基于EMD和ELM相結合的門診量預測模型研究
網絡安全與數據治理 6期
樊沖
(錦州市大數據管理中心,遼寧錦州121000)
摘要： 針對門診量波動幅度較大的時間序列預測問題，先采用經驗模態(tài)分解(EMD)將非線性較強的原始數據進行分解,，然后通過極限學習機(ELM)將分解后的各個序列分量進行建模,，最后將各個分量的預測值相加得出最終結果。將BP神經網絡,、ELM兩個單一模型與EMDELM組合模型進行對比驗證,，實驗結果表明組合模型的精準度明顯好于兩個單一模型,。
中圖分類號：TP391
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.06.016
引用格式：樊沖.基于EMD和ELM相結合的門診量預測模型研究［J］.網絡安全與數據治理，2023,，42（6）：97-102.
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.06.016
引用格式：樊沖.基于EMD和ELM相結合的門診量預測模型研究［J］.網絡安全與數據治理，2023,，42（6）：97-102.
Research on outpatient volume prediction model based on the combination of EMD and ELM
Fan Chong
（Jinzhou Big Data Management Center,，Jinzhou 121000，China）
Abstract： Aiming at the time series prediction with largefluctuations of outpatient volume, firstly, it is necessary to decompose original data with strong nonlinearity by Empirical Mode Decomposition (EMD), model these decomposed sequence components by Extreme Learning Machine (ELM), and then sum up the prediction volume of these sequence components and finally draw a conclusion. The single models of BP neural network and ELM were compared and verified with the combined model of EMDELM, and it was found that the accuracy of the combined model was significantly better than that of the single models according to the experimental outcomes.
Key words : prediction model; time series; prediction of outpatient volume; Extreme Learning Machine(ELM); Empirical Mode Decomposition(EMD)
0 引言
門診工作是現代醫(yī)療工作中非常重要的一環(huán),，同時日常的門診量也反映著醫(yī)院實時的運行狀態(tài),，準確地對醫(yī)院門診量進行有效預測，既能為醫(yī)院管理人員進行資源合理配置提供重要參考,，也能為醫(yī)院的運營管理起到積極的作用,。
門診量預測本質上是一種時間序列的預測，而大多時間序列內是存在不穩(wěn)定因素的,，其中包括就近就醫(yī),、診療質量、重點科室知名度,、服務質量,、就醫(yī)環(huán)境等，這些因素都難以量化,。以往研究者對門診量的預測研究只考慮針對一種或幾種因素,，沒有對門診量時間序列數據進行挖掘，這與深度挖掘技術在醫(yī)療行業(yè)的研究應用較少有關,。
本文詳細內容請下載：http://forexkbc.com/resource/share/2000005381
作者信息：
樊沖
(錦州市大數據管理中心,遼寧錦州121000)
此內容為AET網站原創(chuàng),，未經授權禁止轉載。