Downloaded from http://journals.tums.ac.ir/ at 11:10 IRDT on Monday July 11th 2016

(1)

ٍماىلصف

ناتسرامیب سواشريا صخب ٍب رامیب ديري یًگلا یىیب صیپ لعذمحم

ی مظاکراطفا ی ناراکمَ ي

?; ..

ٌداد کیىکت زا ٌدافتسا اب ناتسرامیب سواشريا صخب ٍب رامیب ديري یًگلا یىیب صیپ ي یياک

یبصع ٍکبض لذم

یمظاک راشفا یلع دمحم یلدگیب ادن ،1

*

یرهچونم لایژ ،2

بانج رسای ،3 4

Bتفایرد خیرات :A

/

@ / A9 Bشزیذپ خیرات

9 /

<

/ A:

PhD1

ضکشه ىاشْت ذحاٍ ٖهلاػا داصآ ُبگـًاد ،تٗشٗذه ُذکـًاد ،ٖتعٌك تٗشٗذه ٍُشگ سب٘ـًاد ،

MSc2

ٍٕشثٍس ،ٕداصآ ىبثب٘خ ،ىاشْت :عسدآ )لَئؼه ُذٌؼًَٗ*( .ضکشه ىاشْت ذحاٍ ٖهلاػا داصآ ُبگـًاد ،تٗشٗذه ُذکـًاد ،ٖتعٌك تٗشٗذه ٍُشگ ، :ٖتؼپ ذک ،ضکشه ىاشْت ذحاٍ ٖهلاػا داصآ ُبگـًاد تٗشٗذه ُذکـًاد ،تٗشل شتکد ِچَک 1311773591

:عبوت ُسبوؿ 79125677387

:ل٘وٗا

[email protected] PhD3

ىاشْت ٖکؿضپ مَلع ُبگـًاد ،ىاشْت تلل ضکشه ،ت٘ف٘ک تٗشٗذه ذحاٍ لٍؤؼه ،

PhD4

ىاشْت ٖکؿضپ مَلع ُبگـًاد ،ىاشْت تلل ضکشه ، ،قٍشع ٍ تلل ٍُشگ سبٗدبتػا ،

:فذه و هنیمز .ذشاب یه یسًاشرٍا ىاراویب ِب یًاهرد ٍ یصیخشت تاهذخ ِئارا ىاکه يیلٍا ، سًاشرٍا شخب

ا ُصنیٍ تنیوّا شنخب ينیا رد عباٌه حیحص صیصخت ،تاهذخ ِئارا رد تقد ٍ تعرس تیوّا ِب ِجَت اب لتخه اّ ىاهز رد راویب نکارت ٍ ماحدزا ِب ِجَت ىٍذب ،سًاشرٍا شخب عباٌه سیر ِهاًرب .دراد ترَنص ف

ینوظً یب ،ىاراویب یلطعه ِب رجٌه رها يیا ٍ ُذش ٍربٍر عباٌه دَبوک اب شخب تسا يکوه يیارباٌب ،دریگ یه َنیلا ، َنف تتکنشه عفر رَظٌه ِب ِعلاطه يیا رد .ددرگ تاهذخ تیفیک تفا ِجیتً رد ٍ اّراک ماجًا رد ُذش ِئارا سًاشرٍا شخب ِب ُذٌٌک ِعجاره راویب داذعت یٌیب شیپ .تسا

اه شور و داوم ٍ ٍاک ُداد کیٌکت زا ُدافتسا اب ٍ سًاشرٍا ِب ىاراویب دٍرٍ اّ ُداد اٌبه رب راویب داذعت :

(ِیلا ذٌچ ىٍرتپسرپ یبصع ِکبش

Multi-layer Perceptron

) .تسا ُذش یٌیب شیپMLP

:اه هتفای ب زٍر ًِابش فلتخه تاعاس ٍ ِتفّ فلتخه اّزٍر رد دٍرٍ راویب داذعت

تنیَلٍا زا کنی رّ ار

ًِاگ ِس اّ

1 ، 2

ٍ 3 .تنسا ُدَنب ِنعوج زٍر رد يیرتوک ٍ ِبٌش زٍر رد راویب داذعت يیرتشیب ،ُذش يییعت

یونسر لنیطعت انّزٍر رد رانویب داذعت ٍ تٍافته نّ اب راویب داذعت ظاحل زا لیطعت ریغ ٍ لیطعت اّزٍر ذًٌاه دَب ِعوج اّزٍر رد راویب داذعت ربارب دایعا تاعاس رد راویب داذعت يیرتشیب .تسا ُ

9 یلا 11 ٍ حبص

22 یلا 23 يیب تاعاس رد داذعت يیرتوک ٍ بش 2

یلا 7 یه حبص .ذشاب

:یریگ هجیتن بنساٌه عنیزَت ٍ زانیً درَه عباٌه درٍآرب رد ذًاَت یه سًاشرٍا شخب راویب داذعت یٌیب شیپ

ب ار تاهذخ تیفیک ٍ ِتفرگ رارق ُدافتسا درَه اًْآ .ذشخب دَبْ

یذیلک تاملک .سًاشرٍا شخب ،یٌیب شیپ ،یبصع ِکبش ، ٍاک ُداد :

كچ ی :هد

Downloaded from http://journals.tums.ac.ir/ at 11:10 IRDT on Monday July 11th 2016

(2)

ٍماىلصف

ناریا یاُواتسرامیب رًما ٌرادا یملع همجوا یمسر ناگرا دزايد لاس

ٌرامض ،مَ

4 ، ناتسمز 29 31 لسلسم ٌرامض ، 44

.

