买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉复旦大学;中国人民解放军海军军医大学第一附属医院申请的专利基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114758761B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210309065.9，技术领域涉及：G16H40/20；该发明授权基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质是由李子靖;陈颢;张淑芹;王立鹏;高卫国;邓璐;王孜怡设计研发完成，并于2022-03-28向国家知识产权局提交的专利申请。

本基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质在说明书摘要公布了：本发明提供一种基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质，基于两步回归的医院门诊就诊人数的预测方法包括：步骤S1：构建基于两步回归的医院门诊就诊人数的预测模型；步骤S2：采用上述预测模型预测未来一段时间内的医院门诊就诊人数。本发明采用带时间序列误差的回归模型来预测人流量，能够在适当的精度内预测比较长时间内的人流量；对于规律性强的时间序列数据表现良好，便于医院进行排班等管理安排。

本发明授权基于两步回归的医院门诊就诊人数的预测方法、装置、设备和存储介质在权利要求书中公布了：1.一种基于两步回归的医院门诊就诊人数的预测方法，其特征在于，包括： 步骤S1：构建基于两步回归的医院门诊就诊人数的预测模型，预测模型为： 其中 t＝1，2，...，T； yt为第t天人数； Dit表示第t天是否为星期i，若第t天恰为星期i，则Dit取值为1，否则Dit取值为0，bi为星期i前的系数； 表示为节假日前，表示为节假日后； 分别为工作时段最高气温与最低气温； Wt为第t天的天气，若有降雨或降雪则Wt＝1，其余天气为0； a,b,c,d,f,g,h为回归项系数，代表Dit、和Wt对于yt的影响大小； et满足一个ARIMA模型：p为自回归阶数，d为差分的阶数，q为滑动平均的阶数； φ,θ为自回归以及滑动项的系数； B为延迟算子，其定义为Bet＝et-1； ∈t为服从独立同分布的白噪声序列； n为一周工作的天数，n＝5、6或7； 步骤S2：采用上述预测模型预测未来一段时间内的医院门诊就诊人数； 步骤S1包括： 步骤S1.1：选取影响医院门诊就诊人数的若干变量，所述变量分别为星期数、节假日、气温和天气； 步骤S1.2：将星期数变量、节假日变量、气温变量和天气变量组成解释变量矩阵 X＝D1，D2，...，Dn，Hbefore，Hafter，Thigh，Tlow，W，并将X作标准化处理得到X*： 设X＝xijn×p，则 其中 步骤S1.3：将X*进行主成分分析： 1找到一个正交矩阵Γ，满足且使得为一p×p对角阵Λ＝diagσ1，σ2，...，σm，0，...，0，m≤p且σ1≥σ2≥σm＞0； 2计算主成分方差贡献率 以及累计贡献率 3选取i，1≤i≤p，使得γi≥0.95，并取Γ的前i列，记为并记 即为X*的主成分矩阵； 步骤S1.4：使用解释变量来拟合线性回归模型： 其中为科室每天人数，首先假设满足独立同分布，采用最小二乘法得到估计参数并计算残差步骤S1.5：将残差序列拟合ARIMA模型： 其中p为自回归阶数，d为差分的阶数，q为滑动平均的阶数；φ，θ为自回归以及滑动项的系数；B为延迟算子，其定义为Bet＝et-1；∈t为服从独立同分布的白噪声序列； 首先采用Hyndman-Khandakar算法来选择阶数p，d，q： 1通过重复地KPSS测试来确定差分阶数d：0≤d≤2 2对数据差分d次之后，通过最小化AICc来选择p，q： AIC＝2k-2logLikelihood 其中n为样本容量，即样本的个数，k为去除噪声方差后总的参数数量，极大似然函数的计算步骤见下文参见步骤S1.7中的系数φ，θ的估计方法： 1拟合四个初始模型：ARIMA0，d，0、ARIMA2，d，2、ARIMA1，d，0、ARIMA0，d，1， 2步骤1中拟合出的AICc最小的模型称为“currentmodel”； 3考察“currentmodel”的以下两个变种模型： 1.对p和或q的值改变±1； 2.包含不包含常数项c； 将上述变种和原来的currentmodel中AICc最小的模型即为最新的“currentmodel”； 4重复3，直到没有更小的AICc的模型； 步骤S1.6：将原来的线性回归模型调整为： t＝1，2，...，T； 步骤S1.7：使用极大似然估计来确定自回归以及滑动项的系数φ，θ的值，从而估计得到参数并带入模型以完成预测模型的构建： 假设各∈t是相互独立的，且服从零均值与相同的标准差则各∈t的概率密度函数pdf为： 由独立性，得到∈1，∈2，...，∈T的联合概率密度函数pdf为： 由此得到似然函数Likelihood： 其中gt为将用y1，...，yt，β，φ，θ表示的函数， 根据模型公式将∈t用观测到的y以及表示，并求出使得∈1，∈2，...，∈T的联合概率密度函数pdf达到极大值： 将估计得到的参数带入模型，从而完成了模型的构建； 步骤S2包括： 采用构建完成的所述预测模型来预测未来k天各科室的人流量，已知的数据有前T天的人流量 以及k天的解释变量矩阵 Xforecast＝D1，D2，...，Dn，Hbefore，Hafter，Thigh，Tlow，W 逐一预测科室后k天的人流量 首先将按步骤S1.2同样的方法进行变换得到再带入回归模型中： 此处要求出预测值yforecast则需要先计算出eforecast 根据eforecast满足的模型 其中 t＝T+1,T+2,...,T+k， 将模型中的t用代替： 由于T时刻之前事件已经发生，为已知事件，记 对上式求条件期望有： 根据条件期望的性质有： 根据以上两式可依次求出从而 因此 得出预测值yforecast。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人复旦大学;中国人民解放军海军军医大学第一附属医院，其通讯地址为：200433 上海市杨浦区邯郸路220号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。