Dự báo chuỗi thời gian trong hệ thống thông tin bệnh viện

Dự báo chuỗi thời gian trong hệ thống thông tin bệnh viện

DỰ BÁO CHUỖI THỜI GIAN TRONG

HỆ THỐNG THÔNG TIN BỆNH VIỆN

GVHD: PGS.TS DƯƠNG TUẤN ANH

Đại Học Quốc Gia Thành Phố Hồ Chí Minh

Trường Đại Học Bách Khoa

BÁO CÁO LUẬN VĂN THẠC SĨ

Xác định các phương pháp của kỹ thuật làm trơn mũ

 Biểu đồ dữ liệu doanh thu phòng khám đã được làm trơn

bằng phương pháp trung bình di động

 Dữ liệu có xu hướng nên sử dụng: Kỹ thuật làm trơn mũ

Holt và Kỹ thuật làm trơn mũ Winters

> smPK <- SMA(seriesPK1,n=5)

> plot(smPK,type="l", main='Biểu đồ dữ liệu PKDK sau khi làm trơn')

Bieu do du lieu PKDK sau khi lam tron

KỸ THUẬT LÀM TRƠN MŨ HOLT

> #Mô hình kỹ thuật làm trơn mũ Holt

> modelHoltPK1 <- HoltWinters(seriesPK1, gamma = F); modelHoltPK1

Warning message:

In HoltWinters(seriesPK1, gamma = F) :

optimization difficulties: ERROR: ABNORMAL_TERMINATION_IN_LNSRCH

Holt-Winters exponential smoothing with trend and without seasonal component

GIÁ TRỊ THỰC TẾ VÀ GIÁ TRỊ LÀM TRƠN (Holt)

> #Biểu đồ doanh thu thực tế so với doanh thu dự đoán từ mô hình

> plot(modelHoltPK1,type="l", main='Doanh thu thực tế & Doanh thu theo Mô hình modelHoltPK1')

Doanh thu thuc te & Doanh thu theo mo hinh modelHoltPK1

DỰ BÁO CHUỖI THỜI GIAN (Holt)

> #Tập giá trị dự đoán từ mô hình, với khoảng dự đoán = số lượng

dữ liệu để kiểm định valPK.period

DỰ BÁO CHUỖI THỜI GIAN (Holt) (tt)

 Biểu đồ thể hiện giá trị doanh thu ước lượng từ mô hình, khu vực màu cam là khu vực ước đoán ở mức 95% và màu vàng là khu vực 80%.

Forecasts from HoltWinters

So sánh giá trị dự báo và giá trị thực tế (Holt)

> ymaxPK11 <- Max(futurePK1 , ForecastHoltPK1)

> yminPK11 <- Min(futurePK1 , ForecastHoltPK1)

> plot(futurePK1 , type="l", ylim=c(yminPK11,ymaxPK11), ylab = "Doanh thu")

KỸ THUẬT LÀM TRƠN MŨ WINTERS

> #Mô hình kỹ thuật làm trơn mũ Holt-Winters

GIÁ TRỊ THỰC TẾ VÀ GIÁ TRỊ LÀM TRƠN (Winters)

> #Biểu đồ doanh thu thực tế so với doanh thu dự đoán từ mô hình

> plot(modelHoltPK2,type="l", main='Doanh thu thuc te & Doanh thu theo Mô hình modelHoltPK2')

Doanh thu thuc te & Doanh thu theo mo hinh modelHoltPK3

DỰ BÁO CHUỖI THỜI GIAN (Winters)

> #Tập giá trị dự đoán từ mô hình, với khoảng dự đoán = số lượng dữ liệu để kiểm định valPK.period

DỰ BÁO CHUỖI THỜI GIAN (Winters) (tt)

 Biểu đồ thể hiện giá trị doanh thu ước lượng từ mô hình, khu vực màu cam là khu vực ước đoán ở mức 95% và màu vàng là khu vực 80%.

