[發明專利]一種基于時間序列動態預測中短期區域兒科門診人次的方法

有效

• 申請號: 201710351603.X
• 申請日: 2017-05-18
• 公開（公告）號: CN107194508B
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 吳昊天;王利亞;李艷;劉曉冰
• 申請（專利權）人: 成都數聯易康科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G16H40/20
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于，該方法利用前期兒科門診人次數據預測下一周期的兒科門診人次，即隨著時間的推移，時間序列不斷加入最近一期兒科門診人次的真實數據，反復迭代優化模型，動態預測下期兒科門診人次；

該方法包括以下步驟：

S1：序列平穩性檢驗和處理；

S2：事件變量識別；

S3：參數估計、參數檢驗與模型評估；

S4：最優序列長度識別；

S5：動態預測；

所述的序列平穩性檢驗和處理，包括如下子步驟：

S11：數據收集和預處理，選擇準確性高、信息覆蓋率高的兒童就診數據，將無用數據去噪，集約出有用數據；

S12：序列平穩性檢驗，通過對序列圖分析以及自相關性檢驗，判斷序列的平穩性；

S13：序列平穩性處理，對非平穩時間序列進行平穩化處理，如存在長期趨勢則進行差分，如存在季節影響則進行季節性差分，直到處理后的數據為平穩序列，即序列的自相關系數和偏自相關系數很快地衰減到零，出現拖尾或者截尾現象；

所述的事件變量識別，包括如下步驟：

S2：兒科門診量具有周期性、季節性和節假日效應，將月份、節假日作為事件變量引入時間序列預測模型，來評價事件變量對序列的擾動情況，并據此進一步對時間序列預測值進行調整；

所述的參數估計、參數檢驗與模型評估，包括如下子步驟：

S31：參數估計，兒科門診量具有顯著的周期性，采用乘積季節求和自回歸移動平均模型建模；

S32：參數檢驗，對各參數進行檢驗，P0.05則具有顯著性意義，模型可以表達序列信息，采用Box-Ljung法檢驗殘差序列，P0.05則認為殘差序列是白噪聲；

S33：模型評估，采用設定的擬合效果指標評估模型擬合效果；

所述的最優序列長度識別，包括如下子步驟：

S41：選擇不同時間長度的動態序列，加入事件變量，構建預測模型，以此克服時間序列預測的過擬合或預測外推效果不佳問題，得到不同序列長度的時間序列預測模型；

S42：通過設定的擬合效果指標，選擇最優模型和最優時間序列長度；

所述的動態預測，包括如下子步驟：

S51：根據最優序列長度結果，利用時間范圍內兒科門診人次的時間序列擬合最優模型，預測下一時期的門診人次情況；

S52：反復迭代優化模型，動態預測最近時期的兒科門診人次。

2.根據權利要求1所述的一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于：所述的數據收集和預處理，包括以下子步驟：

S111：數據收集,選擇準確性高、信息覆蓋率高的數據；

S112：數據預處理，首先對收集的數據進行無關數據去噪，再將多個數據源中的數據集合起來存放在數據儲存中。

3.根據權利要求1所述的一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于，所述的序列平穩性包括強平穩性和弱平穩性。

4.根據權利要求1所述的一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于，所述的序列圖分析包括序列散點圖、ACF圖及PACF圖。

5.根據權利要求1所述的一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于，所述的中期預測為月尺度的預測。

6.根據權利要求1所述的一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于，所述的短期預測為周、日尺度的預測。

7.根據權利要求1所述的一種基于時間序列動態預測中短期區域兒科門診人次的方法，其特征在于，所述的擬合效果指標包括StationaryR2、R2、AIC、BIC和RMSE。