Учебное пособие 2036
.pdfкаждый из алгоритмов можно улучшить, подстраивая варьируемые параметры,
иеще больше повысив значение AUC. Для алгоритма нейронных сетей облачный сервис позволяет настраивать такие параметры, как: количество скрытых слоев, максимальное количество итераций на обучение и начальные веса, а для дерева решений – количество деревьев для построения и максимальное и минимальное количество листьев на каждом из них. В конечном итоге необходимо найти баланс между скоростью работы алгоритма
иприемлемой точностью классификации.
Для взаимодействия с полученной системой извне (по API) необходимо опубликовать его как веб-сервис через инструмент «Publish Web Service».
Рис. 3. Публикация системы как веб-сервиса
Таким образом, с помощью платформы Microsoft Azure можно легко построить облачную систему, а с модулем Machine Learning выделить в него основные трудоемкие вычисления с применением алгоритмов машинного обучения, и как готовый продукт опубликовать в виде веб-сервиса.
Литература
1.Романов Д.В., Рындин Н.А. Проектирование системы обнаружения мошеннических транзакций в сфере международной логистики // Моделирование, оптимизация и информационные технологии. - Воронеж: ВИВТ, 2018. - № 4 (23). - С. 481-493
2.Документация по Студии машинного обучения. Режим доступа: https://docs.microsoft.com/ru-ru/azure/machine-learning/studio
ФГБОУ ВО «Воронежский государственный технический университет», Россия
180
УДК 681.3
В.Н. Коровин, Н.Е. Нехаенко, М.В. Фаустова
ПРОГНОЗИРОВАНИЕ ЗАБОЛЕВАЕМОСТИ ХРОНИЧЕСКОЙ ОБСТРУКТИВНОЙ БОЛЕЗНЬЮ ЛЕГКИХ ПО ФЕДЕРАЛЬНЫМ ОКРУГАМ РФ НА ОСНОВЕ ЭКСПОНЕНЦИАЛЬНОГО СГЛАЖИВАНИЯ
Для прогнозирования была использована программа Statistica 10. В качестве данных, на основе которых производился прогноз, используются значения показателей общей заболеваемости населения в возрасте старше 18 лет ХОБЛ в Российской Федерации (на 100 тыс. соответствующего населения). Исходные данные представлены в табл. 1.
Таблица 1 Динамика общей заболеваемости населения в возрасте старше 18 лет ХОБЛ в Российской Федерации (на 100 тыс. населения)
|
2008 |
2009 |
2010 |
2011 |
2012 |
|
Центральный |
436,3 |
445,9 |
497,9 |
519,1 |
503,6 |
|
Федеральный округ |
||||||
|
|
|
|
|
||
Северо-Западный |
466,9 |
496,4 |
612,3 |
521,2 |
534,5 |
|
Федеральный округ |
|
|
|
|
|
|
Южный |
346,8 |
341,6 |
371,4 |
381,5 |
403,5 |
|
Федеральный округ |
|
|
|
|
|
|
Северокавказский |
298,9 |
330,6 |
343,1 |
387,4 |
418,2 |
|
Федеральный округ |
|
|
|
|
|
|
Приволжский |
777,1 |
840,3 |
869,8 |
855,9 |
855,9 |
|
Федеральный округ |
|
|
|
|
|
|
Уральский |
590,4 |
596,6 |
61,2 |
594,0 |
589,8 |
|
Федеральный округ |
|
|
|
|
|
|
Сибирский |
1176,0 |
1210,3 |
1260,1 |
1225,9 |
1188,9 |
|
Федеральный округ |
||||||
|
|
|
|
|
||
Дальневосточный |
422,0 |
440,6 |
484,6 |
492,0 |
543,6 |
|
Федеральный округ |
|
|
|
|
|
График заболеваемости по Федеральным округам по годам представлен на рис. 1.
Рис. 1. Заболеваемость ХОБЛ по Федеральным округам РФ на 100 тысяч населения за период с 2013 по 2017 год
181
К каждому графику было применено экспоненциальное сглаживание, прогноз производился на 3 года. При прогнозировании был использован экспоненциальный тренд, Результат прогноза для Сибирского Федерального округа представлен на рис. 2.
Рис. 2. Результаты прогноза
В столбце СибФО находятся начальные данные, в столбце Сглаженный ряд – сглаженные начальные данные и прогноз, а в столбец Остатки заносится разность между вычисленным и фактическим значениями временного ряда. В полученном прогнозе можно наблюдать тенденцию к снижению заболеваемости ХОБЛ. Также программа Statistica представляет результаты прогноза в графическом виде и таблицу с ошибками (рис. 3).