Forecasts from HoltWinters

So sánh giá trị dự báo và giá trị thực tế (Winters)

> win.graph(width=7,height=4,pointsize=9)

> ymaxPK21 <- Max(futurePK1 , ForecastHoltPK2)

> yminPK21 <- Min(futurePK1 , ForecastHoltPK2)

> plot(futurePK1 , type="l", ylim=c(yminPK21,ymaxPK21), ylab='Doanh thu')

ĐÁNH GIÁ DỮ LIỆU (Winters)

> valHoltPK2 <- criteriaForecast(futurePK1, ForecastHoltPK2)

> valHoltPK2

MAE MSE RMSE MAPE MPE 1.735483e+02 5.283631e+04 2.298615e+02 8.799934e-02 2.701944e-02

Đánh giá phương pháp của kỹ thuật làm trơn mũ - PKĐK

> #So sánh kết quả các chỉ tiêu so sánh đánh giá mô hình

> rbind(modelHoltPK1 = valHoltPK1, modelHoltPK2 = valHoltPK2)

modelHoltPK1 169.8302 50134.89 223.9082 0.08755515 -0.04873609

modelHoltPK2 173.5483 52836.31 229.8615 0.08799934 0.02701944

Hay:

Phương

Dữ liệu Phòng khám đa khoa

0.087555 15

0.0487360 9

0.087999

34

0.0270194 4

MÔ HÌNH ARIMA – PHÒNG KHÁM ĐA KHOA

 Quá trình thực nghiệm của phương pháp này

và giá trị thực tế.

KIỂM TRA TÍNH DỪNG

> win.graph(width=6,height=4,pointsize=8)

> plot(seriesPK, type='l', ylab='Doanh thu PKDK')

> plot(seriesPK1, type='l', ylab='Doanh thu PKDK', xlab='Thời gian')

Biểu đồ thể hiện doanh thu Phòng khám đa khoa từ 01/2009 đến

11/2011 là chuỗi dữ liệu có xu hướng và tính mùa

Xác định các hệ số p, d, q

 Loại bỏ yếu tố xu hướng và mùa vụ

 Sử dụng phương pháp lấy sai phân bậc 1 cho tập dữ liệu

 Kết quả cho thấy dữ liệu sau khi lấy sai phân bậc 1 vẫn chưa đạt là chuỗi dừng.

 Biểu đồ dữ liệu doanh thu bệnh viện sau khi lấy sai phân bậc 2

> #Dữ liệu PKDK mẫu sau khi Sai phân bậc 1

Hình 5.22 Biểu đồ dữ liệu doanh thu PKDK mẫu sau khi lấy sai phân bậc 2

Dữ liệu sau khi lấy sai phân bậc 2 đã đạt là chuỗi dừng, vì vậy d=2

Xác định các hệ số p, d, q (tt)

 Biểu đồ tương quan ACF và tương quan riêng phần PACF của dữ liệu PKDK mẫu sau khi lấy sai phân bậc 2 > op <- par(mfrow = c(2,1), mar = c(5,4,1,2)+.1, oma = c(0,0,2,0))

MỘT SỐ CÁC MÔ HÌNH ĐỀ XUẤT

 Mô hình ARIMA(3,2,3)

 Mô hình ARIMA (3,2,0) hay ARI(3,2)

 Mô hình ARIMA (0,2,3) hay IMA(2,3)

 Ngoài ra cũng có một số mô hình tham khảo

 …

THỰC HIỆN MỘT SỐ MÔ HÌNH ĐỀ XUẤT

sigma^2 estimated as 25313: log likelihood=-217.24

AIC=448.49 AICc=452.97 BIC=458.96

> tsdiag(modelArimaPK1)

Hình 5.24 Biểu đồ giá trị phần dư, tương quan và kiểm

định p-values của thống kê Ljung-Box theo mô hình ARIMA thứ nhất.

