ДонНТУ   Портал магистров

Сапицкая Дарья Михайловна

Факультет компьютерных наук и технологий

Кафедра автоматизированных систем управления

Специальность Компьютерные системы диагностики

Прогнозирование количества травм с использованием методов искусственного интеллекта

Научный руководитель: к. т. н., доц., Хмелевой Сергей Владимирович

Термин прогноз (от греч. рrognosis – предвидение, предсказание) первоначально возник в медицине для предсказания течения и исхода болезни, а затем был перенесен во все сферы жизни и деятельности человека.

Прогнозирование – функция управления; специализированная деятельность, разработка прогноза. В узком значении – целенаправленное научное исследование конкретных перспектив развития какого-либо явления (например, рынка труда, безработицы, миграции и т. д.). Как одна из форм конкретизации научного предвидения в социальной сфере, находится в тесной взаимосвязи с планированием, программированием, проектированием, целеполаганием, организационным управлением. Различают поисковое (генетическое, изыскательское, исследовательское) и нормативное проектирование. Первое имеет целью получить предсказание о состоянии объекта исследования в будущем при наблюдаемых тенденциях, если допустить, что последние не будут изменены посредством решений субъекта управления (планов, программ, проектов и т. п.). Второе имеет в виду предсказание путей достижения желательного состояния объекта на основе заранее заданных критериев, целей и норм.

Прогнозирование применяется на стадии разработки планов (так называемый предплановый прогноз) и способствует выработке основных концепций на плановый период, а также играет важную роль на стадии осуществления плана, в оценке состояния дел и в поиске возможностей и направлений дополнительных управленческих воздействий, предназначенных для ликвидации отклонений от намеченной планом траектории развития. Роль прогнозирования в управлении трудно переоценить. Недаром опытные руководители говорят: Кто не предвидит проблем, тот не управляет [1].

1. Актуальность темы

В настоящее время происходит реформирование государственной системы управления охраной труда в национальную систему обеспечения комплексной безопасности производственной деятельности на новом уровне - управления рисками. Прежде всего - это отказ от старой методологической основы (Концепция абсолютной безопасности) и переход на новую – Концепция приемлемого риска. Уход от главного постулата старой концепции – утверждение о возможности исключения всех аварий, пожаров, травм и профзаболеваний, и переход на последнюю – неустранимость рисков, связанных с жизнедеятельностью человека.

На данный момент именно на прогнозировании производственного травматизма сосредоточены основные решения в данной области. И предназначены такие прогнозы не столько для медицинских учреждений, сколько для производственных предприятий с целью улучшения качества охраны и безопасности труда. В это же время травматологические больницы нуждаются в компьютеризированных системах статистической обработки количественных данных о различного рода травматизме, с возможностью прогнозирования количества травм на заданный период времени. Такой прогноз предоставит возможность своевременно подготовить необходимое количество медикаментов, больничных коек, медицинского персонала для обеспечения высокого качества медицинского обслуживания пациентов.

2. Цели и задачи, которые должны решаться

На основе анализа существующих решений в исследуемой области был сделан вывод о необходимости создания специализированной компьютерной системы, которая будет выполнять следующие функции:

• на основании введенных данных делать прогноз о возможном количестве травм на заданный период времени;
• вероятность возникновения определенного вида травм в зависимости от сезона;
• возможность выбора периода для прогноза;
• предоставление результатов прогнозирования в числовом и графическом отображении.

В качестве исходных данных в данной работе будут использованы данные по месяцам о количестве обращений в Областную травматологическую больницу города Донецка за период с 2004 по 2012 гг. В этих данных можно выделить: общее количество обращений, травмы конечностей, травмы глаза, нейрохирургические травмы.

3. Обзор исследований и разработок

3.1 Обзор международных источников

Анализ публикаций научных разработок зарубежных коллег на похожую тематику показал, что основные разработки так же связаны с прогнозированием производственного травматизма. Но за рубежом подобные разработки представляют большой интерес не только для руководителей предприятий, но и для страховых фирм.

Одной из таких работ можно назвать статью, которая была опубликована в сборнике трудов международной конференции по прикладным и фундаментальным наукам [2]. Основная цель данного исследования заключается в прогнозировании количества производственных травм с 2011 по 2015 год с помощью соответствующих моделей. Эти модели были протестированы на фактических данных от 1972 года до 2010 года. Для сравнения были выбраны три различные модели прогнозирования.