Рис. 3. Ошибки прогнозирования
Средняя ошибка вычисляется усреднением ошибок на каждом шаге, однако из-за того, что ошибки могут быть как положительными, так и отрицательными, и могут аннулировать друг друга, эта мера не является хорошим индикатором качества прогноза. Средняя абсолютная ошибка вычисляется как среднее абсолютных ошибок. Чем больше она стремится к нулю, тем более точен прогноз. Средняя абсолютная относительная ошибка отражает наиболее важное значение. В данном случае ошибка составила 2,27%, что говорит о хорошем прогнозе. По результатам прогнозирования была составлена итоговая таблица по Федеральным округам РФ. Данные представлены в табл. 2.
182
|
|
|
|
|
|
Таблица 2 |
|
Результаты прогнозирования по Федеральным округам РФ |
|||||||
|
|
|
|
|
|
|
|
Фелеральный |
Альфа |
Гамма |
Ошибка |
Прогноз |
Прогноз |
Прогноз |
|
округ |
|
|
|
2018 |
2019 |
2020 |
|
ЦФО |
1 |
0 |
3,38% |
514,6808 |
526,0054 |
537,5793 |
|
СЗФО |
0,1 |
0,1 |
8,81% |
642,2816 |
681,782 |
723,7116 |
|
ЮФО |
0,599 |
1 |
2,46% |
427,5788 |
454,2447 |
482,5736 |
|
СКФО |
0,63 |
0,378 |
2,89% |
453,3642 |
492,3711 |
534,734 |
|
ПФО |
0,336 |
1 |
5,3% |
897,8885 |
892,5713 |
887,2855 |
|
УрФО |
0 |
1 |
179,8% |
625,3157 |
631,8823 |
638,5179 |
|
СибФО |
1 |
1 |
2,27% |
1153,017 |
1118,216 |
1084,467 |
|
ДФО |
0 |
1 |
2,67% |
534,9814 |
558,5611 |
583,1802 |
|
Наиболее точными являются прогнозы по Сибирскому, Южному, Дальневосточному и Центральному Федеральным округам со средними абсолютными относительными ошибками 2,27%, 2,46%, 2,67% и 3,38% соответственно. Для них результаты в графическом виде представлены на рис. 4-5.
Рис. 4. Результаты прогнозирования в графическом виде по Сибирскому и Южному Федеральным округам
183
Рис. 5. Результаты прогнозирования в графическом виде по Дальневосточному и Центральному Федеральным округам
Литература
1.Данилова Ю.С., Коровин Е.Н., Новикова Е.И. Прогнозирование развития заболеваемости бронхиальной астмой в Российской Федерации на основе метода экспоненциального сглаживания // Системный анализ и управление в биомедицинских системах. 2017. Т. 16. № 4. С. 906-910.
2.Коровин В.Н.,. Снастина Ю.А Прогностические модели развития детских заболеваний на основе метода экспоненциального сглаживания // Управление в биомедицинских, социальных и экономических системах; Межвуз. сборник научных трудов. Воронеж: ВГТУ. 2016. С. 35-40.
3.Коровин В.Н., Коровин Е.Н., Родионов О.В. Оценка уровня заболеваемости детей в территориально распределенной системе региона на основе многомерного статистического анализа медицинских данных // Системный анализ и управление в биомедицинских системах. 2011. Т. 10. № 1. С. 181-184.
4. Коровин Е.Н., Родионов О.В., Фролов В.Н. Методология прогнозирования и оптимизация управления социально-экономическими системами: монография. Воронеж: ВГТУ, 2009. 137 с.
ФГБОУ ВО «Воронежский государственный технический университет», Россия
184
УДК 681.3
Е.И. Новикова, Н.Ю. Тужикова
РАЗРАБОТКА СИСТЕМЫ МАССОВОГО ОБСЛУЖИВАНИЯ ДЛЯ ЖЕНСКОЙ КОНСУЛЬТАЦИИ
Женская консультация является лечебно-профилактическим учреждением, обеспечивающим амбулаторную акушерско-гинекологическую помощь, а также планирование семьи и охрану репродуктивного здоровья с использованием современных медицинских технологий.В работе рассмотрена деятельностьженской консультации, которая входит в состав в БУЗ ВО «Воронежская городская поликлиника № 18» на правах структурного подразделения. Для улучшения работы женской консультации была разработана контекстная диаграмма и диаграммы декомпозиции, а также СМО.
На рисунок 1 представлена контекстная диаграмма, которая отражает описание системы в целом и ее взаимодействие с окружающим миром:
входом для контекстной диаграммы являются пациенты, выходом – пациенты с оказанными услугами,
управление осуществляет департамент здравоохранения по Воронежской области,
механизмами являются медицинский персонал и оборудование.
