الانحدار الحركة المتوسط ، مع المتغيرات الخارجية ،

الانحدار الذاتي مع المتغيرات الخارجية والشبكة العصبية نماذج التنبؤ الحمل القصير الأجل لشبكات توزيع الجهد المنخفض السكنية عند طلب التصحيح، يرجى ذكر هذه العناصر التعامل مع: ريبيك: غام: جينرز: v: 7: y: 2014: i: 5: p: 2938-2960: د: 35652. انظر معلومات عامة حول كيفية تصحيح المواد في ريبيك. بالنسبة للأسئلة التقنية المتعلقة بهذا البند أو لتصحيح مؤلفيه أو عنوانه أو معلوماته المجردة أو الببليوغرافية أو التنزيلية، يرجى الاتصال ب: (فريق تحويل شمل) إذا كنت قد قمت بتأليف هذا العنصر ولم تسجل بعد في ريبيك، فإننا نشجعك على القيام بذلك هنا . يسمح هذا بربط ملفك الشخصي بهذا العنصر. كما أنه يسمح لك لقبول الاستشهادات المحتملة لهذا البند الذي نحن غير مؤكد. إذا كانت المراجع مفقودة تماما، يمكنك إضافتها باستخدام هذا النموذج. إذا كانت المراجع الكاملة تشير إلى عنصر موجود في ريبيك، ولكن النظام لم يرتبط به، يمكنك المساعدة في هذا النموذج. إذا كنت تعرف العناصر المفقودة نقلا عن هذا واحد، يمكنك مساعدتنا في إنشاء تلك الروابط عن طريق إضافة المراجع ذات الصلة في نفس الطريقة المذكورة أعلاه، لكل بند الرجوع. إذا كنت مؤلفا مسجلا لهذا العنصر، فقد تحتاج أيضا إلى التحقق من علامة التبويب الاقتباسات في ملفك الشخصي، حيث قد تكون هناك بعض الاقتباسات في انتظار التأكيد. يرجى ملاحظة أن التصحيحات قد تستغرق بضعة أسابيع للتصفية من خلال خدمات ريبيك المختلفة. المزيد من الخدمات متابعة سلسلة والمجلات والمؤلفين أمبير أكثر أوراق جديدة عن طريق البريد الإلكتروني الاشتراك في الإضافات الجديدة ل ريبيك تسجيل المؤلف ملامح عامة للباحثين الاقتصاد تصنيفات مختلفة من البحوث في الاقتصاد أمب المجالات ذات الصلة من كان طالبا منهم، وذلك باستخدام ريبيك ريبك بيبليو المواد المنسقة أمبير أوراق حول مواضيع الاقتصاد المختلفة تحميل الورق الخاص بك لتكون مدرجة على ريبيك و إيدياس إكوناكاديميكش مدونة مجمع للاقتصاد البحوث الانتحال حالات الانتحال في الاقتصاد سوق العمل ورقات ريبيك ورقة عمل ورقة مخصصة لسوق العمل الخيال دوري نتظاهر كنت على رأس الاقتصاد قسم الخدمات من ستل بنك الاحتياطي الفدرالي البيانات، والبحوث، وتطبيقات أمبير أكثر من سانت لويس فيديماند لخدمات الرعاية الصحية أصبحت غير قابلة للاستدامة 1. 2. ويرجع ذلك إلى حد كبير إلى الزيادة في عدد السكان ومتوسط ​​العمر المتوقع، وتصاعد التكاليف، وزيادة توقعات المرضى، وقضايا القوى العاملة 3. وعلى الرغم من تزايد الطلبات، انخفض عدد أسرة المرضى الداخليين في المستشفيات بمقدار 2 سرير منذ العقد الماضي. وتعتبر إدارة الكفاءات الفعالة أمرا أساسيا لتلبية هذا الطلب المتزايد وخفض تكاليف الرعاية الصحية. ويمكن أن يكون معدل التصريف اليومي مؤشرا محتملا في الوقت الفعلي للكفاءة التشغيلية 5. ومن منظور مستوى الحجرة، فإن التقدير الجيد لعمليات التصريف في اليوم التالي سيمكن موظفي المستشفى من التنبؤ بالمشاكل المحتملة مثل التغيرات في عدد الأسرة المتاحة والتغيرات في عدد الموظفين المطلوبين. فالتنبؤ الفعال يقلل من أزمة الأسرة ويحسن تخصيص الموارد. هذا التبصر يمكن أن يساعد في تسريع إعداد التفريغ، والتي لديها تكلفة باهظة على الموظفين السريريين وتثقيف المرضى والأسرة، مما يتطلب التخطيط بوستديسشارج 6. 7. ومع ذلك، دراسة تدفق المرضى من العنابر العامة يقدم العديد من التحديات. تتضمن عمليات التفريغ على مستوى الحلبة ديناميات أكبر بكثير للمستشفى والتي غالبا ما تكون غير خطية 8. ويمكن أن يكون الوصول إلى المعلومات السريرية في الوقت الحقيقي في الأجنحة صعبا بسبب الحواجز الإدارية والإجرائية، وقد لا تكون هذه البيانات متاحة للتطبيقات التنبؤية. ولأن التشخیص التشخیصي یتم بعد التفريغ، فإن ھناك معلومات قلیلة عن الحالة الطبیة أو الاختلاف في جودة الرعایة في الوقت الحقیقي. وبالإضافة إلى ذلك، عوامل أخرى غير حالة المريض تلعب دورا في قرارات التفريغ 5. 9. 10. وتشمل الممارسة الحالية المتمثلة في توزيع الأسرة في أجنحة عامة لمعظم المستشفيات على موظفي المستشفى الذين يستخدمون المعلومات والخبرات السابقة، لجدولة وتعيين الأسرة 11. ويمكن استخدام تقنيات التعلم الآلي الحديثة لمساعدة مثل هذه القرارات والمساعدة في فهم العملية الكامنة. وكمثال على ذلك، يوضح الشكل 1 شجرة اتخاذ القرارات التي تم تدريبها على التصريف السابق وإحصاءات شغل الأجنحة، التي تعد نموذج التصريف اليومي من جناح مفتوح في مستشفى أسترالي إقليمي. على الرغم من أن غياب المعلومات الطبية للمرضى أثرت على الأداء المتوقع، فإن قواعد القرار توفر رؤية هامة لعملية التفريغ. بدافع من هذه النتيجة، ونحن نتعامل مع مشكلة مفتوحة للتنبؤ التصريف اليومي من جناح مع عدم وجود البيانات السريرية في الوقت الحقيقي. على وجه التحديد، قارنا أداء التنبؤ ب 5 نماذج انحدار شعبية: (1) المتوسط ​​المتحرك المتكامل الانحدار الذاتي التقليدي (أريما)، (2) المتوسط ​​المتحرك للانحدار الذاتي مع المتغيرات الخارجية (أرماكس)، (3) k - أقرب جار (كن) الانحدار، (4) غابات عشوائية (رف) الانحدار، و (5) دعم ناقلات الانحدار (سفر). وأجريت تجاربنا على البيانات المتاحة عادة من جناح