Прогнозирование возникновения травм у пассажиров железнодорожных транспортных средств [3]. Данная работа была написана для того чтобы предсказать возможные травмы у водителя и пассажиров, а также определить показатели травматизма у пассажиров железнодорожного транспорта. Работа была выполнена с использованием экспериментально полученных данных методами численного моделирования. Были учтены факторы, воздействующие на пассажиров, которые могут повлечь за собой возникновение травматизма. Также авторы провели анализ наиболее уязвимых мест для пассажиров и водителя.

Прогнозирование количества смертельных случаев в подземных угольных шахтах [4]. В работе рассматривается прогнозирование количества смертельных случаев в подземных угольных шахтах с использованием гибридной модели методов ARIMA и искусственной нейронной сети.

3.2 Обзор национальных и локальных источников

В Украине и России прогнозирование травматизма, в основном, делится на прогнозирование производственного травматизма и прогнозирование исходов травм и возможных осложнений.

В качестве первого примера приведу статью из Журнала неврологии и психиатрии им.С.С.Корсакова «Прогнозирование исходов травм и ранений головного мозга средней и тяжелой степени тяжести у пострадавших, эвакуированных из районов боевых действий» [7]. Цель исследования – оценка предикторов и моделей прогнозирования ближайших исходов при черепно-мозговых повреждениях средней и тяжелой степени тяжести. Ретроспективно проанализировали 75 историй болезни пострадавших с ранениями или травмами головного мозга средней и тяжелой степени тяжести. Для построения прогностических моделей использованы методы множественной линейной регрессии и древовидной классификации. Полученные результаты подтверждают прогностическую ценность шкалы комы Глазго. Дополнительный учет показателей, характеризующих выраженность воспалительных процессов и органной недостаточности, позволяет существенно улучшить модели прогнозирования исходов при черепно-мозговой травме.

Что касается работ выпускников ДонНТУ, то работы тоже, в большинстве своем, сосредоточены на прогнозировании исходов травм.

Например, магистерская работа Черкассовой Жанны Владимировны [8] на тему: Прогнозирование динамики черепно-мозгового травматизма в г. Донецк. Работа заключалась в прогнозировании динамики черепно‑мозговых травм (ЧМТ) по следующим данным: по исходной выборке, содержащей данные о количестве ЧМТ, отвечающих заданным критериям (например – определённому возрасту, полу, виду травмы) за период упреждения прогноза (в данном случае 1996-1999гг.) необходимо спрогнозировать число ЧМТ в заданном периоде от 1 до 10 лет. Имеющаяся БД содержала большой набор признаков, по которым был возможен анализ данных, например: дата травмы;день недели, в который произошла травма; пол, возраст, социальное положение пострадавшего; вид травмы; исход травмы и т. п. Для её решения были использованы такие методы:

• линейная регрессия;
• криволинейное выравнивание (подбор кривых, сводящихся к линейному тренду);
• выравнивание по кривым, сводящимся к модифицированной экспоненте;
• метод кумулятивных сумм.

4. Пронозирование количества травм методом Бокса-Дженкинса

В настоящее время существует достаточно много методов и способов прогнозирования. Все методы прогнозирования можно разделить на два основных класса: эвристический и математический.

Эвристические методы основаны на использовании мнения специалистов в данной области знаний и, как правило, применяются для прогнозирования процессов, затруднительных для математического описания. Чтобы получить достаточно хорошие для применения на практике результаты прогнозирования на основе использования мнения экспертов, необходимо решить ряд проблем, связанных с организацией опросов, подбором экспертов и обработкой полученных результатов. Этот метод рекомендуется применять, если отсутствуют численные показатели прогнозируемого параметра за рассматриваемый период.

Одним из самых известных методов экспертных оценок является метод Дельфи, который основывается на следующих правилах: опрос экспертов проводится в несколько этапов; ответы даются в количественной форме; после статистической обработки результатов каждый эксперт знакомится с оценками других экспертов; ответы должны сопровождаться обоснованиями.

Математические методы прогнозирования, в зависимости от вида математического описания объектов прогнозирования и способов определения неизвестных параметров модели, можно условно подразделить на методы моделирования процессов развития, экстраполяционные (статистические) методы и вероятностные методы.

