ДонНТУ   Портал магістрів

Сапицька Дар’я Михайлівна

Факультет комп’ютерних наук і технологій

Кафедра автоматизованих систем управління

Специальність Комп’ютерні системы діагностики

Прогнозування кількості травм з використанням методів штучного інтелекту

Науковий керівник: к. т. н., доц. Хмільовий Сергій Володимирович

Термін прогноз (від грец. рrognosis – передбачення, пророкування) спочатку виник в медицині для передбачення перебігу та результату хвороби, а потім був перенесений в усі сфери життя і діяльності людини.

Прогнозування – цілеспрямоване наукове дослідження конкретних перспектив розвитку якого-небудь явища (наприклад, ринку праці, безробіття, міграції і т. д.). Як одна з форм конкретизації наукового передбачення в соціальній сфері, знаходиться в тісному взаємозв’язку з плануванням, програмуванням, проектуванням, організаційним управлінням. Розрізняють пошукове (генетичне, вишукувальне, дослідне) і нормативне проектування. Перше має на меті отримати передбачення про стан об’єкта дослідження в майбутньому при спостережуваних тенденціях, якщо допустити, що останні не будуть змінені за допомогою рішень суб’єкта управління (планів, програм, проектів тощо). Друге має на увазі передбачення шляхів досягнення бажаного стану об’єкта на основі заздалегідь заданих критеріїв, цілей і норм.

Прогнозування застосовується на стадії розробки планів (так званий передплановий прогноз) і сприяє виробленню основних концепцій на плановий період, а також відіграє важливу роль на стадії здійснення плану, в оцінці стану справ і в пошуку можливостей і напрямків додаткових управлінських впливів, призначених для ліквідації відхилень від наміченої планом траєкторії розвитку. Роль прогнозування в управлінні важко переоцінити. Недарма досвідчені керівники кажуть:Хто не передбачає проблем, той не керує [1].

1. Актуальність теми

В даний час відбувається реформування державної системи управління охороною праці в національну систему забезпечення комплексної безпеки виробничої діяльності на новому рівні – управління ризиками. Насамперед - це відмова від старої методологічної основи (Концепція абсолютної безпеки) і перехід на нову – Концепція прийнятного ризику. Відхід від головного постулату старої концепції – твердження про можливість виключення всіх аварій, пожеж, травм і профзахворювань, і перехід на останню – неподоланість ризиків, пов’язаних з життєдіяльністю людини.

На даний момент саме на прогнозуванні виробничого травматизму зосереджені основні рішення в даній області. І призначені такі прогнози не стільки для медичних установ, скільки для виробничих підприємств з метою поліпшення якості охорони та безпеки праці. В цей же час травматологічні лікарні потребують комп’ютеризованих систем статистичної обробки кількісних даних про травматизм різного роду, з можливістю прогнозування кількості травм на заданий період часу. Такий прогноз надасть можливість своєчасно підготувати необхідну кількість медикаментів, лікарняних ліжок, медичного персоналу для забезпечення високої якості медичного обслуговування пацієнтів.

2. Цілі та задачі, що повинні вирішуватися

На основі аналізу існуючих рішень в досліджуваній області був зроблений висновок про необхідність створення спеціалізованої комп’ютерної системи, яка буде виконувати наступні функції:

• на основі введених даних робити прогноз про можливу кількість травм на заданий період часу;
• ймовірність виникнення певного виду травм в залежності від сезону;
• можливість вибору періоду для прогнозу;
• надання результатів прогнозування в числовому і графічному відображенні.

В якості вихідних даних у цій роботі будуть використані дані по місяцях про кількість звернень до Обласної травматологічної лікарні міста Донецька за період з 2004 по 2012 рр. У цих даних можна виділити: загальну кількість звернень, травми кінцівок, травми ока, нейрохірургічні травми.

3. Огляд досліджень та розробок

3.1 Огляд міжнародних джерел

Аналіз публікацій наукових розробок зарубіжних колег на схожу тематику показав, що основні розробки так само пов’язані з прогнозуванням виробничого травматизму. Але за кордоном подібні розробки становлять великий інтерес не тільки для керівників підприємств, але і для страхових фірм.

Однією з таких робіт можна назвати статтю, що була опублікована у збірнику праць міжнародної конференції з прикладних і фундаментальних наук [2]. Основна мета даного дослідження полягає у прогнозуванні кількості виробничих травм з 2011 по 2015 рік за допомогою відповідних моделей. Ці моделі були протестовані на фактичних даних від 1972 року до 2010 року. Для порівняння були обрані три різні моделі прогнозування.