الانتعاش (الجناح الصحي 5) في بارون هيلث، وهو مستشفى إقليمي في فيكتوريا، أستراليا. يتم بناء النماذج أريما و كن من التصريف اليومي من جناح. ولتحساب الطبيعة الموسمية لعمليات التصريف، تضمن نموذج أرماكس يوم من أيام الأسبوع واحصاءات إشغال الجناح. حددنا وبناء 20 مستوى على مستوى الجناح و 88 تنبؤ على مستوى المريض لاستخلاص نماذج رف و سفر. تم قياس دقة التنبؤ باستخدام 3 مقاييس على مجموعة من 2511 زيارة المريض في عام 2014. بالمقارنة مع طريقة التنبؤ ساذجة من استخدام متوسط ​​التصريف الأسبوع الماضي، ونحن نبرهن من خلال تجاربنا أن (1) استخدام أساليب الانحدار ل (2) تتفوق نماذج سفر و رف على طرق الانحدار الذاتي و كن (3) نموذج التردد الراديوي المستمدة من 108 خصائص لها أدنى خطأ للتنبؤات في اليوم التالي. أهمية دراستنا هي في تحديد أهمية التنبؤ بالأسرة المتاحة في العنابر، والتي يمكن أن تساعد في تخفيف كتلة وصول الطوارئ 12. يساهم طول مدة الإقامة بشكل مباشر في تكاليف المستشفى وتخصيص الموارد. وتهدف التنبؤات طويلة الأجل في مجال الرعاية الصحية إلى وضع نموذج للاحتياجات من الأسرة والموظفين على مدى أشهر إلى سنوات. كوت وتاكر تصنيف الطرق الشائعة في التنبؤ الطلب الرعاية الصحية والتكيف في المئة، المتوسط ​​المتحرك لمدة 12 شهرا، خط الاتجاه، وتوقعات الموسمية 13. على الرغم من أن كل من هذه الطرق بنيت من الطلب التاريخي، والتنبؤ الموسمية يوفر نتائج أكثر واقعية لأنه يأخذ في الاعتبار التغيرات الموسمية والاتجاهات في البيانات. ماكاي ولي 3 المشورة النمذجة تدفق المرضى في مؤسسات الرعاية الصحية للتنبؤ التكتيكي والاستراتيجي. تحقيقا لهذه الغاية، والنماذج المقطعية 14. 15، نماذج الطابور 16. 17 ونماذج المحاكاة 17-20 تم تطبيقها لتحليل تدفق المرضى. ولفهم تدفق املريض على املدى الطويل، حتلل الدراسات مقاييس مثل إشغال األسرة 3. 8. 14. 19. 21 - 22 مريضا من الوافدين 23، ومدة إقامة فردية للمريض 19 24 - 27. من ناحية أخرى، عملنا ينفذ التنبؤ على المدى القصير. وتتعلق طرائق التنبؤ قصيرة الأجل بالتنبؤات بالساعة واليوم من وحدة واحدة في بيئة الرعاية. والوحدة األكثر شعبية هي دائرة الطوارئ أو قسم الرعاية الحادة ألن ذلك غالبا ما يكون مقياسا رئيسيا لألداء في تقييم جودة الرعاية. نموذج شجرة القرار من إجمالي التصريف من جناح مفتوح من يوم من أيام الأسبوع واحتلال عنبر (الاحتلال اليوم السابق) لمدة 5 سنوات. وتمثل الأوراق مجموع عدد تصريف المرضى. سلسلة الوقت وطرق التمهيد عند النظر في التصريف كما سلسلة زمنية، والانحدار الذاتي نماذج المتوسط ​​المتحرك هي الأكثر شعبية 30 - 32. كما تم استخدام تقنيات التجانس الأسي للتنبؤ بتدفق 33 مريض شهريا 34. استخدم جونز وآخرون أريما الكلاسيكية لتوقع إشغال السرير اليومي في قسم الطوارئ في المستشفى الأوروبي 30. وأظهر النموذج الذي يشمل المصطلحات الموسمية أداء معقولا للتنبؤ بإشغال الأسرة. وتكهن المؤلفون ما إذا كانت تقنيات التنبؤ غير الخطية يمكن أن تتحسن على أريما. وأكدت دراسة حديثة فعالية هذا الأسلوب التنبؤ في مستشفى الولايات المتحدة في وضع 35. كما استخدمت نماذج أريما بنجاح للتنبؤ بعدد الاسرة المشغولة خلال تفشى السارس فى مستشفى سنغافورة 36. واستخدمت دراسة حديثة حضور المرضى في قسم الطوارئ للأطفال لنموذج الطلب اليومي باستخدام أريما 37. جونز وآخرون 34 مقارنة وضع أريما مع التمهيد الأسي والشبكات العصبية الاصطناعية للتنبؤ أحجام المرضى اليومية في قسم الطوارئ. وكشفت الدراسة عن وجود نموذج واحد متفوق وخلص إلى أن الأنماط الموسمية تلعب دورا رئيسيا في الطلب اليومي. وعادة ما تستخدم النمذجة باستخدام المحاكاة لدراسة سلوك النظم المعقدة. في وقت مبكر من العمل في التحقيق في آثار حالات الطوارئ القبول على متطلبات السرير اليومي في الرعاية الحادة، وذلك باستخدام منفصلة محاكاة الحدث العشوائي الحدث 38. اقترح سينريش ومارمور 39 دليلا لبناء أداة محاكاة استنادا إلى بيانات من أقسام الطوارئ في 5 مستشفيات إسرائيلية. طريقة تحليلها تدفق المرضى المتجمعة في 8 أنواع جنبا إلى جنب مع عناصر الوقت. وأظهرت المحاكاة أن عمليات المريض تتميز بشكل أفضل بنوع المرضى، بدلا من المستشفيات المحددة التي تمت زيارتها. استخدم ييه و لين نموذج محاكاة لتمييز تدفق المرضى من خلال قسم الطوارئ في المستشفى وخفض أوقات الانتظار باستخدام خوارزمية جينية 40. وأجريت تجربة مماثلة في قسم الشيخوخة باستخدام مزيج من محاكاة الحدث المنفصل ونموذج الطابور لتحليل شغل السرير 19. الانحدار للتنبؤ نماذج الانحدار تحليل العلاقة بين المتغير المتوقع والميزات في البيانات. وقد استخدم الانحدار الخطي الذي يشفر التغيرات الشهرية للتنبؤ بقبول المرضى على مدى 6 أشهر الأفق وتفوق النماذج التربيعية والانحدار الذاتي 41. واستخدمت دراسة أخرى التجميع وتحليل المكونات المبدأ يكا للعثور على تنبؤات هامة من بيانات المريض لطول طول الطوارئ البقاء باستخدام الانحدار الخطي 42. واقترح نهج غير الخطية باستخدام أشجار الانحدار في التنبؤ القبول المرضى التي أظهرت الأداء المتفوق على الإطار الصافي العصبي 43. استخدم بارنز وآخرون 10 متنبئين لنموذج الوقت الحقيقي للمرضى الداخليين للإقامة في وحدة 36 سرير باستخدام نموذج رف 24. الانحدار غير الخطية هو أكثر ملاءمة لنموذج ديناميات تغيير تدفق المرضى. لتوصيف تدفق المرضى من جناح، نلجأ إلى الانحدار باستخدام رف، كن، و سفر. في مجال التعرف على الأنماط، كنز 44 هي الطريقة الأكثر فعالية التي تستغل أنماط المتكررة. وقد طبقت خوارزمية كن بنجاح على التنبؤ بالمسلسل الزمني المدرج في البيانات المالية 45. وقد أثبت الانحدار غير الجانبي باستخدام كن كنجاحا للتنبؤ بالمرور قصير الأجل 46. 