LỰA CHỌN MÔ HÌNH

> #So sánh AIC

> rbind( modelArimaPK1=modelArimaPK1$aic+ ,modelArimaPK2=modelArimaPK2$aic

DỰ BÁO CHUỖI THỜI GIAN

> plot(modelArimaPK1, n.ahead = valBV.period, ylab = 'Series, Forecasts

& Limits', pch=19); points(x=(36:42), y=futurePK, pch=3,col='red',

Hình 5.25 Biểu đồ so sánh giá trị thực tế và giá trị dự báo cho các

khoảng thời gian tiếp theo của doanh thu PKDK theo mô hình

ARIMA(3,2,3)

GIÁ TRỊ DỰ BÁO – GIÁ TRỊ THỰC TẾ

ylab='Series, Forecasts & Limits', pch=19)

1.875071e+02 6.404233e+04 2.530659e+02 9.267485e-02 1.597741e-02

ĐÁNH GIÁ KẾT QUẢ DỰ BÁO

Dữ liệu phòng khám đa khoaARIMA(3,2,3

01

MÔ HÌNH SARIMA – PHÒNG KHÁM ĐA

KHOA

 Quá trình thực nghiệm của phương pháp này

và giá trị thực tế.

XÁC ĐỊNH HỆ SỐ p, d, q, P,D,Q

 Biểu đồ dữ liệu

lấy sai phân bậc 1

Hình 5.28 Biểu đồ dữ liệu PKDK sau khi lấy sai phân bậc 2

Sau khi lấy sai phân lần 2 ta thấy dữ liệu có thể có tính dừng

XÁC ĐỊNH HỆ SỐ p, d, q, P,D,Q (tt)

phầnPACF của dữ liệu sau khi lấy sai phân

> op <- par(mfrow = c(2,1), mar = c(5,4,1,2)+.1, oma = c(0,0,2,0))

p+P=1

THỰC HIỆN MỘT SỐ MÔ HÌNH ĐỀ XUẤT

> # Mô hình 3 SARIMA(0,1,0)(1,1,1)12

> modelSArimaPK3 = arima(seriesPK, order = c(0,1,0), seasonal

= list(order = c(1,1,1), period=12)); modelSArimaPK3

Hình 5.30 Biểu đồ giá trị phần dư, tương quan và kiểm định p-values của

thống kê Ljung-Box theo mô hình SARIMA(0,1,0)(1,1,1)12.

LỰA CHỌN MÔ HÌNH

> #So sanh AIC cua cac mo hinh

> rbind(SArimaPK1 = modelSArimaPK1$aic, SArimaPK2 = modelSArimaPK2$aic, SArimaPK3 = modelSArimaPK3$aic)

[,1]

SArimaPK1 299.6494

SArimaPK2 304.1344

SArimaPK3 300.7974

DỰ BÁO CHUỖI THỜI GIAN

> #Mô hình SARIMA 3

> #Biểu đồ kết hợp dữ liệu thật và mô hình dự báo

> plot(modelSArimaPK3, n.ahead = 7, pch = 19, ylab = 'Doanh thu'); points(x=(36:42), y=futurePK, pch=3,col='red', lty=3) PKDK: Actual & Fitted by SARIMA(0,1,0)(1,1,1)12

Hình 5.31 Biểu đồ so sánh giá trị thực tế và giá trị dự báo cho các khoảng thời gian tiếp theo của

doanh thu PKDK theo mô hình SARIMA(0,1,0)(1,1,1)12

ĐÁNH GIÁ KẾT QUẢ DỰ BÁO

> #So sánh kết quả các chỉ tiêu so sánh đánh giá mô hình

> rbind(SArimaPK1.111010 = valSArimaPK1, SArimaPK2.110011 = valSArimaPK2, SArimaPK3.010111 = valSArimaPK3)

MAE MSE RMSE MAPE MPE

SArimaPK1.111010 180.9211 50871.71 225.5476 0.09220752 0.027265977

SArimaPK2.110011 180.4990 51987.89 228.0085 0.09408804 -0.031391061

SArimaPK2.010111 173.2438 49830.05 223.2265 0.08961340 0.001506381

Hay

Dữ liệu phòng khám đa khoa

(1,1,1)(0,1,0)12 180.9211 50871.71 225.5476 0.09220752 0.027265977 (1,1,0)(0,1,1)12 180.4990 51987.89 228.0085 0.09408804 -0.031391061 (0,1,1)(1,1,1)12 173.2438 49830.05 223.2265 0.08961340 0.001506381

CẢM ƠN QUÝ THẦY CÔ!