К первой группе относятся методы, использующие для описания модели прогнозируемого процесса дифференциальные уравнения. Задача прогнозирования сводится к решению дифференциальных уравнений для заданного момента времени. Прогнозирование на основе моделирования процессов развития можно успешно использовать в том случае, если прогнозируемый процесс хорошо изучен и имеется его корректное математическое описание.

Экстраполяционный (статистический) метод является одним из самых распространенных методов прогнозирования, когда тенденция развития процесса, которая наблюдается в прошлом, продлевается на будущее.

Среди всех статистических методов регрессионный анализ играет преобладающую роль в прогнозировании. Использование регрессионных уравнений для предсказания значений различных показателей должно основываться на предложении о сохранении в будущем количественных закономерностей, найденных в результате обработки прошлых наблюдений. В прогностические уравнения регрессии, в отличие от обычных регрессионных зависимостей в число факторов-аргументов, должно входить в явной форме время.

Оценивая качество прогноза, полученного с помощью регрессионных уравнений, следует помнить об объективных особенностях применения уравнений регрессий. Здесь в первую очередь необходимо знать, что задача прогнозирования предполагает использовать уравнение регрессии для оценки значений прогнозируемого показателя вне диапазона фактических наблюдений, на основе которого получено уравнение регрессии, т. е. приходиться выходить за рамки наблюдений и решать задачу экстраполяции. Понятно, что близость прогноза исходных наблюдений во многом зависит от точности значений факторов‑аргументов.

Следующая проблема связана с тем, что для оценки значения прогнозируемого показателя необходимо знать прогнозируемые значения факторов-аргументов, т. е. точность прогноза зависит не только от точности коэффициентов регрессии, но и от надёжности определения значений факторов-аргументов в будущем времени. Отмеченные особенности применения регрессионных уравнений для прогнозирования (экстраполирование, надёжность предполагаемых значений факторов-аргументов) являются причиной повышенной степени неопределённости получаемых результатов. Вследствие этого целесообразно определять с помощью регрессионных зависимостей не конкретные значения прогнозируемого показателя, а доверительный интервал, в пределах которого находятся значения данного показателя.

Вероятностный метод применяется в случаях массовых измерений исследуемого параметра. Достаточно полной формой описания совокупности массовых измерений является определение законов распределения исследуемых величин [9].

Сейчас используется два основных типа моделей: модели временных последовательностей и причинные модели. Временная последовательность – это упорядоченная во времени последовательность наблюдений (реализаций) переменной. Анализ временных последовательностей использует для прогнозирования переменной только исторические данные о ее изменении. Таким образом, если исследование данных о ежемесячных продажах мобильных телефонов, показывает, что они линейно возрастают – для представления данного процесса может быть выбрана линейная модель тренда. Наклон и смещение этой прямой могут быть оценены на основе исторических данных. Прогнозирование может быть осуществлено путем экстраполяции подходящей модели.

Причинные модели используют связь между интересующей нас временной последовательностью и одной или более другими временными последовательностями. Если эти другие переменные коррелируют с интересующей нас переменной и если существуют причины для этой корреляции, модели прогнозирования, описывающие эти отношения, могут быть очень полезными. В этом случае, зная значение коррелирующих переменных, можно построить модель прогноза зависимой переменной. Серьезным ограничением использования причинных моделей является требование того, чтобы независимая переменная была известна ко времени, когда делается прогноз. Другое ограничение причинных методов – большое количество вычислений и данных, которое необходимо сравнивать.

На выбор соответствующего метода прогнозирования, влияют следующие факторы:

• требуемая форма прогноза;
• горизонт, период и интервал прогнозирования;
• доступность данных;
• требуемая точность;
• поведение прогнозируемого процесса;
• стоимость разработки, установки и работы с системой;
• простота работы с системой;
• понимание и сотрудничество управляющих [11].

Для моделирования временных рядов опасных событий возможно использование следующих методов:

• метод АРПСС;
• искусственные нейронные сети;
• методы ситуационного моделирования, которые реализованы в системах Simulink и Stateflow;
• комбинированные методы.

Искусственные нейронные сети – представляют собой сеть элементов – искусственных нейронов – связанных между собой синаптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия.