. ?<

همدقم عبؼح ٕبّذحاٍ صا ٖکٗ ،غًاطسٍا ؾخث ىبتتػسبو٘ث ٓذ٘چ٘پ ٍ

ٍ ٕدبته ثبتٌه ي٘ث دبٗص سب٘ؼث ٖگٌّبوّ ِث ِک دَؿ ٖه ةَؼحه ؾ بتچ صا ٖتکٗ غتًاطسٍا ؾتخث ٕضتٗس ِتهبًشث .دساد صبتً٘ ًٖبؼًا يٗشتض٘گًاشث تبعَضَه

ٖته سبوتؿ ِث ىبتػسبو٘ث تٗشٗذه ٔط٘ح سد

ٍ ٖتل٘خـت ٖتللخت تبهذتخ خاَتًا ِتئاسا بث َػ کٗ صا اشٗص دٍس د سبک ٍ شػ ًٖبهسد سد سبک ٕلابث نجح ٍ ٖغَلؿ شگٗد َٕػ صا ٍ دسا

لکـه کٗ تسَك ِث ،ًٖبتػسبو٘ث ٕبّ غًاطسٍا صا ٕسب٘ؼث ٕساشکت

(ىاسبتتتکوّ ٍ تتتت سد .تتتتػا ُذتتتهآسد 2771

) ٍ شتسبتتتک ٍ[1]

(ش٘پلا 1999 ) ،لٌتػشپدَجوک اس غتًاطسٍا ؾتخث ٖغَلؿ لهاَع[2]

تبتـٗبهصآ ذتًٌبه ٖل٘خـت تبهاذلا مبجًا سد ش٘خبت ،تخت دَجوک ث

ٌٖ٘ ب ىاسبتو٘ثدبٗص داذتعت ،ٕسادشثشَٗلت ٍ ىدَتجً ٖ بتک بتتٗبًْ ٍ

دَتجوک ٕشتگٗد كت٘محت سد .ذًا ُدَوً ىب٘ث غًاطسٍا ؾخث ٕبض

ُذؿ ىاٌَع غًاطسٍا ؾخث ٖغَلؿ لهبع يٗشتوْه لٌػشپ سد ٍ[3]

( بتکٗشها ٖکتؿضپ َٕت٘تتؼًا ؽساضگ

Institute of Medicine

ضتً٘ )

لاهبعت ِج٘تً غًاطسٍا ؾخث ٖغَلؿ ٍ ِضشع ىاض٘ه ي٘ث ُذ٘چ٘پ ت

تػا ُذؿ شکر ثبٌه ٕبضبمت .[4]

ٕضٗس ِهبًشث فَلخ سد ٕدذعته تبم٘محت ،ِتؿزگ ّٔد کٗ سد ِتهبًشث شتث ،تبم٘محت يٗا تلغا ِک ُذؿ مبجًا غًاطسٍا ؾخث ثبٌه ٕضٗس ِهبًشث لذه ِئاسا ذًٌبه ذًا ِتؿاد ضکشوت ىبکؿضپ داذعت ٕضٗس ُسَتوٌه ذتٌچ (

A multi-objective programming model

) ٕاشتث غًاطسٍا ٕبّ تًذٗصس ٕضٗس ِهبًشث

لذه ِئاسا ،[5]

کت٘تًط نتٗسَگ ا

بّ تًذٗصس ٕضٗس ِهبًشث ٕاشث ك٘فلت ٍ[6]

بتث ٕصبتػ ِ٘جؿ نتؼ٘ػ

ٕبتّ ي٘تؼٌ٘کت ،ىبکتؿضپ ِتٌْ٘ث داذتعت ي٘٘عت ٕاشث ٕصبػ ٌِْ٘ث فذّ بث ىاسبتػشپ ٍ ُبگـٗبهصآ ذتخ تت٘ف٘ک بتمتسا

ٍ ًٖبتهسد تبه

سبو٘ث سبوتًا ىبهص ؾّبک ي٘تٌچوّ . [7]

ؾًاسبتکوّ ٍ تًبٗ

ُداد

ٕبتضبمت ٖتٌ٘ث ؾ٘پ ٕاشث اس ن٘ولت تخسد ٍ ٕذٌث ِمجط ،ٍٕبک ذًدشث سبک ِث غًاطسٍا ؾخث سد ىبکؿضپ . [8]

ؾتتخث ىبکتتؿضپ ٕضتتٗس ِتتهبًشث ِتتث تبتتم٘محت يتتٗا تتتلغا سد

ٍسٍ ٗصَت َٕگ ا ٌٖ٘ث ؾ٘پ ٍ ُذؿ ِتخادشپ غًاطسٍا ِتث سبو٘ث د

ٕضتٗس ِتهبًشث سد ُذتٌٌک ي٘٘عت لهاَع يٗشت نْه صا ٖکٗ ىاٌَع يتٗا سد.تتػا ِتت شگً ساشتل ِت َت دسَته غتًاطسٍا ؾخث ثبٌه ِتث ُذتٌٌک ِع اشه ىاسبو٘ث داذعت ىداد ساشل شوً ذه بث ،ك٘محت ًٖبتهص ٓسٍد کٗ سد )ُذؿ ي٘٘عت ٕبّ تَٗ ٍا بث( غًاطسٍا ؾخث دٍسٍ ٌٖ٘ث ؾ٘پ َٕگ ا ،قخـه ًِبجؿ فلتخه تبعبػ سد سبو٘ث

.تػا ُذؿ ِئاسا ِتفّ فلتخه ٕبّصٍس ٍ صٍس

اه شور و داوم ؾٍّظپ يٗا سد

ٕطَ ٍذته ٍ ٍٕبک ُداد کٌ٘کت صا ُدبفتػا بث

CRISP

ٍ صٍس فتلتخه تبعبتػ سد ىاسبو٘ث دٍسٍ َٕگ ا ٕبتّصٍس

لذه .تػا ُذؿ ٌٖ٘ث ؾ٘پ )ل٘طعت ش٘غٍ ل٘طعت( ِتفّ فلتخه سد ؾٍّظپ ٖهَْفه

ُسبوؿ لکؿ 1

.تػا ُذؿ ُدسٍآ

لکض 1 - هذننک هعجارم رامیب داذعت ینیب صیپ لذم تیولوا اب

1 ، 2 و 3 سناژروا صخب هب

داذعت رامیب ٌذىىک ٍعجارم

تیًليا اب 9

تیًليا اب 1 صیپ

رامیب داذعت یىیب ٌذىىک ٍعجارم اب

تیًليا 9،3 ي 1

ٌداد یذىب بلاق ي شزادرپ صیپ،یزاس ٌدامآاَ

یبصع ٍکبض 3

MLP

داذعت اب رامیب

تیًليا 9

تیًليا 3

تیًليا 1

تیًليا اب 3 زير

ٍتفَ

تعاس

یلیطعت ي یلیطعتریغ 33421

ٌداد

33629

ٌداد

تیًليا رامیب

. . .