Дана робота була написана для того щоб передбачити можливі травми у водія і пасажирів, а також визначити показники травматизму у пасажирів залізничного транспорту. Робота була виконана з використанням експериментально отриманих даних методами чисельного моделювання. Були враховані фактори, що впливають на пасажирів, які можуть спричинити за собою виникнення травматизму. Також автори провели аналіз найбільш уразливих місць для пасажирів і водія.

Прогнозування кількості смертельних випадків у підземних вугільних шахтах [4]. У роботі розглядається прогнозування кількості смертельних випадків у підземних вугільних шахтах з використанням гібридної моделі методів ARIMA і штучної нейронної мережі.

3.2 Оглад національних та локальних джерел

В Україні та Росії прогнозування травматизму, в основному, ділиться на прогнозування виробничого травматизму і прогнозування наслідків травм і можливих ускладнень.

Як перший приклад наведу статтю з Журналу неврології та психіатрії ім.С.С.Корсакова Прогнозування результатів травм і поранень головного мозку середнього та важкого ступеня тяжкості у постраждалих, евакуйованих з районів бойових дій [7]. Мета дослідження – оцінка предикторів і моделей прогнозування найближчих результатів при черепно‑мозкових ушкодженнях середнього і важкого ступеня тяжкості. Ретроспективно проаналізували 75 історій хвороби постраждалих з пораненнями або травмами головного мозку середнього та важкого ступеня тяжкості. Для побудови прогностичних моделей використані методи множинної лінійної регресії і деревовидної класифікації. Отримані результати підтверджують прогностичну цінність шкали коми Глазго. Додатковий облік показників, що характеризують вираженість запальних процесів та органної недостатності, дозволяє істотно поліпшити моделі прогнозування результатів при черепно-мозковій травмі.

Що стосується робіт випускників ДонНТУ, то вони теж, в більшості своїй, зосереджені на прогнозуванні результатів травм.

Наприклад, магістерська робота Черкассової Жанни Володимирівни [8] на тему: Прогнозування динаміки черепно-мозкового травматизму в м. Донецьк. Робота полягала в прогнозуванні динаміки черепно-мозкових травм (ЧМТ) за наступними даними: по вихідної вибірці, що містить дані про кількість ЧМТ, що відповідають заданим критеріям (наприклад – певного віку, статі, виду травми) за період попередження прогнозу (в даному випадку 1996-1999 рр.) необхідно спрогнозувати число ЧМТ в заданому періоді від 1 до 10 років. Наявна БД містила великий набір ознак, за якими був можливий аналіз даних, наприклад: дата травми; день тижня, в який сталася травма; стать, вік, соціальний стан потерпілого; вид травми; результат травми тощо. Для її вирішення були використані такі методи:

• лінійна регресія;
• криволінійне вирівнювання (підбір кривих, що зводяться до лінійного тренду);
• вирівнювання за кривими, що зводяться до модифікованої експоненті;
• метод кумулятивних сум.

4. Прогнозування кількості травм

В даний час існує досить багато методів і способів прогнозування. Всі методи прогнозування можна розділити на два основні класи: евристичний і математичний .

Евристичні методи засновані на використанні думки фахівців у цій галузі знань і, як правило, застосовуються для прогнозування процесів, скрутних для математичного опису. Щоб отримати достатньо хороші для застосування на практиці результати прогнозування на основі використання думки експертів, необхідно вирішити ряд проблем, пов’язаних з організацією опитувань, підбором експертів і обробкою отриманих результатів. Цей метод рекомендується застосовувати, якщо відсутні чисельні показники прогнозованого параметру за розглянутий період.

Одним з найвідоміших методів експертних оцінок є метод Дельфі, що грунтується на наступних правилах: опитування експертів проводиться в кілька етапів; відповіді даються в кількісній формі; після статистичної обробки результатів кожний експерт знайомиться з оцінками інших експертів; відповіді повинні супроводжуватися обґрунтуваннями.

Математичні методи прогнозування, залежно від виду математичного опису об’єктів прогнозування і способів визначення невідомих параметрів моделі, можна умовно поділити на методи моделювання процесів розвитку, екстраполяційні (статистичні) методи і імовірнісні методи.

До першої групи належать методи, які використовують для опису моделі прогнозованого процесу диференційні рівняння. Завдання прогнозування зводиться до рішення диференціальних рівнянь для заданого моменту часу. Прогнозування на основі моделювання процесів розвитку можна успішно використовувати в тому випадку, якщо прогнозований процес добре вивчений і є його коректний математичний опис.