47 والتنبؤ بحمولة الكهرباء 48. 49. ومع ذلك، لم يتم دراسة الانحدار كن لتدفق المرضى. تقنية الانحدار قوية وشعبية أخرى، سفر، يستخدم وظائف النواة لرسم معالم إلى مساحة أعلى الأبعاد لأداء الانحدار الخطي. على الرغم من أن هذه التقنية لم تشهد كثيرا من التطبيق في التنبؤ الطبي، وآلات ناقلات الدعم نجحت في التنبؤ بالأسواق المالية، والتنبؤ الكهرباء، والتنبؤ الأعمال، والتنبؤ الموثوقية 50. وبصرف النظر عن أساليب الانحدار الذاتي القياسية، ونحن نستخدم كن، رفس، و سفر في التنبؤ التصريف في اليوم التالي. لأن أنماط التفريغ تتكرر مع مرور الوقت، يمكن تطبيق انحدار كن للبحث عن نمط مطابقة من التصريف الماضي. رف و سفر الانحدار هي تقنيات النمذجة قوية تتطلب الحد الأدنى من ضبط للتعامل بفعالية اللاخطية في عمليات المستشفى. في الآونة الأخيرة، تم استخدام التنبؤات اللاسلكية للتنبؤ إجمالي تصريف المرضى من وحدة سرير 36 في مستشفى في المناطق الحضرية 24. وباستثناء 4 متغيرات ديموغرافية و 2 توقيت، استخدمت هذه الدراسة 3 متنبئات سريرية للمرضى: (1) سبب الزيارة: تم تحديدها من قبل الطبيب وسجلت باستخدام التصنيف الدولي للأمراض: رمز التشخيص 9 (إيسد-9) رموز التشخيص 51، 2 ) حالة المراقبة: المخصصة للمرضى لغرض الرصد، و (3) في انتظار موقع التفريغ. وقدر إجمالي عدد التصريف من إجمالي طول مدة الإقامة الفردية للمريض. عدم وجود المعلومات السريرية في الوقت الحقيقي في بياناتنا يجعل حساب طول المريض البقاء مستحيلا. بدلا من ذلك، نلجأ إلى نمذجة التصريف في اليوم التالي من خلال مراقبة أنماط التفريغ السابقة وفحص الخصائص الديموغرافية وخصائص التدفق في الجناح. استخدمت دراستنا البيانات بأثر رجعي تم جمعها من جناح الانتعاش في بارون هيلث، وهي شركة كبيرة في مجال الصحة العامة في فيكتوريا، أستراليا تخدم حوالي 350،000 من السكان. وتم الحصول على موافقة الأخلاقيات من لجنة أخلاقيات المستشفيات والأبحاث في بارون هيلث (رقم 1283) وجامعة ديكين. ويعتمد العدد الإجمالي للأسرة المتاحة على عدد الموظفين المعينين في الجناح. وفي المتوسط، كان للجناح 36 سريرا من الموظفين، إلا أنه يتراوح بين 20 و 80 سريرا مع تدفق متفاوت للمرضى. ولم يكن لأطباء الجناح مسؤوليات تعليمية. جداول في قاعدة بيانات المستشفى المستخدمة في جمع البيانات لدينا. إقر، المدى الرباعي. وجاءت بيانات دراستنا من ثلاثة جداول في قاعدة بيانات المستشفى، كما هو مبين في الجدول 1. البيانات الإضافية في الوقت الحقيقي التي وصفت حالة المريض أو تطور المرض غير متوفرة لأن التشخيص الترميز باستخدام الرموز الطبية يتم بعد التفريغ. تم جمع تدفق المرضى لمدة 4 سنوات. باستخدام أوقات القبول والتفريغ لكل مريض، قمنا بحساب التصريف اليومي من جناحنا في الدراسة. وقد تم إدخال ما مجموعه 12،141 مريضا في الجناح بمتوسط ​​صرف 8 مرضى يوميا من 1 يناير 2010 إلى 31 ديسمبر 2014. يلخص الجدول 2 الخصائص الرئيسية لبياناتنا. كشف تحليل سلسلة زمنية من بياناتنا التغيرات الموسمية القوية وعدم خطية عالية في أنماط التفريغ اليومي. وکان ھناك تعریف أسبوعي محدد من القاعة بلغ ذروته في یوم الجمعة وسقط بشکل کبیر في عطلات نھایة الأسبوع (انظر الشکل 2). هذه الطبيعة الموسمية هي في تناغم مع الدراسات السابقة 9. 32. وكشف تجميع التصريف اليومي في سلسلة زمنية شهرية عن أنماط شهرية محددة (انظر الشكل 3). لم تظهر البيانات أي اتجاه كبير. وبالإضافة إلى ذلك، تم العثور على نمط التفريغ اليومي ليكون غير الخطية للغاية. يجب أن تكون طرق التنبؤ لدينا قادرة على التعامل مع ديناميات البيانات هذه. نحن تصف الطرق المتنوعة التالية التي تنطبق على التنبؤ تحت ديناميات البيانات المعقدة: (1) أريما، (2) التحرك الانحداري الذاتي، (3) التنبؤ باستخدام أنماط التفريغ كن، (4) رف، و (5) سفر. وتمثل أساليب الانحدار الذاتي العلاقة الخطية الزمنية بين نقاط البيانات القريبة في السلاسل الزمنية. أقرب أنماط رفع هذا الافتراض الخطي ويفترض أن فترات قصيرة تشكل أنماط متكررة. وأخيرا، رف و سفر تبحث عن علاقة وظيفية غير الخطية بين النتائج المستقبلية والوصف في الماضي. يعني القبول والتصريف يوميا من جناح. سلسلة زمنية من التصريف الشهري من جناح. طرق التنبؤ الانحدار الذاتي المتوسط ​​المتحرك المتكامل يمكن لأساليب التنبؤ بالسلاسل الزمنية تحليل نمط التصريف السابق وصياغة نموذج للتنبؤ من العلاقات الزمنية الأساسية 52. ويمكن بعد ذلك استخدام هذه النماذج لاستقراء سلسلة الوقت التفريغ في المستقبل. وتستخدم نماذج أريما على نطاق واسع في التنبؤ السلاسل الزمنية. ويمكن أن تعزى شعبيتها لتسهيل صياغة النموذج والتفسير 53. نماذج أريما تبحث عن العلاقات الخطية في تسلسل التفريغ للكشف عن الاتجاهات المحلية