ديري خرو رامیب

ي یلیطعت یلیطعت ریغ

تعاس ديري زير ديري

n

نارُت بلق سکرم سواشريا صخب ٌداد ٌاگیاپ لذم زایو درًم یاَ ٌداد جارختسا

هکبش یبصع MLP

یفخم هیلا کی اب

(3)

ٍماىلصف

?= ..

یواک هداد صا ٖتفخه ٕبتَّگ ا ااشختتػا ٍ فتـک ذٌٗآش ِث ٍٕبک ُداد ٕبتّ ُصَتح سد ٍٕبتک ُداد .دَؿ ٖه قلاطا ُداد ٕدبٗص شٗدبمه ٍ ٖتتولع تب بتتـتکا ،نئاشتت فتتـک ،ٖثبتتٗساصبث ذتتًٌبه ٖتتفلتخه دٍس ٖه سبک ِث ٖکؿضپ ،ٍٕبتک ُداد ٕبّ کٌ٘کت صا ُدبفتػا .[9]

سد ُداد گسضث ٕبّ ُبگٗبپ صا ذٗذ ؾًاد كلخ ِث فتلتخه مَلع

ُذتًبه ُدبفتتػا ىٍذث تلغا ِک ٖکؿضپ .ذتٌک ٖته کتوک ،ذتًا

ٕبتّ ُصَتح سد بتّ کٌ٘کت يٗا صا ُدبفتػا ،ٖتتؿاذْث فتلتخه

،ٌٖ٘ بث ٕبّبوٌّاس ٔئاسا ،ًٖبهسد ؽٍس کٗ ةبختًا ذًٌبه ًٖبهسد )... ٍ بٍّساد شضه ٍ ذ٘فه تاشثا ي٘٘عت ، ثبٌه ق٘لخت ٖگًَگچ ش٘گ ن٘ولتصا ًٖبج٘تـپسَوٌه ِث ِتث ٍس بتجتشه ،ٖتٗشٗذه ٕبّ ٕ

تػا ؾٗاض ا

[10]

.

یبصع هکبش ٖجتلع ٕبتّ ِکجؿ ( ٖعٌَتله

Artificial neural networks:

)ANNs

سد ٍ ُذؿ ةَؼحه ٍٕبک ُداد ٔت شـ٘پ ٕبّ کٌ٘کت صا تٗبتضس ٌٖ٘ث ؾ٘پ ٕبّ لذه ذًٌاَتً بّ ؽٍس شٗبػ ِک ٕدساَه

ِث ،ذٌّذث تػد ِث ٖـخث ِکجتؿ .ذًَتؿ ٖته ِت شگ سبک

ٕبتّ

ي٘تث ِتتػَ٘پ ٖگتتؼثاٍ ِتًَگ شتّ ذتًٌاَت ٖه ٖعٌَله ٖجلع ِتطثاس يٗا شگا ٖتح ،ذٌٗبوً دسٍآشث ٖجٗشمت ِث اس فذّ ٍ ٕدٍسٍ

(ذتؿبث ٖتطخش٘غ

Phillips-Wren &Etal , 2008

ٕبتّ ِکجتؿ .)

ذتٌٌک ٖه فٗشعت ًَِگ يٗا اس ٖعٌَله ٖجلع

"

ٕبتّ نتتؼ٘ػ

ِ٘جتؿ ٖکٗطَ َ٘ث ٖجلع ِکجؿ ٍٕس صا ِک ُداد ؽصادشپ ٕصبتػ

ذًا ُذؿ

"

ٖعٌَتله ٕبتّ ىٍشتً صا ٕدبٗص داذعت ،بّ ِکجؿ يٗا . تبتلخـه صا ٖتخشث بتت ذتًشث ٖه سبک ِث اس ِتػَ٘پ نْث ٍ ُدبػ

ذتٌٌک ٕصبتػ ِ٘جؿ اس ٖکٗطَ َ٘ث ٖجلع ٕبّ ِکجؿ نتْه .[11]

تت٘وّا ضئبح بًْآ دشثسبک سد ِک ٖجلع ٕبّ ِکجؿ ٖگظٍٗ يٗشت ،تػا

"

بّ ًَِوً ٕش٘گدبٗ ٖٗبًاَت

"

تػا .[12]

ٖه ٕش٘گدبٗ ؽٍس (ش(بتً بتث :تسَك ِػ ِث ذًاَت

Error Back-

propagation Algorithm

(ش(بً ىٍذث )

Unsupervised

ٍد شّ بٗ ٍ )

.ذؿبث ش(بً بث ٕش٘گدبٗ ؽٍس ٕدٍسٍ ٕبتَّگ ا صا ٖٗبتّ اٍص بث

-

ٖه مبجًا ٖ ٍشخ ِتک ٖتسَتك سد ،دَؿ

ش(بتً ىٍذتث ٕش٘گدبتٗ

"ب شك ٍ تتػا ِکجؿ ٕدٍسٍ ِث ٖؿصَهآ ٕبّ ًَِوً ِئاسا لهبؿ ِمجط ي٘ث ک٘کفت يٗشتـ٘ث ِث ِکجؿ ِک ذثبٗ ٖه ِهادا ًٖبهص بت

.ذثبٗ تػد بّ ًَِوً صا ٖٗبّ

ٕبّ ِکجؿ يٗشت فٍشعه ٖجلع

صا بتهَوع ِتک ذٌتتؼّMLP

بث ٍ ش(بً بث ُذٗد ؽصَهآ خًَ

نتٗسَگ ا (بتطخ سبـتًا غپ

Error

Back-propagation Algorithm

ذٌتؿبث ٖه )

[13]

کتٗ ؽصَتهآ .

