[发明专利]基于时间序列相似性分析的在院人次异常检测方法及系统

说明书

本发明公开了基于时间序列相似性分析的在院人次异常检测方法及系统，涉及在院人次异常检测领域。包括如下步骤：在院人次时间序列提取、滑动窗口时间序列构建、序列间DTW距离计算、标准化、异常指数计算和异常输出。在院人次异常检测装置包括：在院人次时间序列提取模块、滑动窗口时间序列构建模块、序列间DTW距离计算模块、标准化模块、异常指数计算模块、异常输出模块和结果呈现模块。本发明通过构建时间序列相似度识别异常模型，动态检测在院人次异常情况，为医疗保险欺诈提供科学防范手段；同时，对同级别医院在院人次进行异常检测，能够掌握同级别医院在院人次的变化趋势，从而为突发性传染疾病爆发及其在人群中的传播态势感知提供预测依据。

技术领域

本发明涉及在院人次异常检测领域，尤其是基于时间序列相似性分析的在院人次异常检测方法及系统。

背景技术

为促进社会的稳定与发展、保障人民基本权益，我国建立了完善的社会保障体系，其中医疗保险是社会保障体系中的一个重要组成部分。鉴于医疗保险的优惠政策，不少违规者通过虚假就医进行医疗保险欺诈获取高额利润，造成医疗保险基金严重损失，影响医疗保险基金的公平性与公正性。因此，有效检测虚假就医行为，对促进医疗保险体系的健康运作具有重要现实意义。

目前，骗保人运用多种手段进行医疗保险欺诈，比如说贩卖药品、挂床住院、摞床住院、虚报费用，如何有效检测医疗保险欺诈行为成为医疗保险体系的研究重点。一般地，可通过“病人”就医数据，如在院人次来检测医疗保险欺诈行为。而医院每天都会增加大量的原始数据，且医院每天的数据都是动态增加。因此，必须采用一种有效的方式动态检测医院在院人次的异常情况。

时间序列相似性问题最早由Agrawal等人于1993年提出，近年来已成为研究热点问题之一。时间序列相似性问题是数据挖掘中的一个重要而基础的问题，为其他挖掘手段提供了必要的技术支持，现已广泛应用于金融、医学、生物、网络等多个领域。时间序列相似性度量方式中，动态时间弯曲(Dynamic Time Warping,DTW)距离根据最小代价的时间弯曲路径进行对齐匹配，能够支持时间序列的时间轴伸缩；同时，滑动窗口(Sliding Window,SW)技术能很好地处理动态时间序列的相似性问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于时间序列相似性分析的在院人次异常检测方法及系统，通过精确检测在院人次的异常变化，为医疗保险欺诈提供科学防范手段；同时，可为突发性传染疾病爆发及其在人群中的传播态势感知提供预测依据。

本发明是通过以下技术方案来实现的：基于时间序列相似性分析的在院人次异常检测方法，它具体包括如下步骤：

S1：在院人次时间序列提取：从数据库中提取同级别医院的住院信息，构建在院人次时间序列，并对数据进行预处理；

S2：滑动窗口SW时间序列构建：分别计算被检测医院和同级别医院在滑动窗口SW的在院人次环比增长率，并重复所述内容，进而得到不同长度的滑动窗口时间序列，选择最优的滑动窗口长度；

S3：序列间DTW距离计算：基于被检测医院与同级别的医院的在院人次环比增长率序列，计算序列间DTW距离；

S4：标准化：对序列间DTW值进行极差标准化，并对被检测医院当前时间在院人次的环比增长率进行极差标准化；

S5：异常指数计算：当前时间i、被检测医院k的异常指数α+β＝1，α、β分别为当前时间和滑动窗口历史时间的权重；

S6：异常输出：异常阈值为T_i，若则输出异常的被检测医院k和时间i。

进一步限定，所述的步骤S1具体包括如下子步骤：

S11：数据收集和预处理，选定一个医院等级，从数据库中提取同级别医院住院信息的以下特征：就诊ID、医院ID、医院名称、医院等级、入院时间和出院时间；