Predicting the Workload of Home Care Personnel Using Time Series Forecasting
Virtanen, Anna (2023)
2023
Sähkötekniikan DI-ohjelma - Master's Programme in Electrical Engineering
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-02-27
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202302092231
https://urn.fi/URN:NBN:fi:tuni-202302092231
Tiivistelmä
The substantial increase in the number of elderly leads to increased demand for home care and institutional care services. Forecasting the workload of social and health care personnel is difficult, and the allocation of resources is currently based on the experience accumulated by experts using their "gut" feeling.
Workload prediction can be facilitated with artificial intelligence and machine learning based solutions. In this Master of Science Thesis, the workload of the home care personnel of The Joint Municipal Authority for Social and Healthcare in Central Uusimaa (Keusote) is predicted four months ahead. The forecast is produced for all of Keusote's 27 home care sites using two different methods: a traditional ARIMA model and a modern LSTM neural network.
The models were compared by computing the root-mean-squared error, mean absolute error, mean absolute per cent error and goodness of fit measures for the forecasts produced for each home care unit. The key indicators gave slightly better results for the ARIMA model, but when the forecasts were plotted side by side with the actual workload, it was noticed that the ARIMA-based forecasts often did not have the correct DC level, they diverged from the actual workload, started to oscillate or were constant throughout the forecasting horizon. Therefore the LSTM model, which gave almost equally good results, was selected for production.
In the future, forecasting will probably be based on the Resident Assessment Instrument (RAI) measurements of home care clients. The next step would be to generate a forecast utilising a Markov model, which is a probability-based state transition model. Ikääntyneiden määrän voimakas kasvu johtaa kotihoidon ja laitoshoidon palveluiden kysynnän lisääntymiseen. Sosiaali- ja terveydenhoidon henkilöstön työmäärän ennustaminen on vaikeaa, ja ennustaminen perustuu tällä hetkellä asiantuntijoille muodostuneeseen mututuntumaan.
Työmäärän ennustamista voidaan helpottaa tekoälyyn ja koneoppimiseen perustuvilla ratkaisuilla. Tässä diplomityössä ennustetaan Keski-Uudenmaan sote -kuntayhtymän (Keusote) kotihoidon henkilöstön työmäärää neljä kuukautta eteenpäin. Ennuste tuotetaan kaikille Keusoten 27:lle kotihoidon yksikölle kahdella eri metodilla: perinteisellä ARIMA-mallilla ja modernilla LSTM-neuroverkolla.
Malleja vertailtiin keskenään laskemalla kullekkin kotihoidon yksikölle tuotetulle ennusteelle tunnuslukuina keskineliövirheen neliöjuuri, keskipoikkeama, keskipoikkeaman prosenttivirhe ja yhteensopivuuden aste. Tunnusluvut antoivat lievästi parempia tuloksia ARIMA-mallille, mutta kun ennusteet piirrettiin vierekkäin todellisen työmäärän kanssa, huomattiin, että ARIMA-pohjaisissa ennusteissa DC-taso ei usein ollut oikea, ennusteet poikkesivat todellisesta työmäärästä, alkoivat oskilloida tai olivat vakioita koko ennustehorisontin ajan. Siksi tuotantoon valittiin lähes yhtä hyviä tuloksia antanut LSTM-malli.
Tulevaisuudessa ennustaminen perustuu todennäköisesti kotihoidon asiakkaiden Resident Assessment Instrument (RAI) -mittauksiin. Seuraava askel olisi ennusteen tuottaminen Markovin mallilla, joka on todennäköisyyslaskentaan perustuva tilasiirtymämalli.
Workload prediction can be facilitated with artificial intelligence and machine learning based solutions. In this Master of Science Thesis, the workload of the home care personnel of The Joint Municipal Authority for Social and Healthcare in Central Uusimaa (Keusote) is predicted four months ahead. The forecast is produced for all of Keusote's 27 home care sites using two different methods: a traditional ARIMA model and a modern LSTM neural network.
The models were compared by computing the root-mean-squared error, mean absolute error, mean absolute per cent error and goodness of fit measures for the forecasts produced for each home care unit. The key indicators gave slightly better results for the ARIMA model, but when the forecasts were plotted side by side with the actual workload, it was noticed that the ARIMA-based forecasts often did not have the correct DC level, they diverged from the actual workload, started to oscillate or were constant throughout the forecasting horizon. Therefore the LSTM model, which gave almost equally good results, was selected for production.
In the future, forecasting will probably be based on the Resident Assessment Instrument (RAI) measurements of home care clients. The next step would be to generate a forecast utilising a Markov model, which is a probability-based state transition model.
Työmäärän ennustamista voidaan helpottaa tekoälyyn ja koneoppimiseen perustuvilla ratkaisuilla. Tässä diplomityössä ennustetaan Keski-Uudenmaan sote -kuntayhtymän (Keusote) kotihoidon henkilöstön työmäärää neljä kuukautta eteenpäin. Ennuste tuotetaan kaikille Keusoten 27:lle kotihoidon yksikölle kahdella eri metodilla: perinteisellä ARIMA-mallilla ja modernilla LSTM-neuroverkolla.
Malleja vertailtiin keskenään laskemalla kullekkin kotihoidon yksikölle tuotetulle ennusteelle tunnuslukuina keskineliövirheen neliöjuuri, keskipoikkeama, keskipoikkeaman prosenttivirhe ja yhteensopivuuden aste. Tunnusluvut antoivat lievästi parempia tuloksia ARIMA-mallille, mutta kun ennusteet piirrettiin vierekkäin todellisen työmäärän kanssa, huomattiin, että ARIMA-pohjaisissa ennusteissa DC-taso ei usein ollut oikea, ennusteet poikkesivat todellisesta työmäärästä, alkoivat oskilloida tai olivat vakioita koko ennustehorisontin ajan. Siksi tuotantoon valittiin lähes yhtä hyviä tuloksia antanut LSTM-malli.
Tulevaisuudessa ennustaminen perustuu todennäköisesti kotihoidon asiakkaiden Resident Assessment Instrument (RAI) -mittauksiin. Seuraava askel olisi ennusteen tuottaminen Markovin mallilla, joka on todennäköisyyslaskentaan perustuva tilasiirtymämalli.