دشکٍٗس صا ُدبفتػا بث ِٗلا ذٌچ ىٍشتپػشپ

"

بتطخ سبتـتًا غتپ

"

دسَکس شّ ٕاشث ؽصَهآ لَط سد ِک دَؿ ٖه مبجًا تسَك يٗذث ؾ٘تپ کتٗ يت بٗ تْ تبعلاطا ،دَؿ ٖه ٖ شعه ِکجؿ ِث ِک ٖته ِتٗزغت ِکجؿ ِث َل ِث ٍس تسَك ِث ،ٖ ٍشخ ِٗلا صا ٌٖ٘ث شگ ؾتخث سد ُذتؿ تتجث ٖت ٍشخ ساذتمه بث ٌٖ٘ث ؾ٘پ يٗا .دد ٖت ٍشخ ٍ ٖتٌ٘ث ؾ٘تپ ساذتمه ىبت٘ه تٍبفت ٍ ِؼٗبمه ؽصَهآ

ٕبّ ىصٍ شٗدبمه بت دَؿ ٖه شـتٌه ِکجؿ سد تمع ِث ٍس ٖعلاٍ

ذثبٗ دَجْث ِثبـه ٕبَّگ ا ٌٖ٘ث ؾ٘پ ٍ لٗذعت ٖطبجتسا .[14]

لئبتؼه ٕاشتث َٕتل ثبتت ُذتًٌص ي٘وخت کٗ ىاٌَع ِثMLP

ط ؾ٘پ ٍ ٕذٌث ِمج

ُذؿ ِتخبٌؿ ٌٖ٘ث صا ٕا ِتعَوجه بتػبػا ٍ

ِتک تتػا ُذتؿ ّٖد ىبهصبػ )ىٍشتپػشپ(ٖطخ ش٘غ ٕبّ ىٍشً

(سَخ ؾ٘پ ٕا ِٗلا ذٌچ سبتخبػ کٗسد

feed forward

شگٗذکٗ ِث)

ذٌتؼّ للته .

ِتک ُداد ىبتـً ٖثشجت ٕبّدشثسبک ٖتل٘خMLP

ٕبّسبتخبػ شٗبػ صا شتْث ثبت ذًٌبهANNs

عبعؿ ِٗبپ (ٖ

Radial

basis function

، ) (ٖتتـگصبث ٖجتلع ِکجتؿ

Recurrent neural

network

(ُذًبهصبػ دَخ ِـمً ٍ )

Self-organizing map

ت٘لثبل ،)

لبتػ سد ؾًاسبتکوّ ٍ کتً٘سَّ .دساد اش ا 1997

ىبتـً لاتوع

ٍ ُصاذتًا دسَته سد ر٘حتك ٕبتّ ُداد ٔتئاسا تسَك سد ِک ذًداد ،سبتخبػ شّ ٕش٘گدبٗ ِث سدبلMLP

ُذ٘چ٘پ ٖطخ ش٘غ ثبت ًَِگ

ٖه ُاَخ د تلد حَطػ ٕاشث ٖثبختًا ذؿبث

.[15]

شهوژپ طیحم ٖتللخت قَت ٍ ٖتللخت ىبتػسبو٘ث کٗ ىاشْت تلل ضکشه

ٕاساد ٍ قٍشع ٍ تلل ٖؿصَهآ 457

،لبع تخت 977

سدبتک شفً

ٍ ًٖبهسد 377 ي٘ث ًٖبهص ُصبث سد .ذؿبث ٖه ًٖبهسد ش٘غ سدبکشفً

ٕبّ لبػ 81

ٖ ا 89 ىبتتػسبو٘ث يتٗا سد تخت لبغؿا ذكسد ،

تتػَته سَتتط ِتتث 86

تتتػا ُدَتتث % يتتٗا غتتًاطسٍا ؾتتخث .[16]

ي٘گًب٘ه سَط ِث ىبتػسبو٘ث 177

صا ٍ دساد ِتًاصٍس ٔتع اشه شتفً

ٖته ةَتؼحه ًٖبتتػسبو٘ث غَلؿ ٕبّ غًاطسٍا ٍض ،ث٘ح يٗا .دَؿ لذم یساس هدایپ ٕسبتو٘ث تذؿٍ غًاطسٍا ؾخث ِث ُذٌٌک ِع اشه سبو٘ث داذعت )تَٗ ٍا(

ىاضت٘ه ٓذتٌٌک ي٘ت٘عت لتهاَع يٗشت نْه ،ىاسبو٘ث يٗا ٖته )... ٍ تاضْ٘جت ،سبتػشپ ،کؿضپ( ؾخث يٗا صبً٘ دسَه ثبٌه ،طبتٗشت سد تبتلخـه تتجث صا غپ ،دٍسٍ ٍذث سد ىاسبو٘ث .ذٌؿبث ا ٕسبو٘ث تذؿ شوً صا طبٗشت سبتػشپ ػَت شث ٍ ُذؿ ٕذٌث تَٗ ٍ

ِتػ ٖتلک سَتط ِث .ذٌٌک ٖه ت بٗسد تهذخ تَٗ ٍا يٗا عبػا يتٗا غتًاطسٍا ِتث ُذتٌٌک ِتع اشه ىاسبتو٘ث ٕاشث تَٗ ٍا ِتػد :تػا ُذؿ ِت شگ شوً سد ىبتػسبو٘ث

تَٗ ٍا(ٖؼًاطسٍا تَٗ ٍا

1 لتخاد ِتث بو٘متؼه ىاسبو٘ث يٗا :)

سد ٕش٘خبتت ت٘تّ ٍ ُذتؿ ُداد لبمتًا غًاطسٍا ؾخث خٍشتؿ

دٍذح ،ٍُشگ يٗا .تؼً٘ صبجه بًْآ ىبهسد 7.5

ىاسبتو٘ث لک %

.ذًش٘گ ٖه شث سد اس ِع بطه دسَه ًٖبهص ٓصبث سد ُذٌٌک ِع اشه تَٗ ٍا(لابث تَٗ ٍا

2 ،کتؿضپ تتٗضٍٗ صا غتپ ىاسبتو٘ث يٗا :)

ىبتهص تذته ٍ ذتًش٘گ ٖته ساشتل ًٖبتهسد ٕبّ تجلاشه تحت بًْآ ىبهسد خٍشؿ ٕاشث لَجل لثبل سبوتًا 15

يٗا .تػا ِم٘لد

دٍذح ،ٍُشگ 36

ًٖبتهص ٓصبتث سد ُذٌٌک ِع اشه ىاسبو٘ث لک %

.ذًش٘گ ٖه شث سد اس ِع بطه دسَه

(4)

ٍماىلصف

.