والموسمية. ومع ذلك، يمكن أن تتغير هذه العلاقات مع مرور الوقت. نماذج أريما قادرة على التقاط هذه التغييرات وتحديث أنفسهم وفقا لذلك. ويتم ذلك من خلال الجمع بين الانحدار الذاتي (أر) والمتوسط ​​المتحرك (ما) النماذج. نماذج الانحدار الذاتي تصريف التفريغ في الوقت t t. كما مزيج خطي من التصريف السابقة. من ناحية أخرى، المتوسطات المتحركة نماذج تميز كخطوة خطية من أخطاء التنبؤ السابقة. أما بالنسبة لنموذج أريما، فإن السلاسل الزمنية للتفريغ تتم بطريقة ثابتة باستخدام الاختلاف. اسمحوا أن تكون المعلمات الانحدار الذاتي، أن تتحرك المعلمات المتوسطة، وتكون أخطاء التنبؤ. ويمكن تعريف مثل هذا النموذج أريما كما هو مبين في الشكل 4. حيث هو ثابت. من خلال تغيير p و q. يمكننا توليد نماذج مختلفة لتناسب البيانات. طريقة بوكس ​​جينكينز 54 يوفر نهجا جيدا لتحديد نموذج وتقدير المعلمة. في عملنا، نختار الدالة auto. arima () من حزمة التوقعات 55 في R 56 لتحديد أفضل نموذج تلقائيا. نموذج أريما الكلاسيكية. معدل الانحدار الذاتي الانحدار مع المتغيرات الخارجية (أرماكس) تسمح تقنيات الانحدار الديناميكي بإضافة متغيرات تفسيرية إضافية، مثل يوم الأسبوع وعدد المرضى الحاليين في الجناح، إلى نماذج الانحدار الذاتي. يعمل الانحدار الذاتي المتحرك أرماكس على تعديل نموذج أريما من خلال تضمين المتغير الخارجي x t في الوقت t. كما هو مبين في الشكل 5. نحن نموذج x ر باستخدام ميزات من قاعدة بيانات المستشفى. نموذج أريما مع شت متغير خارجي. الكشف عن أنماط التفريغ باستخدام k-أقرب الجيران خوارزمية كن يستفيد من موقع في مساحة البيانات. ونفترض أن تصريف اليوم التالي يتوقف على عمليات التصريف التي تحدث في الأيام السابقة. باستخدام مبادئ كن، يمكننا أن نفعل الانحدار للتنبؤ التصريف في اليوم التالي. اسمحوا y د تمثل عدد التصريف في اليوم الحالي: د. للتنبؤ في اليوم التالي: y d1. ونحن ننظر في التصريف خلال أيام p الماضية كما: ديسفيك ذ د - ص. y د. باستخدام المقياس المسافة الإقليدية، نجد k أقرب مباريات ل ديسفيك من بيانات التدريب. تقدير تصريف اليوم التالي: d1. تحسب كمقياس لتصريف اليوم التالي للنمط المتطابق k: (y ماتش) i i (1: k). ويبين الشكل 6 مثالا للتنبؤ القائم على كن. هنا، ديسفيك في الأحمر ذ د -7. النتائج في 3 مباريات من بيانات التدريب. للبساطة، قمنا بتآمر أنماط مطابقة جنبا إلى جنب مع ديسفك، على الرغم من أنها وقعت في الماضي. وتصبح توقعات اليوم التالي d1 مقياسا للمطابقة (i) i. حيث (y مباراة) ط ط (1: 3) هو (د 1) مدة كل من أنماط مطابقة 57. وتتمثل إحدى الطرق الشائعة لحساب d1 في تقليل الخسارة التربيعية المرجحة (الشكل 7)، حيث تأخذ w i القيم بين 0 و 1، مع k i1 w i 1. ومع ذلك، هناك 2 العيوب الرئيسية مما يجعلها أقل مرغوب فيه لبياناتنا. أولا، الخسارة التربيعية حساسة للقيم المتطرفة. ثانيا، يصبح تقدير قوي ل i صعبا. بياناتنا تحتوي على ضوضاء كبيرة، مما تسبب في اختلافات كبيرة في توقعات اليوم التالي من أنماط ك المتطابقة. نحن توضيح هذه المشكلة في الشكل 8. يوم معين، انحدار كن يعود 125 أنماط مطابقة. أظهرت توقعات اليوم التالي من كل أنماط k125 اختلافات كبيرة. في مثل هذا السيناريو، نلجأ إلى تقدير t1 من خلال تقليل الخسارة القوية (الشكل 9). k - أقرب مثال للتنبؤ بالجيران مع k3 و P 7. حساب d1 عن طريق تقليل الخسارة التربيعية المرجحة. سكاتيربلوت من توقعات اليوم التالي باستخدام k - أقرب الجار ليوم معين. يمثل المحور السيني كل نمط من أقرب الجيران المتطابقين. يمثل المحور Y توقعات اليوم التالي لهذا النمط المتطابق. تقدير t1 من خلال تقليل الخسارة القوية. في هذا النهج، ونحن نفترض التفريغ في اليوم التالي كدالة من ناقلات وصف التاريخي: س. ونحن نستخدم كل يوم في الماضي كنقطة بيانات، حيث يكون التفريغ في اليوم التالي هو النتيجة، وتستخدم الفترة القصيرة قبل التصريف لاستخلاص الواصفات. و رف المستخدمة في هذه الورقة هي حاليا واحدة من أقوى الطرق لنموذج وظيفة ذ و (س) 58. 59. رف هو مجموعة من أشجار الانحدار. تقترب شجرة الانحدار من الدالة f (x) بتقسيم مساحة الوصف. في كل منطقة R ص. تكون الدالة تقريبية كما هو مبين في الشكل 10. حيث 124 R p 124 هو عدد نقطة البيانات التي تقع في المنطقة R p. يخلق رف مجموعة متنوعة من الأشجار العشوائية من خلال تغيير مجموعات فرعية من نقاط البيانات لتدريب الأشجار والمجموعات الفرعية من الواصفات في كل خطوة من تقسيم الفضاء. والنتيجة النهائية للترددات الراديوية هي متوسط ​​جميع الأشجار في المجموعة. منذ شجرة النمو هو عملية التكيف للغاية، فإنه يمكن اكتشاف أي وظيفة غير الخطية إلى أي درجة من التقريب إذا أعطيت كافية التدريب البيانات. ومع ذلك، فإن المرونة تجعل شجرة الانحدار عرضة للإفراط في التجميع، أي عدم القدرة على تعميم البيانات غير المرئية. وهذا يتطلب السيطرة على النمو من خلال تحديد عدد الواصفات لكل خطوة التقسيم، والحد الأدنى لحجم المنطقة R ص. التصويت يؤدي إلى فوائد كبيرة: تقليل الاختلافات لكل شجرة. العشوائية يساعد على مكافحة الإفراط. لا يوجد افتراض حول توزيع البيانات أو شكل الدالة (x). هناك نوعية يمكن السيطرة عليها من يناسب. غابات عشوائية صياغة تصريف