Рисунок 1 - Схема нейрона (анимация). Количество повторов: 10

Достоинствами искусственных нейронных сетей являются:

• адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации;
• возможность работы с сильно зашумленными данными;
• одновременное и быстрое выполнение многочисленных идентичных и независимых операций.

Основу каждой нейронной сети составляют относительно простые, в большинстве случаев – однотипные, элементы (нейроны), имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет а ксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов.

К моменту завершения работы над авторефератом было выполнено прогнозирование методом ARIMA данных на 2012 год с целью проверки корректности работы выбранного метода. ARIMA– процессы Бокса– Дженкинса представляют собой семейство линейных статистических моделей, основанных на нормальном распределении, которые позволяют имитировать поведение множества различных временных рядов путем комбинирования процессов авторегрессии, процессов интегрирования и процессов скользящего среднего.

Общий вид процедуры использования метода Бокса– Дженкинса можно представить следующим образом:

1. В семействе ARIMA‑процессов Бокса‑Дженкинса выбирается достаточно простой процесс, позволяющий получить данные, которые в целом выглядят примерно так же, как наш ряд (за исключением фактора случайности). Для этого необходимо выбрать конкретный тип модели и оценить требуемые параметры на основе своих данных. Из результирующей модели можно узнать в какой мере каждое наблюдение влияет на будущее и в какой мере каждое наблюдение содержит полезную новую информацию, позволяющую прогнозировать будущее.
2. Прогноз на любой момент времени представляет собой ожидаемое (т. е. среднее) будущее значение оцениваемого процесса в этот момент времени. Формула для прогноза позволяет быстро вычислить среднее значение для бесчисленного множества вариантов поведения ряда, начиная с исходных данных и экстраполируя их в соответствии с выбранной моделью.
3. Стандартная ошибка прогноза для любого момента времени представляет собой стандартное отклонение от всех возможных (допустимых) будущих значений для этого времени [10].
4. Границы прогноза простираются выше и ниже прогнозируемого значения так, что (если выбранная модель оказалась правильной) с вероятностью, например, 95 % можно утверждать. что будущее значение для любого момента времени уложится в указанные границы прогноза. Эти границы прогноза формируются таким образом, чтобы для каждого будущего периода времени 95 %, возможных (и допустимых) вариантов будущего поведения ряда укладывались в эти границы.

   На основании имеющихся данных были получены значения линейного тренда и сезонной составляющей. Затем были рассчитаны значения тренда с поправкой на сезонность. Графическое представление полученных результатов представлено на рис.2.

   

   Рисунок 2 – Визуализация полученных результатов

   

   Рисунок 3 – Визуализация практических и прогнозируемых значений на 2012 год

   Выводы

   Произведен анализ имеющихся данных. На их основании получены значения линейного тренда и сезонной составляющей. Рассчитаны значения тренда с поправкой на сезонность. Получены прогнозируемые результаты. Анализ полученных данных и визуальная оценка позволяют судить о правильности полученных результатов.

   При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2014 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.
   
   

   Список источников:

   1. Сущность прогнозирования. Интернет ресурс.
   2. Time series forecasting of future claims amount of SOCSO's employment injury scheme (EIS). Интернет ресурс.
   3. Forecasting impact injuries of unrestrained occupants in railway vehicle passenger compartments. Интернет ресурс.
   4. Forecasting the number of fatal injuries in underground coal mines. Интернет ресурс.
   5. Forecasting the Future. Интернет ресурс.
   6. NFL Week 9 Injury Report: Forecasting Impact on Fantasy Football. Интернет ресурс.
   7. Прогнозирование исходов травм и ранений головного мозга средней и тяжелой степени тяжести у пострадавших, эвакуированных из районов боевых действий. Интернет ресурс.
   8. Страница магистра ДонНТУ Ж. В. Черкассовой.Интернет ресурс.
   9. А. А. Ежов Нейрокомпьютинг и его применения в экономике и бизнесе (серия Учебники экономико-аналитического института МИФИ под ред. проф. В.В. Харитонова)/А. А. Ежов, С. А. Шумский. –М.: МИФИ, 1998. – 224 с.
   10. Э. Сигел Практическая бизнес‑статистика.: Пер. с англ. – М.: Издательский дом Вильямс, 2002. – 1056 с.
   11. Г. С. Кильдышев Анализ временных рядов и прогнозирование/Г. С. Кильдышев,А. А. Френкель – М.: Статистика. 1973.