. ?>

تَٗ ٍا(ٖ َوعه تَٗ ٍا

3 ،کؿضپ تٗضٍٗ صا غپ ىاسبو٘ث يٗا :)

تبهاذتلا شٗبتػ مبتجًا ِتث ِ٘تكَت بتٗ ٍ ٖتٍٗساد تاسَتػد بث سبتوتًا ىبهص تذه ٍ ذًَؿ ٖه ق٘خشت ،ًٖبهسد ت ٖل٘خـت بًْآ ٕاشث لَجل لثبل 25

دٍذح ،ٍُشگ يٗا .تػا ِم٘لد 63.5

%

سد اس ِتع بطه دسَه ًٖبهص ٓصبث سد ُذٌٌک ِع اشه ىاسبو٘ث لک .ذًش٘گ ٖه شث فٗشعت

"

تَٗ ٍا

"

ىاشتْت تتلل ضتکشه غتًاطسٍا ِت٘وک ػَت

سبوتًا ىبهص تذه .تػا ُدَث ٖولع ثبٌه شث ٌٖتجه ٍ ُذؿ مبجًا ا صا کٗ شّ ٕاشث لَجل لثبل ٗاشتؿ عبتػا شتث ضتً٘ بتّ تتَٗ ٍ

ُذؿ ي٘٘عت ِت٘وک ي٘وّ ػَت ٍ ىبتػسبو٘ث تبًبکها ٍ دَ َه ٕبتّ تتَٗ ٍا بث ُذٌٌک ِع اشه ىاسبو٘ث داذعت ذكسد تٗبًْ سد ٍ سد غًاطسٍا ؾخث ٓداد ُبگٗبپ سد ُذؿ تجث ٕبّ ُداد صا ،فلتخه .تػا ُذهآ تػد ِث ِع بطه دسَه ًٖبهص ُصبث دٍسٍ َٕگ ا ٌٖ٘ث ؾ٘پ ٖجتلع ِکجتؿ صا ُدبفتتػا بتث سبتو٘ث

سبتـتًا غپ( ٕش٘گدبٗ نتٗسَگ ا ٍ ذ٘ئَوگ٘ػ لبمتًا ثبت بثMLP

عبتتػا شتتث ٍٕبتتک ُداد ذتتٌٗآش .تتتػا ُذتتؿ مبتتجًا )بتتطخ

ٕطَ ٍذته

CRISP

ساض ا مشً صا ُدبفتػا بث ٍ

Clementine12.0

ِک

ىَتچ ٖتفلتخه ٕبتّض٘ بًآٍ ُدَتث ٍٕبتک ُداد ٕبّساضثا صا ٖکٗ

د ،ٖجلع ِکجؿ ٖته ًٖبج٘تتـپ اس ...ٍ ىَ٘تػشگس ،ن٘ولت تخس

.تػا ِت شگ تسَك ،ذٗبوً

:ذؿبث ٖه شٗص ت٘تشت ِث سبک مبجًا لحاشه 1 . ُداد ُبتگٗبپ سد ُذتؿ تجث ٕبّ ُداد لک :بّ ُداد ٕسٍآ و

لبػ شخآ ِّبه ِػ ًٖبهص ُصبث سد غًاطسٍا ؾخث 1389

،ٕد(

ِتت شگ ساشتل ُدبفتتػا دسَته ِتع بطه يٗا سد )ذٌفػا ٍ يوْث ِتث َتثشه تبعلاطا لهبؿ بّ ُداد يٗا .تػا 11797

سبتو٘ث

.تػا ُدَث غًاطسٍا ِث ُذٌٌک ِع اشه 2 . ٖتػسشث دسَته ،بتّ ُداد ت٘ف٘ک :بّ ُداد ؽصادشپ ؾ٘پ مبجًا

(ضًَٗ ٕاساد ِک ٖٗبّ ُداد ٍ ِت شگ ساشل

noise

تشتپ بتٗ ُدَتث )

ِ بتضا بتّ ُداد کت٘کفت ٕاشث ٖٗبّذل٘ ٍ ذًذؿ فزح ،ذًدَث ِتث .ذٗدشگ ،ِتتفّ صٍس لهبتؿ ٖٗبتًْ ٕبّذتل٘ تت٘تشت يتٗا

سبتتو٘ث داذتتعتٍ ِتتع اشه تعبتتػ ،ىدَتتث لتت٘طعتش٘غٍ لتت٘طعت ُسبوؿ ٕبّ تَٗ ٍاصا کٗشّ بث ُذٌٌک ِع اشه 1

ٍ 2

ٍ 3 ُذتؿ

.تػا 3 . ِتث ِ َت بث :بّ تَٗ ٍا صا کٗشّ ٕاشث ٖجلع ِکجؿ لذه ِئاسا ٕبتّ تتَٗ ٍا بتث ُذتٌٌک ِتع اشه سبو٘ث داذعت ىدَث تٍبفته ٖجتلع ِکجتؿ لذته کٗ بّ تَٗ ٍا صا کٗ شّ ٕاشث ،فلتخه لذته ِػ شّ .تػا ُذؿ ِئاسا )لذه ِػ خَوجه سد( ًِبگاذ خَتتً صا ٖجتتلع ِکجتتؿ ٍ ذ٘ئَوگ٘تتػ لبتتمتًا ثبتتت بتتث ،MLP

گ ا .ذٌؿبث ٖه بطخ سبـتًا غپ ٕش٘گدبٗ نتٗسَ

4 . ِت٘لک ٕاشث ،بّ لذه تلد ي٘وخت سَوٌه ِث :بّ لذه ٖثبٗصسا

ٕبّ لذه ٕبطخ كلطه سذل ي٘گًب٘ه ٍ ٌٖ٘وخت تلد ،MLP

لذه

(Mean Absolute Error)