Рис. 1. Контекстная диаграмма женской консультации
На основе контекстной диаграммы построена диаграмма декомпозиции. Как видно из рис. 2 в структуру женской консультации входят: регистратура,
185
лечебно – профилактическое отделение, лечебно – восстановительное отделение, диагностические службы.
Рис. 2. Диаграмма декомпозиции женской консультации
На рис. 3 представлена диаграмма декомпозиции диагностического отделения.
Рис. 3. Диаграмма декомпозиции женской консультации
186
Для каждого отделения женской консультации разработаны СМО и определенны оптимальные параметры. Пример структуры СМО диагностической службы представлен на рис. 4.
Рис. 4. СМО диагностических служб
На рис. 4 приводятся следующие обозначения:
– ω21 –ω25 поток заявок в диагностические службы.
–Н21– Н22 очередь в кабинет УЗИ.
–Н23 – Н24 очередь в кабинет эндоскопии.
–Н25 – очередь в манипуляционный кабинет.
–К22 – К23 кабинет УЗИ.
–К24 – К25 кабинет эндоскопии.
–К26 –К28 манипуляционный кабинет.
–U22 –U28 поток обслуживания заявок в диагностической службе
–y22 – y28 пациент с оказанными медицинскими услугами.
В таблице представлены оптимальные параметры для работы регистратуры.
187
Система массового обслуживания окон регистратуры
m |
tзаяв |
tканал |
λ |
μ |
ρ |
p0 |
pотк |
q |
A |
z |
χ |
r |
k |
rож |
rсмо |
n |
36 |
17 |
8 |
0,058824 |
0,125 |
0,470588 |
0,619048 |
1,64E-24 |
1 |
0,0588 |
0,47059 |
0,23529 |
0,02758 |
0,49817 |
0,469 |
8,4689 |
2 |
36 |
17 |
9 |
0,058824 |
0,111111 |
0,529412 |
0,581395 |
1,35E-22 |
1 |
0,0588 |
0,52941 |
0,26471 |
0,03989 |
0,5693 |
0,678 |
9,6781 |
2 |
36 |
17 |
10 |
0,058824 |
0,1 |
0,588235 |
0,545455 |
6,94E-21 |
1 |
0,0588 |
0,58824 |
0,29412 |
0,0557 |
0,64394 |
0,947 |
10,947 |
2 |
38 |
17 |
11 |
0,058824 |
0,090909 |
0,647059 |
0,511111 |
2,55E-20 |
1 |
0,0588 |
0,64706 |
0,32353 |
0,07565 |
0,72271 |
1,286 |
12,286 |
2 |
38 |
17 |
12 |
0,058824 |
0,083333 |
0,705882 |
0,478261 |
7,74E-19 |
1 |
0,0588 |
0,70588 |
0,35294 |
0,10044 |
0,80632 |
1,708 |
13,708 |
2 |
38 |
17 |
13 |
0,058824 |
0,076923 |
0,764706 |
0,446809 |
1,78E-17 |
1 |
0,0588 |
0,76471 |
0,38235 |
0,13094 |
0,89564 |
2,226 |
15,226 |
2 |
40 |
17 |
14 |
0,058824 |
0,071429 |
0,823529 |
0,416667 |
5,45E-17 |
1 |
0,0588 |
0,82353 |
0,41176 |
0,16814 |
0,99167 |
2,858 |
16,858 |
2 |
40 |
17 |
15 |
0,058824 |
0,066667 |
0,882353 |
0,387755 |
9,19E-16 |
1 |
0,0588 |
0,88235 |
0,44118 |
0,21324 |
1,0956 |
3,625 |
18,625 |
2 |
40 |
17 |
16 |
0,058824 |
0,0625 |
0,941176 |
0,36 |
1,28E-14 |
1 |
0,0588 |
0,94118 |
0,47059 |
0,26771 |
1,20889 |
4,551 |
20,551 |
2 |
42 |
17 |
17 |
0,058824 |
0,058824 |
1 |
0,333333 |
3,79E-14 |
1 |
0,0588 |
1 |
0,5 |
0,33333 |
1,33333 |
5,667 |
22,667 |
2 |
42 |
17 |
18 |
0,058824 |
0,055556 |
1,058824 |
0,307692 |
4,33E-13 |
1 |
0,0588 |
1,05882 |
0,52941 |
0,41233 |
1,47115 |
7,01 |
25,01 |
2 |
42 |
17 |
19 |
0,058824 |
0,052632 |
1,117647 |
0,283019 |
4,29E-12 |
1 |
0,0588 |
1,11765 |
0,55882 |
0,50751 |
1,62516 |
8,628 |
27,628 |
2 |
36 |
8 |
16 |
0,125 |
0,0625 |
2 |
#ДЕЛ/0! |
#ДЕЛ/0! |
#ДЕЛ/0! |
###### |
#ДЕЛ/0! |
1 |
#ДЕЛ/0! |
#ДЕЛ/0! |
##### |
###### |
2 |
36 |
9 |
16 |
0,111111 |
0,0625 |