اليوم التالي (y) من الواصفات التاريخية (x). دعم ناقلات الانحدار ويمكن أيضا أن تستخدم ناقلات الوصف التاريخي x، المستخدمة في نموذج رف لبناء نموذج سفر 60. وبالنظر إلى مجموعة البيانات 1. y 1)، (x n. y n)، حيث تشير كل x i r m إلى واصف الإدخال لتوقعات اليوم التالي المقابلة y i R 1. تأخذ وظيفة الانحدار النموذج: i f (x i). سفر يعمل من قبل (1) تعيين مساحة الإدخال من x ط في مساحة الأبعاد أعلى باستخدام وظيفة رسم الخرائط غير الخطية:. (2) أداء الانحدار الخطي في هذا الفضاء الأبعاد الأعلى. وبوجه عام، يمكننا أن نعبر عن وظيفة الانحدار على النحو التالي: f (x) (w (x)) b، حيث w w r m هي الأوزان و b R 1 هو مصطلح التحيز. واقترحت فابنيك 60 وظيفة فقدان الخسارة بالنسبة إلى سفر، التي تأخذ الشكل كما هو مبين في المعادلة 1 في الشكل 11. وتتحمل دالة الخسارة L الأخطاء التي تكون أصغر من العتبة:، مما يؤدي إلى أنبوب حول قيم التصريف الحقيقية. ويمكن تقدير المعلمات النموذجية عن طريق تقليل وظيفة التكلفة إلى أدنى حد كما هو مبين في المعادلة 2 في الشكل 11. حيث C هو ثابت يعاقب الخطأ في بيانات التدريب. في عملنا، ونحن نستخدم نواة ربف 61 لرسم بيانات المدخلات لدينا إلى مساحة ميزة الأبعاد الأعلى. حبات ربف هي خيار جيد لتركيب لدينا نمط التفريغ غير الخطية بسبب قدرته على رسم بيانات التدريب إلى مساحة الأبعاد لانهائية وسهلة التنفيذ. ويرد في الوثيقة 60 شرح مفصل لحل الصيغة المزدوجة لوظيفة تكاليف سفر. نموذج التعلم سفر. استخرجنا جميع البيانات من جداول قاعدة البيانات (كما هو موضح في الجدول 1) لجناح لدينا في الدراسة. تم تحليل تدفق المرضى لمدة 5 سنوات. قمنا بتنسيق بياناتنا كمصفوفة حيث يتوافق كل صف مع يوم ويمثل كل عمود ميزة (واصف). تم تحديد مجموعتين رئيسيتين من الميزات: (1) مستوى الجناح و (2) مستوى المريض. وأسفرت عملية إنشاء الميزات الخاصة بنا عن 20 جهازا على مستوى الجناح و 88 جهاز تنبؤ بمستوى المريض، كما هو مبين في الجدول 3. وقد تم حساب وصف مستوى الجناح: اتجاه التصريف في اليوم التالي من خلال تركيب انحدار متعدد الحدود مرجح محليا 63 من عمليات التصريف السابقة. ويوضح الشكل 12 مثالا على تركيب الانحدار هذا. الميزات التي شيدت من بيانات جناح في قاعدة بيانات المستشفى. (أ) استخدمت النماذج العشوائية للغابات وناقلات الدعم مجموعة كاملة من السمات. وقد استخدم نموذج أرماكس (المتوسط ​​المتحرك للانحدار الذاتي مع المتغيرات الخارجية) الموسمية والإشغال. استمدت جميع النماذج الأخرى من التصريف اليومي. مثال على اتجاه التصريف، على النحو المستمد من نموذج الانحدار متعدد الحدود المرجح محليا. يتم فصل مجموعات التدريب والاختبار لدينا حسب الوقت. وتعكس هذه الاستراتيجية الممارسة الشائعة المتمثلة في تدريب النموذج باستخدام البيانات في الماضي وتطبيقه على البيانات المستقبلية. وتألفت بيانات التدريب من 1460 يوما من 1 يناير 2010 إلى 31 ديسمبر 2013. وتتألف بيانات الاختبار من 365 يوما في عام 2014. ويبين الجدول 4 خصائص مجموعة التدريب والتحقق من الصحة. وكانت معظم الإقامات قصيرة، وحوالي 65 من المرضى الذين بقوا لمدة تقل عن 5 أيام. خصائص مجموعات التدريب والتحقق من الصحة. استراتيجية المستشفى الحالية تنطوي على استخدام الخبرة السابقة لتوقع الأسرة المتاحة. لمقارنة كفاءة النهج المقترحة لدينا، فإننا نمذج خطوط الأساس التالية: (1) التنبؤ ساذجة باستخدام آخر يوم من أيام الأسبوع التفريغ: منذ تم العثور على بياناتنا أن أنماط أسبوعية محددة، ونحن نموذج التصريف في اليوم التالي كما عدد التصريف في نفس اليوم خلال الأسبوع السابق (2) التنبؤ الساذج باستخدام متوسط ​​التصريف في الأسبوع الماضي: من أجل نموذج أفضل للتباين والضوضاء في التصريف الأسبوعي، نقوم بتصريف التفريغ في اليوم التالي كمتوسط ​​التصريف خلال الأيام السبعة السابقة و (3) التنبؤ الساذج باستخدام متوسط ​​التصريف الأخير لمدة 3 أسابيع: لمراعاة التغيرات الشهرية والأسبوعية في بياناتنا، نستخدم متوسط ​​التصريف اليومي على مدى الأسابيع الثلاثة الماضية لنموذج التصريف في اليوم التالي. قياس أداء التنبؤات نقارن توقعات اليوم التالي لنهجنا المقترحة بأساليب خط الأساس بشأن مقاييس متوسط ​​أخطاء التنبؤ، متوسط ​​الخطأ المطلق، متوسط ​​الخطأ النسبي المطلق، الخطأ الجذر المتوسط ​​للمربع 64. 65. إذا كان t t هو قياس التفريغ في الوقت t. f t هو ديشارجي المتوقع في الوقت t. يمكن أن نحدد ما يلي: متوسط ​​الخطأ المتوقع (مف): يستخدم لقياس الانحراف النمطي ويحسب كمتوسط ​​مف (y t - f t) بالنسبة لنموذج مثالي، مف 0. وإذا كان مف 62 0، فإن النموذج يميل إلى وندرفيكاست. عندما مف 60 0، النموذج يميل إلى أوفيرفيكاست. متوسط ​​الخطأ المطلق (مي): هو متوسط ​​الأخطاء غير الموقعة: مي main124 y t - f t 124. مي يشير إلى الحجم المطلق للأخطاء. الجذر متوسط ​​الخطأ المربع (رمز) هو مقياس لانحراف أخطاء التنبؤ. ويحتسب على النحو التالي: متوسط ​​رمز (y t - f t) 2 نظرا للتخفيض ومعدل المتوسط، تميل الأخطاء الكبيرة إلى أن يكون لها تأثير أكبر على رمز. في المقابل، يتم ترجيح الأخطاء الفردية بالتساوي في مي. وكان هناك الكثير من النقاش حول اختيار مي أو رمز كمؤشر على الأداء النموذجي 66. 