.تػا ُذؿ ِجػبحه اه هتفای

خًَ صا ،ُذهآ تػد ِث ٖجلع ِکجؿ لذه ِػ شّ

ثبت بثMLP

ئَوگ٘ػ لبمتًا داذتعت .ذتؿبث ٖه بطخ سبـتًا غپ نتٗسَگ ا ٍ ذ٘

شتّ ٕاشتث ٖفخه ٕبّ ِٗلا سد بّ ىٍشً داذعت ٍ ٖفخه ٕبّ ِٗلا :تػا حشؿ يٗا ِث بّ لذه صا کٗ

ٖجتلع ِکجؿ لذه ِتع اشه سبتو٘ث داذتعت ٖتٌ٘ث ؾ٘تپMLP

تَٗ ٍا بث ُذٌٌک 1

ٍ ٖتفخه ِٗلا کٗ لهبؿ : 28

ِتٗلا سد ىٍشتً

.تػا ٖفخه ٖجلع ِکجؿ لذه ِتع اشه سبتو٘ث داذتعت ٖتٌ٘ث ؾ٘تپMLP

.تػا ٖفخه ٖتٌ٘وخت تتلد صا ٖجتلع ِکجؿ بث ُذؿ ِتخبػ لذه ِػ شّ

لابث (ٕبتطخ كلطه سذل ي٘گًب٘ه ٍ ُدَث سادسَخشث ٖٗ

بتًْآ )MAE

:ذؿبث ٖه لٗر حشؿ ِث بًْآ ٖثبٗصسا جٗبتً .ذؿبث ٖه ةَلطه لذه

:کٗ تَٗ ٍا بث ىاسبو٘ث ٕاشثMLP

7.727

MAE =

ٍ

ٌٖ٘وخت تلد 96.859=

لذه

:ٍد تتَٗ ٍا بث ىاسبو٘ث ٕاشثMLP

1.371

MAE =

ٍ

لذه

:ِػ تَٗ ٍا بث ىاسبو٘ث ٕاشثMLP

1.755

MAE =

ٍ

تتَٗ ٍا بث ُذٌٌک ِع اشه ىاسبو٘ث داذعت ٌٖ٘ث ؾ٘پ 1،2

ٍ 3

ُسبوتؿ سادَوً سد صٍس ًِبجؿ فلتخه تبعبػ سد 1

ُداد ىبتـً

بتث ،ُدَث ِثبـه بًْآ سبو٘ث دٍسٍ خشً ِک ٕبّ تعبػ .تػا ُذؿ

ٍآ سادَوً سد نّ

تبعبػ ًَِوً ىاٌَع ِث( تػا ُذؿ ُدس 3

، 4 ٍ

5 ،دَؿ ٖه ُذّبـه سادَوً يٗا سد ِک ًَِگًبوّ .)شْ( صا ذعث

تتَٗ ٍا بث ُذٌٌک ِع اشه ىاسبو٘ث داذعت 1

فتلتخه تبعبتػ سد

ٖجتلع ِکجتؿ ٍ ٍٕبتک ُداد کتٌ٘کت صا ُدبفتػا بث صٍس ًِبجؿ سبتو٘ث داذتعت ٖتٌ٘ث ؾ٘تپ .تتػا ُذؿ ٌٖ٘ث ؾ٘پ شفك MLP

ِع اشه تَٗ ٍا بث ُذٌٌک 2

ٍ 3 سد ضً٘ ِتفّ فلتخه ٕبّصٍس سد

سادَوً

2 سد سبو٘ث دٍسٍ خشً ػَته ِؼٗبمه .تػا ُذؿ ُدسٍآ

ُسبوتؿ سادَتوً سد ل٘طعت ش٘غ ٍ ل٘طعت ٕبّصٍس 3

ِتؼٗبمه ٍ

ٖوتػس تلا٘طعت بث ِعو ٕبّصٍس سد سبو٘ث دٍسٍ خشً ػَته ُسبوؿ سادَوً سد 4

شفتك ِتث ِت َت بث .تػا ُذؿ ِئاسا ىدَتث

تَٗ ٍا بث سبو٘ث داذعت 1

سد بتًْآ داذعت ،صٍس فلتخه تبعبػ سد

ُسبوؿ ٕبّسادَوً سد از ٍ ُدَث شفك ضً٘ ِتفّ فلتخه ٕبّصٍس 2،3 ٍ 4 بتث ىبتگشجخ ٔتؼل سد جٗبتتً يتٗا .ذًا ُذـً ُدسٍآ حشتطه غتًاطسٍا ؾخث )ٕسبتػشپ ٍ ٖکؿضپ( ي٘ ٍَؼه سَضح

.ت شگ ساشل ذ٘ٗبت دسَه ٍ ذؿ

(5)

ٍماىلصف

?? ..

رادومن 1 - زور هنابض فلتخم تاعاس رد رامیب دورو خرن طسوتم

رادومن 2 - تیولوا اب نارامیب دورو خرن ینیب صیپ 2

و 3 هتفه فلتخم یاهزور رد

0 0 0 0 0 0 0 0 0 0 0

2

1 1 1

2 3

2 1

4 3

1 0

3 4

5 5

4 4

6 6

0 1 2 3 4 5 6 7

رامیب داذعت

سور هنابش تعاس

تیولوا 9

تیولوا :

تیولوا

;

(6)

ٍماىلصف

.

. ?@

رادومن 3 - تیولوا اب رامیب دورو خرن طسوتم هسیاقم 2

و 3 ریغ و لیطعت یاهزور رد لیطعت

رادومن 4 - یمسر لیطعت یاهزور اب هعمج یاهزور رد رامیب دورو خرن هسیاقم

33 47

69

87

0 20 40 60 80 100 120 140 160

لیطعت یاهزور لیطعت ریغ یاهزور

تیولوا 3

تیولوا رامیب دادعت 2

33 37

69 67

0 20 40 60 80 100 120

هعمج یمسر لیطعت

تیولوا 3

تیولوا رامیب دادعت 2

(7)

ٍماىلصف

?A ..