Екстраполяціонний (статистичний) метод є одним з найпоширеніших методів прогнозування, коли тенденція розвитку процесу, яка спостерігається в минулому, продовжується на майбутнє.

Серед всіх статистичних методів регресійний аналіз відіграє переважну роль у прогнозуванні. Використання регресійних рівнянь для передбачення значень різних показників має грунтуватися на пропозиції про збереження в майбутньому кількісних закономірностей, знайдених в результаті обробки минулих спостережень. У прогностичні рівняння регресії, на відміну від звичайних регресійних залежностей в число факторів‑аргументів, повинен входити в явній формі час.

Оцінюючи якість прогнозу, отриманого за допомогою регресійних рівнянь, слід пам’ятати про об’єктивні особливості застосування рівнянь регресій. Тут в першу чергу необхідно знати, що завдання прогнозування передбачає використовувати рівняння регресії для оцінки значень прогнозованого показника поза діапазону фактичних спостережень, на основі якого отримано рівняння регресії, тобто необхідно виходити за рамки спостережень і вирішувати задачу екстраполяції. Зрозуміло, що близькість прогнозу вихідних спостережень багато в чому залежить від точності значень факторів-аргументів.

Наступна проблема пов’язана з тим, що для оцінки значення прогнозованого показника необхідно знати прогнозовані значення факторів‑аргументів, тобто точність прогнозу залежить не тільки від точності коефіцієнтів регресії, а й від надійності визначення значень факторів‑аргументів в майбутньому часі. Зазначені особливості застосування регресійних рівнянь для прогнозування (екстраполірування, надійність передбачуваних значень факторів-аргументів) є причиною підвищеного ступеня невизначеності одержуваних результатів. Внаслідок цього доцільно визначати за допомогою регресійних залежностей не конкретні значення прогнозованого показника, а довірчий інтервал, в межах якого знаходяться значення даного показника.

Імовірнісний метод застосовується у випадках масових вимірювань досліджуваного параметра. Досить повною формою опису сукупності масових вимірювань є визначення законів розподілу досліджуваних величин [9].

Зараз використовується два основних типи моделей: моделі часових послідовностей та причинні моделі. Часова послідовність – це упорядкована в часі послідовність спостережень (реалізацій) змінної. Аналіз тимчасових послідовностей використовує для прогнозування змінної тільки історичні дані про її зміну. Таким чином, якщо дослідження даних про щомісячні продажах мобільних телефонів, показує, що вони лінійно зростають – для подання даного процесу може бути обрана лінійна модель тренда. Нахил і зсув цієї прямої можуть бути оцінені на основі історичних даних. Прогнозування може бути здійснене шляхом екстраполяції відповідної моделі.

 Причинні моделі використовують зв’язок між цікавить нас тимчасовою послідовністю і однієї або більше іншими тимчасовими послідовностями. Якщо ці інші змінні корелюють з цікавлячою нас змінною і якщо існують причини для цієї кореляції, моделі прогнозування, що описують ці відносини, можуть бути дуже корисними. У цьому випадку, знаючи значення корелюють змінних, можна побудувати модель прогнозу залежної змінної. Серйозним обмеженням використання причинних моделей є вимога того, щоб незалежна змінна була відома до часу, коли робиться прогноз. Інше обмеження причинних методів - велика кількість обчислень і даних, які необхідно порівнювати.

На вибір відповідного методу прогнозування впливають такі чинники:

• необхідна форма прогнозу;
• горизонт, період і інтервал прогнозування;
• доступність даних;
• необхідна точність;
• поведінка прогнозованого процесу;
• вартість розробки, встановлення та роботи з системою;
• простота роботи із системою;
• розуміння та співпрацю керівників [11].

Для моделювання часових рядів небезпечних подій можливе використання таких методів:

• метод АРПСС;
• штучні нейронні мережі;
• методи ситуаційного моделювання, які реалізовані в системах Simulink і Stateflow;
• комбіновані методи.

Штучні нейронні мережі являють собою мережу елементів - штучних нейронів, що пов’язані між собою синаптичними сполуками. Мережа обробляє вхідну інформацію і в процесі зміни свого стану в часі формує сукупність вихідних сигналів. Робота мережі полягає в перетворенні вхідних сигналів у часі, в результаті чого змінюється внутрішній стан мережі і формуються вихідні впливи.

Рисунок 1 – Схема нейрону (анімація). Кількість повторів: 10.

