[논문]병원 외래환자수의 예측을 위한 시계열 데이터처리 딥러닝 시스템

조준모

doi:10.13067/jkiecs.2021.16.2.313

초록
AI-Helper

딥러닝 기술의 도래로 인하여 수많은 산업과 일반적인 응용에 적용됨으로써 우리의 생활에 큰 영향을 발휘하고 있다. 특정한 분야의 문제를 해결하기 위해서는 그 문제에 적합한 딥러닝 모델을 작성해야 한다. 근래에는 COVID-19 사태로 인하여 다양한 문제들을 딥러닝으로 해결하고자 하는 사례들이 늘고 있다. 이러한 일환으로 본 논문에서는 갑자기 급증할 수 있는 병원의 외래환자들을 미리 예측을 위한 시계열의 딥러닝 모델을 제시하고자 한다. 제시하는 딥러닝 모델은 주피터 노트북에서 케라스로 작성하였다. 예측결과는 실제 데이터와 그래프로 비교하며 유효성 데이터를 활용하여 과소적합과 과대적합의 여부를 손실률로 분석할 수 있도록 하였다.

Abstract ▼ AI-Helper

The advent of the Deep Learning has applied to many industrial and general applications having an impact on our lives these days. Certain type of machine learning model is needed to be designed for a specific problem of field. Recently, there are many instances to solve the various COVID-19 related ...

The advent of the Deep Learning has applied to many industrial and general applications having an impact on our lives these days. Certain type of machine learning model is needed to be designed for a specific problem of field. Recently, there are many instances to solve the various COVID-19 related problems using deep learning model. Therefore, in this paper, a deep learning model for predicting number of outpatients of a hospital in advance is suggested. The suggested deep learning model is designed by using the Keras in Jupyter Notebook. The prediction result is being analyzed with the real data in graph, as well as the loss rate with some validation data to verify either for the underfitting or the overfitting.

주제어

표/그림 (9)

그림 Fig. 1 Example of LSTM model
그림 Fig. 2 Basic RNN MODEL
그림 Fig. 3 Loss of Fully Connected Model
표 Table 1. Tensorflow in Keras
표 Table 2. LSTM Neural Network Model
그림 Fig. 4 Loss of GRU Model
그림 Fig. 5 Predicted data of GRU Model
그림 Fig. 6 Comparison of test predicted and targets
그림 Fig. 7 Entire predicted and targets

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

After a better understanding of the strengths and limitations of each method, the possibility of integrating two or more algorithms together to solve a problem should be investigated. The objective is to utilize the strengths of one method to complement the weaknesses of another. If we are only interested in the best possible classification accuracy, it might be difficult or impossible to find a single classifier that performs as well as a good ensemble of classifiers[6].
So the world wide research related in this field is underway in many universities, companies and research facilities. The researches are related to the supervised and unsupervised learning methods as well as the field of the deep learning. Such observation can define a new class or assign a new class to an existing class.
This paper is on the predicting the numbers of hospital patient using deep learning models for time series data processing. So, in section II, a time series data preparation as preprocessing for the deep learning is explained.

제안 방법

The prediction of the numbers of hospital patient using deep learning models is designed, executed, and analyzed in Keras. Unlike the image related neural network, to predict the numbers of hospital patients needs recursive types of neural network.
And, there is a research on the case of corporate bond credit rating forecast, corporate sample is limited because only large companies are selected for corporate bond credit rating. To address limitations of prior research, this study attempts to implement a predictive model with more sample companies, which can adjust the forecasting point at the present time by using the credit score information and corporate information in time series[4]. So the preproccesing process should be considered the neural models such as the RNN(Recurrent neural network) based stateful LSTM(Long Short Term Memory) model.

대상 데이터

England. The data is provided from the NHS England, and it is published in 2019. It is the monthly activity data relating to elective and non-elective impatient admissions(FFCEs) and outpatient referrals and attendances for first consultant outpatient appointments.

이론/모형

The normalization method using in this experiment is the Min-Max method. the data is scaled to a fixed range, usually 0 to 1, the cost of having this bounded range is that it will end up with smaller standard deviations.

성능/효과

data. Since the data is in the time periotic order, the first 90% of the data is used for the training, and the rest of 10% data is compared with the predicted result for the evaluation. The final result is also considered to avoid overfitting and underfitting with validation data.

참고문헌 (9)

R. Sathya and A. Annamma, "Comparison of Supervised and Unsupervised Learning Algorithms for Pattern Classification," IJARAI, vol. 2, no. 2, 2013, pp. 34-38.
R. Sathya and A. Abraham, "Unsupervised Control Paradigm for Performance Evaluation," International Journal of Computer Application, vol. 44, no. 20, 2012, pp. 27-31.
X. C. Yin, X. Yin, K. Huang, and H. W. Hao, "Robust text detection in natural scene images," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 36, no. 5, 2014, pp. 970-983.

상세보기
H. Lee and S. Oh, "LSTM-based Deep Learning for Time Series Forecasting: The Case of Corporate Credit Score Prediction," Korea Association of Information Systems, vol. 29, no. 1, 2020, pp. 241-265.
C. Im, "EEG Dimensional Reduction with Stack AutoEncoder for Emotional Recognition using LSTM/RNN," J. of the Korea Institute of Electronic Communication Science, vol. 15, no. 4, 2020, pp. 717-724.

원문보기 상세보기
C. Neocleous and C. Schizas, "Artificial Neural Network Learning: A Comparative, Methods and Applications of Artificial Intelligence," Hellenic Conference on Artificial Intelligence SETN, Springer, Thessaloniki, Greece, 2002, pp. 300-313.
Y. Milad, Y. Moslem, F. Masood, and F. Flavio, "Patient visit forecasting in an emergency department using a deep neural network approach," The international journal of cybernetics, vol. 49, issue. 12, 2019, pp. 2335-2348.
M. Kim, "A Study on the Sports Rehabilitation Treatment for the Intellectual Disabilities using deep learning," J. of the Korea Institute of Electronic Communication Science, vol. 15, no. 4, 2020, pp. 725-732.

원문보기 상세보기
C. Jung, R. Jang, D. Nyang, and K. Lee " A Study of User Behavior Recognition-Based PIN Entry Using Machine Learning Technique," Korea Information Processing Society review, computer and communication systems, vol. 7, no. 5, 2018, pp. 127-136.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

병원 외래환자수의 예측을 위한 시계열 데이터처리 딥러닝 시스템
Time Series Data Processing Deep Learning system for Prediction of Hospital Outpatient Number 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

병원 외래환자수의 예측을 위한 시계열 데이터처리 딥러닝 시스템 Time Series Data Processing Deep Learning system for Prediction of Hospital Outpatient Number 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

조준모 (22)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

병원 외래환자수의 예측을 위한 시계열 데이터처리 딥러닝 시스템
Time Series Data Processing Deep Learning system for Prediction of Hospital Outpatient Number 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper