Alapfogalmak
本研究では、時変線形モデルとLSTMモデルを用いて、病院における患者需要の時間変動を効果的に捉え、従来のモデルよりも高精度な予測を実現した。
Kivonat
本研究は、病院における患者需要予測の向上を目的としている。
データ分析の結果、患者の来院数は曜日や時間帯によって大きく変動することが明らかになった。そこで、2つの予測モデルを提案した。
時変線形モデル:
過去7日間の時間別来院数や曜日などの要因を基に、1週間先の時間別来院数を線形的に予測する。
カルマンフィルターを用いて、オンラインで逐次的に学習・予測を行う。
LSTMモデル:
過去1週間の時間別来院数から、3日先の時間別来院数を非線形に予測する。
LSTMアーキテクチャにより、時系列データの非線形な依存関係をモデル化する。
さらに、気温などの外部要因も組み込むことで、予測精度を向上させる。
これらのモデルを、イスラエルのRambam医療センターのデータに適用した結果、両モデルともに患者来院数の時間変動を効果的に捉えることができた。特に、LSTMモデルは週間の季節性を良好にモデル化し、最も低い予測誤差を示した。
本研究の成果は、病院における患者需要予測の高度化に貢献するものと期待される。時変線形モデルは解釈可能性が高く、LSTMモデルは予測精度に優れるなど、状況に応じて使い分けることができる。今後は、これらのモデルを組み合わせるなどして、さらなる予測精度の向上が期待できる。
Statisztikák
患者の1週間の時間別来院数を予測する際、時変線形モデルの平均絶対誤差は約4人である。
LSTMモデルの平均絶対誤差は約4人であり、時変線形モデルよりも低い。
Idézetek
"本研究は、病院における患者需要予測の高度化に貢献するものと期待される。"
"時変線形モデルは解釈可能性が高く、LSTMモデルは予測精度に優れるなど、状況に応じて使い分けることができる。"