یریگ هجیتن و ثحب َٕتگ ا ٖتٌ٘ث ؾ٘پ ٕاشث ٍٕبک ُداد کٌ٘کت صا ِع بطه يٗا سد ٍ ُذتؿ ُدبفتتػا ىاشْت تلل ضکشه غًاطسٍا ؾخث ِث سبو٘ث دٍسٍ

َٕتگ ا ِتکٌٗا لٍا .تتػا ِ َت لثبل ِجٌ ذٌچ صا ِلكبح جٗبتً

تتتَٗ ٍا( سبتتو٘ث دٍسٍ

2 ٍ 3 ٕبتتّصٍس سد غتتًاطسٍا ؾتتخث ِتتث )

گ ا ِکٌٗا مٍد ،تػا تٍبفته نّ بث ِتفّ فلتخه سبتو٘ث دٍسٍ َٕ

تٍبفت نّ بث ل٘طعت ش٘غ ٍ ل٘طعت ٕبّصٍس سد غًاطسٍا ؾخث ِث سد غتتًاطسٍا ؾتتخث ِتتث سبتتو٘ث دٍسٍ َٕتتگ ا ِتتکٌٗا مَتتػ ٍ دساد .دساذتً ٖتٍبتفت ٖوتػس لت٘طعت ٕبّصٍس شٗبػ بث ِعو ٕبّصٍس تَٗ ٍا بث غًاطسٍا ؾخث ِث سبو٘ث دٍسٍ َٕگ ا يٌ٘چوّ

1 شفتك

ؾ٘پ سبتو٘ث داذتعت اشٗص ذؿ ٌٖ٘ث ًٖبتهص ٓصبتث سد ٍُشتگ يتٗا ىا

دٍذح بٗ نک سب٘ؼث ؾخث ِع بطه 7.5

لهبتؿ اس ىاسبو٘ث لک صا %

.ذؿ ٖه غًاطسٍا ؾخث ِث ي٘ع اشه داذعت يٗشتـ٘ث ،ِع بطه يٗا جٗبتً

تَٗ ٍا(

2 ٍ 3 يٗشتتوک ٍ ِجٌتؿ ٕبتّصٍس سد اس ِتفّ لَط سد )

شوً ِث .ذٌک ٖه ٌٖ٘ث ؾ٘پ ِعو ٕبّصٍس سد اس ي٘ع اشه داذعت

ٖه تػَت ىبتهسد ِث لٗبوت ذًٌبه ٖفلتخه لٗلاد ِث مدشه ذػس ِت٘لک صا ٕذتٌه ُشْث صا ىبٌ٘وطا ٍ )تًذٗصس ٕب ِث( قلخته ،ىبتتػسبو٘ث ِتث ِتع اشه مبگٌّ سد ًٖبهسد ٍ ٖل٘خـت تبًبکها ِتع اشه ىبتػسبو٘ث ِث ِتفّ ٕسبک ٕبّصٍس سد ذٌّد ٖه ر٘ شت

ٍس سد ِک ًٖاسبو٘ث صا ٖـخث ،ِج٘تً سد .ذٌٗبوً

شٗبتػ ٍ( ِعو ص

ٕبت ِتث ،ذًَتؿ ٖه ٖجلل ٕسبو٘ث نئلاع سبچد )ل٘طعت ٕبّصٍس ٍ ُدشتک لتوحت اس ٕسبتو٘ث ذٌٌک ٖه ٖعػ ،غًاطسٍا ِث ِع اشه داذتعت صا تت٘تشت يتٗا ِتث .ذتٌٌک ِع اشه ىبتػسبو٘ث ِث ذعث صٍس مَتع سد ٍ ُذؿ ِتػبک ِعو ٕبّصٍس سد غًاطسٍا ِث ي٘ع اشه

ٌؿ ٕبّصٍس ي٘ع اشه داذعت ِث ،قَ لٗلاد ِث .دَؿ ٖه ُدٍض ا ِج

ٍ لت٘طعت ٕبتّصٍس سد غًاطسٍا ِث ُذٌٌک ِع اشه ىاسبو٘ث داذعت ِتعو ٕبّصٍس سد َگ ا يٗا ٖ ٍ تػا تٍبفته نّ بث ل٘طعت ش٘غ .دساذً ٖتٍبفت ٖوػس ل٘طعت ٕبّصٍس شٗبػ بث تتَٗ ٍا( سبتو٘ث دٍسٍ َٕگ ا فَلخ سد يٌ٘چوّ

2 ٍ 3 ِتث )

خه تبعبػسد غًاطسٍا ؾخث داذتعت يٗشتتـ٘ث ،صٍس ًِبجتؿ فتلت

تبعبتتػ سد ِتتع اشه 9

ٖتت ا 11 ٍ رجتتك 27 ٖتت ا 23 ٍ تتتؿ

ي٘تث تبعبتػ سد ِع اشه داذعت يٗشتوک 2

ٖت ا 7 ؾ٘تپ رجتك

.دَؿ ٖه ٌٖ٘ث بث خَوجه سد ذٗذ ٕبّ ِت بٗ ِث ِ َت

ؾ٘پ َٕگ ا صا لكبح

شتتـ٘ث ضتْ٘جت بتث ىاَت ٖه ،غًاطسٍا ؾخث ِث سبو٘ث دٍسٍ ٌٖ٘ث تتلخث ؾتتخث ٍ ِجٌتتؿ ٕبتتّصٍس سد ًٖبتتؼًا ٍٕشتتً٘ شتتوً صا فَ

ِع اشه ک٘پ تبعبػ سد مصلا تاذْ٘وت يت شگ شوً سد يٌ٘چوّ

ِتضشع ي٘ث تػبٌت مذع صا ٖؿبً ٖفٌه تبعجت ،صٍس ًِبجؿ شّ سد .داد ؾّبک اس عبؼح ؾخث يٗا سد بضبمت ٍ ؽٍس صا ٕشت٘گ ُشتْث ذتّد ٖه ىبـً ِع بطه يٗا جٗبتً بتٗبًْ