67. متوسط ​​النسبة المئوية المطلقة للخطأ المطلق (سماب): وهو مقياس مستقل وبالتالي يمكن استخدامه لمقارنة الأداء المتوقع بين مختلف سلاسل البيانات. وهو يتغلب على عيبين من متوسط ​​الخطأ النسبي المطلق (ميب) وهما: (1) عدم القدرة على حساب الخطأ عندما يكون التفريغ الحقيقي صفرا و (2) عقوبات أشد على الأخطاء الإيجابية من الأخطاء السلبية. ويمثل هذا النظام تقديرا أكثر قوة لخطأ التنبؤات ويحسب على النحو التالي: المتوسط ​​المتوسط ​​(200124 y t - f t 124 y t f t). ومع ذلك، تتراوح سمب 200-200، مما يعطيها تفسير غامض 68. النتائج أداء النموذج في هذا القسم، نحن تصف نتائج مقارنة أساليب التنبؤ المختلفة لدينا. وتم ضبط المعلمات النموذجية لتنبؤات كن و رف و سفر لتقليل أخطاء التنبؤ. بالنسبة لانحدار كن، فإن القيمة المثلى لطول النمط: d وعدد أقرب الجيران: k. تم الحصول عليها من خلال تحليل رمز المتوقع للقيم d (1،100) و k (5،1000). تم الحصول على الحد الأدنى من رمز من 3.77 في d 70 و k 125. تم تحديد معلمات سفر C (تكلفة العقوبة) و (مقدار الخطأ المسموح به) عن طريق اختيار أفضل قيمة من بحث الشبكة، التي تقلل من رمز رمز. وبالمثل، تم اختيار العدد الأمثل للمتغيرات في بناء كل عقدة من التردد الراديوي من خلال دراسة تأثيره على التقليل من تقدير خارج الحقيبة. قارنا أساليب التنبؤ ساذجة مع النماذج المقترحة لدينا 5 باستخدام مف، مي، رمز، و سماب. وقد تم تلخيص النتائج في الجدول 5. بينما يقارن الشكل 13 توزيع التصريف الفعلي مع تنبؤات نموذجية مختلفة. دقة التنبؤ نماذج مختلفة. أريما: المتوسط ​​المتحرك المتكامل الانحداري الذاتي أرماكس: المتوسط ​​المتحرك للإنحدار الذاتي مع المتغيرات الخارجية لا تستطيع التنبؤات الساذجة التقاط جميع التغيرات في البيانات وأدت إلى الحد الأقصى من الخطأ عند مقارنتها بالنماذج الأخرى. يتم التقاط التغيرات في الموسمية والاتجاه بشكل أفضل في نماذج أريما و أرماكس. واستخدمت السلاسل الزمنية التي تتألف من عمليات التصريف التي استمرت ثلاثة أشهر لتوليد توقعات التصريف في اليوم التالي. وشمل نموذج أرماكس أيضا يوم األسبوع وإشغال جناح كمتغيرات خارجية، مما أدى إلى أداء أفضل للتنبؤ بأريما. ومن المثير للاهتمام، كان كن أكثر نجاحا من أريما و أرماكس في التقاط الاختلافات في التفريغ، مما يدل على حوالي 3 التحسن في مي، بالمقارنة مع أرماكس. ومع ذلك، فإن نموذج كن يميل إلى التنبؤ (مف 1.09)، ربما بسبب اللجوء إلى القيم المتوسطة للتنبؤ. في المقابل، أظهرت نماذج التنبؤات الراديوية و سفر أداء أفضل. وهذا يمكن توقع لأنه مشتق من جميع الميزات 108. ومع ذلك، أظهرت رف تحسنا نسبيا من 3.3 في مي عبر نموذج سفر (انظر الجدول 5). وعند النظر إلى أخطاء التنبؤ لكل يوم من أيام الأسبوع، أكد نموذج الترددات اللاسلكية أداء أفضل، كما هو مبين في الشكل 14. عملية سفر مع نواة ربف خرائط جميع البيانات إلى مساحة الأبعاد أعلى. وبالتالي، فإن الميزات الأصلية المسؤولة عن التنبؤ لا يمكن استردادها، والنموذج بمثابة صندوق أسود. وبدلا من ذلك، ترجع خوارزمية التردد الراديوي تقديرا للأهمية لكل متغير من أجل الانحدار. فحص الميزات ذات الأهمية العالية يمكن أن تعطينا فهم أفضل لعملية التفريغ. مقارنة التصرفات الفعلية والمتوقعة من جناح لكل يوم في عام 2014. خطأ التنبؤ في التنبؤ كل يوم من أيام الأسبوع في عام 2014. ميزة الأهمية في نموذج الغابات عشوائي تم تصنيف الميزات في نموذج التنبؤ العشوائي على درجات الأهمية. يتم وصف أهم 10 ميزات كبيرة على النحو التالي. يوم من الأسبوع للتنبؤ ثبت أن أهم ميزة. ومن الخصائص الأخرى عدد المرضى في الجناح خلال يوم التنبؤ، واتجاه التصريف الذي تم قياسه باستخدام الانحدار المتعدد الحدود المرجح محليا، وعدد التصريف في اليوم الرابع عشر الماضي، وعدد عمليات التصريف في اليوم الحادي والعشرين الماضي، وعدد المرضى الذين زاروا واحدا فقط جناح سابق، وعدد الذكور في جناح، وعدد من المرضى المسمى: المعيار العام، والشهر الحالي من التوقعات. ديسكوسيون النتائج الرئيسية تحسين تدفق المرضى وإدارة سرير فعالة هو المفتاح لمواجهة تصاعد الخدمة والضغوط الاقتصادية في المستشفيات. والتنبؤ بعمليات التصريف في اليوم التالي أمر بالغ الأهمية ولكن نادرا ما درس في الأجنحة العامة. وبالمقارنة مع أقسام الرعاية الطارئة والحادة، فإن التنبؤ بالتصريف في اليوم التالي من جناح عام هو أكثر صعوبة بسبب عدم توفر المعلومات السريرية في الوقت الحقيقي. نمط التصريف اليومي موسمي وغير منتظم. ويمكن أن يعزى ذلك إلى إدارة عمليات المستشفى مثل جولات جناح، اختبارات المرضى الداخليين، والأدوية. وتساهم الطبيعة غير الخطية لهذه العمليات في طول مدة البقاء غير المتوقعة حتى في المرضى الذين يعانون من تشخيص مماثل. عادة، بالنسبة للأجنحة المفتوحة، يستخدم مدير الأرض خبرة سابقة للتنبؤ بعدد الأسرة المتوفرة. في هذه الورقة، نحاول أن نمذج العدد الإجمالي لعمليات التصريف في اليوم التالي باستخدام 5 طرق. لقد قارنا أداء التنبؤ باستخدام مي، رمز، و سماب. يتم استخراج لدينا التنبؤات من البيانات المتاحة عادة في قاعدة بيانات المستشفى. على الرغم من أن طريقة كن بسيطة لتنفيذ، والتي