1,777778 |
0,05946 |
0,001354 |
0,99865 |
0,111 |
1,77537 |
0,88889 |
6,27802 |
8,05339 |
56,5 |
72,48 |
2 |
38 |
10 |
16 |
0,1 |
0,0625 |
1,6 |
0,111124 |
2,95E-05 |
0,99997 |
0,1 |
1,59995 |
0,8 |
2,8397 |
4,43965 |
28,4 |
44,397 |
2 |
38 |
11 |
16 |
0,090909 |
0,0625 |
1,454545 |
0,157895 |
9,27E-07 |
1 |
0,0909 |
1,45454 |
0,72727 |
1,63307 |
3,08762 |
17,96 |
33,964 |
2 |
38 |
12 |
16 |
0,083333 |
0,0625 |
1,333333 |
0,2 |
3,62E-08 |
1 |
0,0833 |
1,33333 |
0,66667 |
1,06666 |
2,4 |
12,8 |
28,8 |
2 |
40 |
13 |
16 |
0,076923 |
0,0625 |
1,230769 |
0,238095 |
6,64E-10 |
1 |
0,0769 |
1,23077 |
0,61538 |
0,75018 |
1,98095 |
9,752 |
25,752 |
2 |
40 |
14 |
16 |
0,071429 |
0,0625 |
1,142857 |
0,272727 |
3,38E-11 |
1 |
0,0714 |
1,14286 |
0,57143 |
0,55411 |
1,69697 |
7,758 |
23,758 |
2 |
40 |
15 |
16 |
0,066667 |
0,0625 |
1,066667 |
0,304348 |
2,08E-12 |
1 |
0,0667 |
1,06667 |
0,53333 |
0,42402 |
1,49068 |
6,36 |
22,36 |
2 |
В результате подбора параметров удалось минимизировать очередь и уменьшить простой в работе.
Литература
1.Новикова Е.И., Родионов О.В. Алгоритмизация и управление процессом диагностики гинекологических заболеваний на основе многовариантного моделирования: монография. Воронеж: ВГТУ, 2012. 132 с.
2.Новикова Е.И., Родионов О.В., Коровин Е.Н. Моделирование биомедицинских систем: учебное пособие, Воронеж: ВГТУ, 2008. 196 с.
3.Новикова Е.И. Анализ, алгоритмизация и управление процессом диагностики гинекологических заболеваний на основе многовариантного моделирования: автореферат диссертации на соискание ученой степени кандидата технических наук. Воронеж, 2006.
4.Новикова Е.И. Анализ, алгоритмизация и управление процессом диагностики гинекологических заболеваний на основе многовариантного моделирования: диссертация на соискание ученой степени кандидата технических наук. Воронеж, 2006.
5.Новикова Е.И., Кукина Д.С. Совершенствование системы менеджмента качества в учреждении здравоохранения // Вестник Воронежского государственного технического университета. 2006. Т. 2. № 7. С. 27-29.
6.Новикова Е.И., Кукина Д.С. Разработка и внедрение системы менеджмента качества медицинской помощи // Интеллектуальные информационные системы: тр. всеросс. конф. Воронеж: ВГТУ, 2016. С. 169171.
7.Сравнительный анализ влияния факторов риска на формирование гинекологической патологии / Е.Н. Коровин, Л.И. Летникова, О.В. Родионов, М.В. Фролов // Системный анализ и управление в биомедицинских системах. 2004. Т. 3. № 2. С. 91-93.
ФГБОУ ВО «Воронежский государственный технический университет»,
Россия
188
ЗАКЛЮЧЕНИЕ
Материалы сборника отражают результаты научных исследований,
проводимых авторами в различных регионах Российской Федерации, а также зарубежных ученых.
В публикациях содержится анализ современного состояния методологии проектирования математического и программного обеспечения информационных систем, рассмотрены актуальные проблемы применения методов и средств искусственного интеллекта к вопросам автоматизации процесса обработки информации, представлен опыт применения информационных технологий в технике.
Статьи объединены общей идеологией научных решений, большинство из них имеет практическую направленность.
189