隨著信息技術的飛速發展,數據庫管理信息系統應用的規模、范圍和深度不斷擴大和深入,系統中存儲積累的數據也越來越多,但是現有的數據庫管理信息系統實現的基本上都是傳統的數據管理功能,只是對數據進行一些傳統的查詢、統計操作或固定的數學指標的計算等,數據資源并沒有得到充分的利用,造成很大的資源浪費,也難以滿足新形勢下管理決策人員對數據支撐的需求。 當前醫院競爭形勢日趨激烈,醫院如何提高自身在社會上的競爭優勢就顯得尤為重要,醫院要實現自身的生存與發展離不開科學有效的管理,因此管理決策人員除了需要傳統的查詢統計結果,還非常迫切地需要對一些指標進行科學地預測,從而能夠在此基礎上做出下一步科學有效的工作安排,合理準備材料、安排人員,進而達到節約資源,提高醫院綜合競爭優勢的目標。 在醫院管理信息系統中存儲積累了多年的門診量、住院病人量、藥品使用量等與時間有關的時間序列數據,目前國內外對此類數據進行預測已經有了一些研究成果,其中有兩種應用比較廣泛的預測模型,分別是灰色模型和人工神經網絡模型,這兩種模型分別采用不同的算法來實現通過歷史數據對未來數據進行預測的功能,能夠取得較好的預測精度,也都有其各自的優點。 灰色模型具有建模所需樣本數據少、原理簡單、運算方便、短期預測精度高等優點,而人工神經網絡模型能夠并行計算、模仿多種函數,具有良好的適應、自學習能力和較強的容錯能力等優點。但是無論是灰色模型還是人工神經網絡模型,其作為單一的預測模型還是存在一定的不足,比如灰色模型有對數據的波動性適應不夠理想、對歷史數據有很強的依賴性等不足,人工神經網絡模型有對樣本容量要求較大、預測結果受個人經驗影響比較大、網絡學習和記憶具有不穩定性等不足。單一模型存在自身難以解決的問題。 首先研究基本灰色模型GM(1,1)的使用,分析其存在的缺陷,并對其進行改進,利用改進的GM(1,1)模型對某醫院的月門診量進行預測,通過預測結果分析其存在的不足。然后利用人工神經網絡模型對門診量進行預測,同樣分析其存在的不足。 為了提高數據預測的精度,吸取兩種模型的優點,提出了一種改進的組合預測模型。 用改進的灰色模型來對歷史數據進行擬合,歷史數據與擬合數據的差值構成殘差序列,通過人工神經網絡模型對殘差序列進行修正,然后將改進的灰色模型預測產生的基本數據與修正后的殘差序列結合,得到組合模型預測結果。改進的灰色模型、人工神經網絡模型和組合模型預測結果的均方誤差分別為13465、14235、10548,http://www.yifanglunwen.com/post/47.html平均相對誤差分別為8.09%、9.60%、6.27%。從預測結果的誤差指標上可以看出,組合預測模型在很大程度上克服了單一模型的不足,進一步提高了數據預測的精度。