تتطلب أي خبرة خاصة، حزم البرمجيات لنماذج أخرى متاحة لجميع المنصات المشتركة. ويمكن تنفيذ هذه النماذج من قبل موظفي التحليلات في قسم تكنولوجيا المعلومات في المستشفى ويمكن دمجها بسهولة في نظم المعلومات الصحية القائمة. في تجاربنا، توقعات استنادا إلى نموذج رف تفوقت جميع النماذج الأخرى. معدل الخطأ التنبؤ هو 31.9 (كما يقاس بواسطة سماب) الذي هو في نفس الملعب كما العمل الأخير من 24، على الرغم من أننا لم يكن لدينا أي معلومات سريرية في الوقت الحقيقي. نموذج الترددات الراديوية يجعل الحد الأدنى من الافتراضات حول البيانات الأساسية. وبالتالي، فإنه هو الأكثر مرونة، وفي الوقت نفسه، ويأتي مع مراقبة كبيرة أوفيرفيتينغ. Similarly, SVR also demonstrated superior performance, compared with the autoregressive and kNN models. The RBF kernel maps the features into a higher dimensional space during the regression process. Hence, the physical meaning of the features is lost, making it difficult to interpret the model. Finally, RFs and SVR are able to handle more features. This extra information in the form of patient demographics and past admission and discharge statistics contributed to improve the predictive performance when compared with other models. The kNN regression also performed well as it assumes only the locality in the data. But it is not adaptive, and thus less flexible in capturing complex patterns. The kNN regression assumes similar patterns in past discharges extrapolate to similar future discharge, which is not true for daily discharges from ward. ARMAX model outperformed the traditional ARIMA forecasts since it incorporated seasonal information as external regressors. As expected, a naive forecast of using the median of past discharges performed worst. We noticed a weekly pattern ( Figure 2 ) and monthly pattern ( Figure 3 ) in discharges from the ward. Other studies have also confirmed that discharges peak on Friday and drop during weekends 5. 9. 10 . This weekend effect could be attributed to shortages in staffing or reduced availability of services like sophisticated tests and procedures 10. 69 . This suggests discharges are heavily influenced by administrative reasons and staffing. Feature importance score from an RF model helps in identifying the features contributing to the regression process. The day of forecast proved to be one of the most important features in the RF model. Other important features included trend based on nonlinear regression of past weekdays, number of discharges in the past days, ward occupancy in previous day, number of males in the ward, and number of general patients in ward. When looking at for each day of the week, the RF and SVR model consistently outperformed other models. Sundays and Thursdays proved to be the easiest to predict for all models ( Figure 14 ). This can be expected since these days had the least variation in our data. Fridays proved to be the most difficult to forecast. Retraining the RF model by omitting day of the week increased the forecast error by 1.39 (as measured by sMAPE). Patient length of stay is inherently variable, partly due to the complex nonlinear structure of medical care 8 . The number of discharges from a ward is strongly related to the length of stay of the current patients in the ward. Hence, the variability in ward-level discharges is compounded by the variability in individual patient length of stay. In our study, the daily discharge pattern from ward shows great variation for each day of week. Apart from patient level details, we believe that a knowledge of hospital policies is also required to capture such nonlinearity. In our study, we were able to validate that the weekend patterns affect discharges from a general ward. The RF model was able to give a reasonable estimate of number of next-day discharges from the ward. Clinical staff can use this information as an aid to decisions regarding staffing and resource utilization. This foresight can also aid discharge planning such as communication and patient transfer between wards or between hospitals. An estimate of number of free beds can also help reduce emergency department (ED) boarding time and improve patient flow 12. 