基于PNN—LSSVM模型的醫院總收入預測

劉超 周波 李清竹 張雅云 秦國偉 劉卓慧 胡光闊

摘要：目的：以云南省某醫院總收入為研究對象，對該醫院2013年收入數據進行建模、預測。方法：根據醫院總收入特性，首先對醫院總收入進行分類，分類后分別建立適合各類別的LSSVM模型。結果：相比單一預測模型預測精度高，對30個樣本點預測平均相對誤差為4.95%。結論：醫院總收入直接反映了醫院的業務情況、籌資結構和經濟效益，與醫院的可持續發展息息相關，且各因素之間的關系是模糊的，很難依據各影響因素進行預測。本文充分考慮到醫院總收入的特性，利用建立的PNN-LSSVM模型對醫院總收入進行預測，為醫院制訂中、長期發展規劃提供依。

Abstract： Objective： To take the total income of a hospital in Yunnan Province as the research object， to model and predict the 2013 income data of the hospital. Methods： According to the characteristics of the hospital's total income， the hospital's total income is first classified， and the LSSVM models suitable for each category are established after classification. Results： Compared with the single prediction model， the prediction accuracy is high， and the average relative error for the 30 sample points is 4.95%. Conclusion： The hospital's total income directly reflects the hospital's business situation， fund raising structure and economic benefits， and is closely related to the sustainable development of the hospital. The relationship among various factors is ambiguous and it is difficult to predict based on various factors. This paper fully considers the characteristics of the hospital's total income， uses the established PNN-LSSVM model to predict the total hospital revenue， to provide guidance for hospitals to formulate medium and long-term development plans.

關鍵詞：醫院總收入預測；PNN-LSSVM模型；LSSVM建模

Key words： hospital revenue projections；PNN-LSSVM model；LSSVM model

中圖分類號：R197.3 文獻標識碼：A 文章編號：1006-4311（2018）14-0081-03

0 引言

醫院總收入預測是制訂醫院發展的中、長期規劃的依據。它直接反映了醫院的業務情況、籌資結構和經濟效益，與醫院的可持續發展息息相關。目前對醫院收入的預測主要有文獻[1]，金新政等通過建立GM（1，1）模型對醫院收入的發展趨勢進行預測；蘆小娟[2]利用最小二乘法原理，運用Excel軟件計算線性回歸方程，最后對住院收入進行預測；景立偉[3]通過建立傳遞函數模型對醫院業務收入進行預測；周蓮英[4]應用相關直線回歸分析方法對門診以及住院收入進行預測。醫院的收入還受較多因素的影響，如業務量、工作效率、醫療技術水平、醫院規模等，且各因素之間的關系是模糊的，很難依據各影響因素進行預測。

針對以上情況，首先本文利用概率神經網絡（PNN）對醫院總收入進行分類，分類后根據不同時期醫院總收入情況建立LSSVM模型進行預測，本文定義此方法為PNN-LSSVM模型。根據醫院總收入特性，本文通過建立PNN-LSSVM模型對醫院總收入進行預測。

1 PNN-LSSVM模型建立

大量的研究表明，醫院總收入受到各種復雜因素的影響，導致醫院總收入是典型的非線性系統。而相空間重構是根據有限的數據來重構吸引子以研究系統動力行為的方法，即用系統的一個觀察量可以重構出原動力系統模型。根據前文描述，為提高模型的預測精度，先是原始信息進行重構，再進而分類。然后進行訓練模型、測試，最后對醫院總收入進行預測。

1.1 醫院總收入概率神經網絡（PNN）分類

概率神經網絡（PNN）[7-8]是是徑向基網絡的一個分支，屬于前饋網絡的一種。概率神經網絡一般有以下四層：輸入層、模式層、求和層和輸出層。概率型神經網絡的基本拓撲結構如圖1所示。第一層為輸入層，這一層對輸入不做任何處理，只是簡單的將輸入向量X=[x1，x2，…，xL]傳遞給網絡；中間兩層為隱層，模式層通過連接權值與輸入層連接。計算輸入特征向量與訓練集中各個模式的匹配程度，也就是相似度，將其距離送入高斯函數得到模式層的輸出。模式層在接收輸入向量X=[x1，x2，…，xL]后，第i類模式的第j個模式神經元所確定的輸入輸出關系由下式來定義：

3 結論

醫院的收入受較多因素的影響，如業務量、工作效率、醫療技術水平、醫院規模等，且各因素之間的關系是模糊的，都給預測醫院總收入帶來較大困難。本文充分考慮到醫院總收入的特性，利用建立的PNN-LSSVM模型對醫院總收入進行預測，相比單一預測模型預測精度高，對30個樣本點預測平均相對誤差為4.95%，為醫院制訂中、長期發展規劃提供依據。

參考文獻：

[1]梁景星.灰色系統理論在醫院總收入預測中的應用[J].中國醫院統計，2013，20（1）：25-27.

[2]蘆小娟.二元回歸直線方程預測住院收入[J].中國醫院統計，2008，15（2）：163-164.

[3]景立偉，玉彤，王衛琪.傳遞函數模型在醫院業務收人預測中的應用[J].現代預防醫學，2007，34（20）：3858-3859.

[4]周蓮英，鄒文雄，賴伏虎.醫院經濟收入統計分析及預測[J]. 中國醫院統計，2004，11（2）：134-136.

[5]N.H.Packard，J.PCrutchfietd， J.D.Farmer， et a1. Geometry from a time series.Phys.Rev.Lett，1980，45（9）：712-716.

[6]ETakens.Deterrning strange attractors in turbulence.Lecture notes in Math，1981，898：361-38l.

[7]Wasserman P D. Advanced Methods in Neural Computing [M]. New York： Van Nostrand Reinhold， 1993， 35-55.

[8]Romero R， Tourtzky D， et al. . Probabilistic Neural network classifiers for optical Chinese recognition [J]. Pattern Recognition， 1997， 8（30） ：1279-1292.

[9]Vapnik V N.The Nature of Statistical Learning Theory，2nd Edition.New York：Springer Verlag，1999.

[10]Suykens J A K，Gestel T V，Brabanter J D，et a1.Least Squares Support Vector Machines.Singapore：World Scientific Pub.Co.，2002.