基于EMD和ELM相结合的门诊量预测模型研究
网络安全与数据治理 6期
樊冲
(锦州市大数据管理中心,辽宁锦州121000)
摘要：针对门诊量波动幅度较大的时间序列预测问题，先采用经验模态分解(EMD)将非线性较强的原始数据进行分解，然后通过极限学习机(ELM)将分解后的各个序列分量进行建模，最后将各个分量的预测值相加得出最终结果。将BP神经网络、ELM两个单一模型与EMDELM组合模型进行对比验证，实验结果表明组合模型的精准度明显好于两个单一模型。
中图分类号：TP391
文献标识码：A
DOI:10.19358/j.issn.2097-1788.2023.06.016
引用格式：樊冲.基于EMD和ELM相结合的门诊量预测模型研究［J］.网络安全与数据治理，2023，42（6）：97-102.
文献标识码：A
DOI:10.19358/j.issn.2097-1788.2023.06.016
引用格式：樊冲.基于EMD和ELM相结合的门诊量预测模型研究［J］.网络安全与数据治理，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
门诊工作是现代医疗工作中非常重要的一环，同时日常的门诊量也反映着医院实时的运行状态，准确地对医院门诊量进行有效预测，既能为医院管理人员进行资源合理配置提供重要参考，也能为医院的运营管理起到积极的作用。
门诊量预测本质上是一种时间序列的预测，而大多时间序列内是存在不稳定因素的，其中包括就近就医、诊疗质量、重点科室知名度、服务质量、就医环境等，这些因素都难以量化。以往研究者对门诊量的预测研究只考虑针对一种或几种因素，没有对门诊量时间序列数据进行挖掘，这与深度挖掘技术在医疗行业的研究应用较少有关。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005381
作者信息：
樊冲
(锦州市大数据管理中心,辽宁锦州121000)
此内容为AET网站原创，未经授权禁止转载。