ARMA模型的移动平均的阶数p。5.根据权利要求4所述的医院服务量的预测方法，其特征在于，所述自相关函数为：

【专利技术属性】
技术研发人员：夏一粟，刘红跃，
申请(专利权)人：北京北青厚泽数据科技有限公司，
类型：发明
国别省市：北京,11