23 . ED boarding time is the time spent by a patient in emergency care when a bed is not available in the ward. ED boarding time severely reduces the hospital efficiency. High bed occupancy in ward directly contributes to ED overcrowding 70 . In our data, 42.81 of patients were admitted from the emergency care. An estimate of daily forecasts can be helpful in deciding the number of beds in wards to ease patient flow. We acknowledge the following limitations in our study. First, we focused only on a single ward. However, it was a ward with different patient types, and hence the results could be an indication for all general wards. Second, we did not use patient clinical data to model discharges. This was because clinical diagnosis data were available only for 42.81 of patients who came from emergency. In a general ward, clinical coding is not done in real time. However, we believe that incorporating clinical information to model patient length of stay could improve forecasting performance. Third, we did not compare our forecasts with cliniciansmanaging nurses. Finally, our study is retrospective. However, we have selected prediction period separated from development period. This has eliminated possible leakage and optimism. This study set out to model patient outflow from an open ward with no real-time clinical information. We have demonstrated that using patient-level and ward-level features in modelling forecasts outperforms the traditional autoregressive methods. Our proposed models are built from commonly available data and hence could be easily extended to other wards. By supplementing patient-level clinical information when available, we believe that the forecasting accuracy of our models can be further improved. Autoregressive Moving Average Im working on two-dimensional AR modelling and using the from Matlab. في ماتلاب هناك ثناء ليك التي يمكن حساب المعاملات لب. كيف يمكنني الاندماج في بعدين للصورة رمز ماتلاب لإشارة البعد واحد هو ألك (إشارة، ترتيب) إستسينال تصفية (0 - a (2: نهاية)، 1، إشارة) خطأ إشارة-إستسينال هناك تنفيذ في ماتلاب إكسهانج التي تقدمها سيمونا ماغيو 2D أر و 2D أرما المعلمات تقدير من المرجع: النمذجة أرما ثنائي الأبعاد للكشف عن سرطان الثدي وتصنيف بواسطة N. بوينايا، J. زيلينسكي و D. شونفيلد في إيي المؤتمر الدولي حول معالجة الإشارات والاتصالات، بنغالور، الهند، يوليو 2010 النظر في هذا الوضع. 60 موقعا للعلاج من تعاطي المخدرات. المتغير التابع للحاضرين في كل موقع للعلاج من تعاطي المخدرات على المخدرات A. الميل المتطابقة (للفرد ومستوى الموقع الخصائص) مجموعة التحكم التي تم إنشاؤها باستخدام البيانات. المتغير التابع جمع كل ربع سنة لمدة 2 سنوات قبل التدخل قدم في 60 موقعا و 4 سنوات بعد التدخل. تريد أن تعرف ما إذا كان التدخل له تأثير على تناول المخدرات A. هو أريما الطريق للذهاب هنا نعم، وأعتقد أيضا أساليب التنبؤ، على سبيل المثال. أريما ليست مناسبة في هذه الحالة الأساليب الإحصائية، على سبيل المثال. الاختبارات الإحصائية لمقارنة المجموعة، سيكون أكثر ملاءمة. لقد نمذجة البيانات اليومية باستخدام نموذج أرماكس مع مكونات أرما الموسمية. المتغير التابع هو مقدار زيارات الويب لموقع ويب بسبب البث التجاري التلفزيوني اليومي. متغيرات بلدي هي مستقرة والسيطرة على الموسمية بحيث بقايا بلدي هي أونتو أوتوكوريلاتد والضجيج الأبيض ضئيلة. أنا بسهولة قادرا على رؤية يؤثر على بلدي المتغيرات الخارجية (الإعلان) على حركة المرور على شبكة الإنترنت على الفور، ولكن أود أن دمج عامل النمو. أي أن متغيرات الإعلان ينبغي أن يكون لها تأثير فوري يستمر لبعض الوقت إلى أجل غير مسمى قبل أن يموت. والهدف من ذلك هو أن تكون قادرا على العودة وننظر في كيفية حركة المرور على شبكة الإنترنت سوف تبدو إذا كان الإعلان لوقف لمدة x كمية من الوقت. عندما أتوقع بشكل متكرر باستخدام معلمات النماذج الخاصة بي، في منتصف مجموعة البيانات، فإنه يتبع القيم الملحوظة لفترة من الوقت ولكن ينهار في نهاية المطاف ويبدأ في عزل حول قيمة متوسطة أقل بكثير من البيانات التي لوحظت. وأعتقد أنه لأن هذا النموذج لا يضاعف بشكل صحيح التأثيرات المستمرة من النشاط الإعلاني وبالتالي، الإعلان الماضي لا يؤثر على حركة المرور على شبكة الإنترنت في المستقبل. سوف أسئلتي، كيف يمكنني نموذج البيانات الخاصة بي عن طريق مضاعفة آثار الإعلان إلى آثار طويلة الأجل كيف يمكنني أساسا استخدام توقعات للتنبؤ ما هي زيارات الويب سيكون إذا تم إيقاف الإعلانات في أي فترة داخل مجموعة البيانات الخاصة بي تقسيم البيانات إلى جزأين ثم تحقق. هذا هو قبل كسر وبعد الكسر كيف يمكنني محاكاة عملية أرما في ماتلابتسبان إدمسيماركر داتا-مس-تايبوكماركتلتسبانغتلتسبان إدكارتغتلتسبانغت كيف يمكنني محاكاة عملية أرما في ماتلابتسبان إدمسيماركر البيانات-مسي-تايبوكبوكماركتلتسبانغت كيف يمكنني محاكاة عملية أرما في ماتلاب أرما الانحدار الذاتي المتوسط ​​المتحرك نموذج) ماتلاب أمب سيمولينك أنا ننصحك أن ترى هذه الوثائق. سوف تجد ما تحتاجه. آمل أن أكون قد ساعدتكم، واسمحوا لنا أن نعرف إذا كان لديك أسئلة أخرى أو كنت بحاجة إلى مزيد من التفاصيل. With best regards