Перевагами штучних нейронних мереж є:

• адаптивна структура, що отримує інформацію, навчається і фіксує корисні зв’язки в складній взаємодії вхідної і вихідної інформації;
• можливість роботи з сильно зашумленими даними;
• одночасне і швидке виконання численних ідентичних і незалежних операцій.

Основу кожної нейронної мережі складають відносно прості, в більшості випадків - однотипні елементи (нейрони), що імітують роботу нейронів мозку. Кожен нейрон характеризується своїм поточним станом за аналогією з нервовими клітинами головного мозку, які можуть бути порушені або загальмовані. Він володіє групою синапсів - односпрямованих вхідних зв’язків, з’єднаних з виходами інших нейронів, а також має аксон – вихідну зв’язок даного нейрона, з якою сигнал (збудження або гальмування) надходить на синапси наступних нейронів.

До моменту завершення роботи над авторефератом було виконано прогнозування методом ARIMA даних на 2012 рік з метою перевірки коректності роботи обраного методу. ARIMA‑процеси Бокса‑Дженкінса являють собою сімейство лінійних статистичних моделей, заснованих на нормальному розподілі, які дозволяють імітувати поведінку безлічі різних часових рядів шляхом комбінування процесів авторегресії, процесів інтегрування і процесів змінного середнього.

Загальний вид процедури використання методу Бокса-Дженкінса можна представити таким чином:

1. У сімействі ARIMA‑процесів Бокса‑Дженкінса вибирається досить простий процес, що дозволяє отримати дані, які в цілому виглядають приблизно так само, як наш ряд (за винятком фактора випадковості). Для цього необхідно вибрати конкретний тип моделі та оцінити необхідні параметри на основі своїх даних. З результуючої моделі можна дізнатися в якій мірі кожне спостереження впливає на майбутнє і якою мірою кожне спостереження містить корисну нову інформацію, що дозволяє прогнозувати майбутнє.
2. Прогноз на будь-який момент часу представляє собою очікуване (тобто середнє) майбутнє значення оцінюваного процесу в цей момент часу. Формула для прогнозу дозволяє швидко обчислити середнє значення для незліченної безлічі варіантів поведінки ряду, починаючи з вихідних даних і екстраполюючи їх відповідно до обраної моделлі.
3. Стандартна помилка прогнозу для будь-якого моменту часу представляє собою стандартне відхилення від всіх можливих (допустимих) майбутніх значень для цього часу[10].
4. Межі прогнозу простягаються вище і нижче прогнозованого значення так, що (якщо обрана модель виявилася правильною) з імовірністю, наприклад, 95% можна стверджувати, що майбутнє значення для будь-якого моменту часу вкладеться в зазначені межі прогнозу. Ці межі прогнозу формуються таким чином, щоб для кожного майбутнього періоду часу 95% можливих (і допустимих) варіантів майбутньої поведінки ряду укладалися в ці межі.

   На підставі наявних даних були отримані значення лінійного тренду і сезонної складової. Потім були розраховані значення тренду з поправкою на сезонність. Графічне представлення отриманих результатів представлено на рис.2.

   

   Рисунок 2 – Візуалізація отриманих результатів

   

   Рисунок 3 – Візуалізація практичних та очікуваних значень на 2012 рік

   Висновки

   Зроблено аналіз наявних даних. На їх підставі отримано значення лінійного тренду і сезонної складової. Розраховані значення тренда з поправкою на сезонність. Отримано прогнозовані результати. Аналіз отриманих даних і візуальна оцінка дозволяють судити про правильність отриманих результатів.

   При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2014 року. Повний текст роботи і матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.
   
   

   Список джерел:

   1. Сущность прогнозирования. Інтернет ресурс.
   2. Time series forecasting of future claims amount of SOCSO's employment injury scheme (EIS). Інтернет ресурс.
   3. Forecasting impact injuries of unrestrained occupants in railway vehicle passenger compartments. Інтернет ресурс.
   4. Forecasting the number of fatal injuries in underground coal mines. Інтернет ресурс.
   5. Forecasting the Future. Інтернет ресурс.
   6. NFL Week 9 Injury Report: Forecasting Impact on Fantasy Football. Інтернет ресурс.
   7. Прогнозирование исходов травм и ранений головного мозга средней и тяжелой степени тяжести у пострадавших, эвакуированных из районов боевых действий. Інтернет ресурс.
   8. Страница магистра ДонНТУ Ж. В. Черкассовой.Інтернет 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.