کت ٍ ٌٖ٘ث ؾ٘پ ٕبّ

شت ك٘لد ٕشَٗلت ٔئاسا بث ،ِثبـه ٕبّ کٌ٘

ر٘حك ٕضٗس ِهبًشث ىبکها ،غًاطسٍا ؾخث ٍٕس ؾ٘پ ت٘عضٍ صا تت٘تشت يتٗا ِتث .ذتٗبوً ٖته نّاش اس ثبٌه تػبٌه ق٘لخت ٍ ؾ٘تپ ٕبتّ َتگ ا صا ُدبفتػا بث ذًٌاَت ٖه ؾخث ٖٗاش ا ىاشٗذه نتعا( صبتً٘ دسَته ثبٌه صا ٕشت ك٘لد دسٍآشث ،سبو٘ث دٍسٍ ٌٖ٘ث صا

لثبل تبهذخ ،تٗبًْ سد ٍ ُداد مبجًا )... ٍ تخت ،سبتػشپ ،کؿضپ .ذٌٗبوً ِئاسا ِعهب ِث ٕشت لَجل

Bشهوژپ یاه تیدوذحم يتٗا ؾٍّظپ يٗا ُذوع تٗدٍذحه

ًٖبتهص ٓصبتث ىدشتک ًٖلاَتط ،ًٖبهص تٗدٍذحه ل٘ د ِث ِک دَث شت٘غته ىدَوً ظبح ٍ لبػ کٗ ِث ِع بطه

"

لتل

"

ىاَتٌع ِتث

ش٘غته صا ٖکٗ

.ذـً شٗزپ ىبکها ٖجلع ِکجؿ ٕدٍسٍ ٕبّ

References

[1] Derlet, R. W., Richards, J. R., &Kravitz, R. L.

Frequentovercrowding in US emergency departments. Academic EmergencyMedicine2001;

8(2):151–155.

[2] Carter, M. W., &Lapierre, S. D. Scheduling emergency roomphysicians. Technical Report, Mechanical and Industrial Engineering,University of Toronto1999.

[3] Yi Yeh J, Lin W. Using simulation technique and genetic algorithm to improve the quality care of a hospital emergency department. Expert Systems with Applications 2007; 32:1073–1083.

[4] Jones S, Evans RS, Todd L A.A multivariate time series approach to modeling and forecasting

demand in the emergency department. Journal of Biomedical Informatics2009; 42: 123–139.

[5] Topaloglu, Seyda. A multi-objective programming model for scheduling emergency medicine residents. Computers & Industrial Engineering 2006; 375-388.

[6] Wang C.-W, Sun L.-M., & Jin M.-H. (2007, July 7-11). A Genetic Algorithm for Resident Physician Scheduling Problem.London, England, United Kingdom.

[7] Ahmed M., Alkhamis T. Simulation optimization for an emergency department healthcare unit in Kuwait. European Journal of Operational Research 2009; 198: 936-942.

(8)

ٍماىلصف

.

. @8

[8] Yang C.C, Lin W.T , Chen H.M , Shi Y.H.

Improving scheduling of emergency physicians using data mining analysis. Expert Systems with Applications 2009; 36:3378–3387.

[9] Chen H, Chuang C, Hsieh H, Yang Y, Wud T, Chen P.Exploring the risk factors of preterm birth using data mining. Expert Systems with Applications2010.

[10] Phillips-Wren G, Sharkey Ph, MorssDy S.

Mining lung cancer patient data to assess healthcare resource utilization. Expert Systems with Applications 2008; 35:1611–1619.

[11] Chang C, ChenC. Applying decision tree and neural network to increase quality of dermatologic diagnosis. Expert Systems with Applications 2009;

36:4035–4041.

[12] Efendigil T, Onut S, Kahraman C. A decision support system for demand forecasting with

artificial neural networks and neuro-fuzzy models:

A comparative analysis. Expert Systems with Applications2009; 36:6697–6707.

[13] Liao S, WenCh .Artificial neural networks classification and clustering of methodologies and applications – literature analysis from 1995 to 2005. Expert Systems with Applications 2007;

32:1–11.

[14]Panahiazar M, “Data mining For Forecasting purpose” M.D Thesis, Sharif University,1385; 29- 30.

[15]DelenD, FullerCh, McCannCh, RayD. Analysis of healthcare coverage: A data mining approach.Expert Systems with Applications 2009;

36:995–1003.

[16]Comparative report of Tehran Heart Center:1380- 1388, Internal Report.

(9)

Predicting A Pattern of Patient Arrival at Emergency Department by Using Data Mining Technique and Neural Network Model

Afshar Kazemi .M.A¹ , Bigdeli .N² , Manoochehri .J³, Jenab .Y⁴ Submitted: 2012.10.20 Accepted: 2013.5.22

Abstract:

Background: Emergency department (ED) is the first place for providing diagnostic and therapeutic services to emergency patients. Due to importance of speed and accuracy in providing services; the proper allocation of resources, the department must consider this matter in a particular way. Planning Emergency resources implements regardless of patient overcrowding which occurs at different times.

In conclusion the emergency department may faces lack of resources and it results in delay of providing services, a whole mess in functions and decreasing in quality of services. This study is aimed to overcome these problems by suggesting a model for predicting the number of arrival patients at ED.

Materials and Methods: The number of arrival patients is predicted based on the data colleted by counting arrival patients and using the data mining technique and neural network model (Multi-layer Perceptron).

Results: The number of arrival patients during whole days of a week and 24 hours a day were calculated by sorting out 1, 2 and 3 priorities . The highest number of arrival patients counted was for Saturdays and the lowest for Fridays. Holidays and non-holidays` number of arrival patients differ . The number of arrival patients on formal holidays was similar to Fridays. The highest number of arrivals was between 9 am and 11 and also between 20 pm and 23 pm and the lowest arrivals was between 2 am and 7 am.

Conclusion: prediction the number of ED arrival patients can be used for estimating required sources and distributing them appropriately and improving quality of services.

Keywords: Data Mining; Neural Network; Predicting; Emergency Department.

1 Associate Professor, Department of Industrial Management , Facaulty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran .

2MSc, Department of Industrial Management ,Facaulty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran( Corresponding author) E-mail address: [email protected]

3 PhD, Department of Emergency, Head of Quality Management Unit, Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran

4 Assistant Professor,Cardio-Vascular Group, Department of Hospital Quality Improvement , Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran