KAMERA 2nd solution

1. 2nd Solution

2. CHIH-MING CHEN (陳志明)
About ME
Ph.D Student in TIGP-SNHCC
Research Assistant at AS CITI
Research Intern at KKBOX
Advisor: Prof. Ming-Feng Tsai (蔡銘峰)
Advisor: Dr. Eric Yang (楊弈軒)
• CLIP Lab
• MAC Lab
Research, Machine Learning
https://about.me/chewme

3. 資料與⺫⽬目標
競賽說明

4. 資料與⺫⽬目標
競賽說明
2013 2014/08
採⽤用
Morisita-Horn similarity index
作為評量標準。

5. 資料與⺫⽬目標
競賽說明
2013
0
25
50
75
100
JAN. MAY JUNE SEP.
2014/08
0
25
50
75
100
1 11 21 31
採⽤用
Morisita-Horn similarity index
作為評量標準。
資料⾛走勢預測

6. 相對趨勢
瞭解資料性 (1)
觀察⼀一：
假⽇日與⾮非假⽇日有明顯區別

7. 相對趨勢
瞭解資料性 (1)
觀察⼀一：
假⽇日與⾮非假⽇日有明顯區別
觀察⼆二：
時間區間有明顯區別
差距

8. 相對趨勢
瞭解資料性 (1)
假設⼀一：
假⽇日與⾮非假⽇日有明顯區別
假設⼆二：
時間區間有明顯區別

9. 成⻑⾧長趨勢
瞭解資料性 (2)
觀察⼀一：
假⽇日與⾮非假⽇日有明顯區別
觀察⼆二：
時間區間有明顯區別
觀察三：
不同但固定的成⻑⾧長趨勢

10. 假設⼀一：
假⽇日與⾮非假⽇日有明顯區別
假設⼆二：
時間區間有明顯區別
假設三：
不同但固定的成⻑⾧長趨勢
成⻑⾧長趨勢
瞭解資料性 (2)

11. 假設⼀一：
假⽇日與⾮非假⽇日有明顯區別
假設⼆二：
時間區間有明顯區別
假設三：
不同但固定的成⻑⾧長趨勢
成⻑⾧長趨勢
瞭解資料性 (2)
是否為特例？

12. 假設⼀一：
假⽇日與⾮非假⽇日有明顯區別
假設⼆二：
時間區間有明顯區別
假設三：
不同但固定的成⻑⾧長趨勢
假設⼀一：
假⽇日與⾮非假⽇日有明顯區別
成⻑⾧長趨勢
瞭解資料性 (2)

13. 假設⼀一：
假⽇日與⾮非假⽇日有明顯區別
成⻑⾧長趨勢
瞭解資料性 (2)

14. 時間點、成⻑⾧長趨勢
建⽴立模型
觀察⼀一：
假⽇日與⾮非假⽇日有明顯區別
觀察⼆二：
時間區間有明顯區別
觀察三：
不同但固定的成⻑⾧長趨勢

15. 時間點、成⻑⾧長趨勢
建⽴立模型
觀察⼀一：
假⽇日與⾮非假⽇日有明顯區別
觀察⼆二：
時間區間有明顯區別
觀察三：
不同但固定的成⻑⾧長趨勢
根據星期計算平均
根據時間區間計算平均
估算成⻑⾧長趨勢
步驟⼀一
步驟⼆二

16. 步驟⼀一
計算平均
2013
⼀一 ⼆二 三 四 五 六 七 ⼋八 九 ⼗十 ⼗十⼀一 ⼗十⼆二

17. 步驟⼀一
計算平均
2013
⼀一 ⼆二 三 四 五 六 七 ⼋八 九 ⼗十 ⼗十⼀一 ⼗十⼆二
[ ]
禮拜⼀一
08~12
[ ]
禮拜⼀一
20~24
[ ]
禮拜⽇日
08~12
[ ]
禮拜⽇日
20~24
…
86.0 132.0 143.0 167.0 154.0 125.0 70.0 154.0 169.0 86.0 167.0 154.0 125.0 70.0 154.0 169.0
97.0 132.0 136.0 154.0 150.0 102.0 81.0 165.0 166.0 97.0 132.0 136.0 154.0 150.0 102.0 81.0
86.0 132.0 143.0 167.0 154.0 125.0 70.0 154.0 169.0 86.0 167.0 154.0 125.0 70.0 154.0 169.0
97.0 132.0 136.0 154.0 150.0 102.0 81.0 165.0 166.0 97.0 132.0 136.0 154.0 150.0 102.0 81.0

18. 步驟⼀一
計算平均
2013
⼀一 ⼆二 三 四 五 六 七 ⼋八 九 ⼗十 ⼗十⼀一 ⼗十⼆二
[ ]
禮拜⼀一
08~12
[ ]
禮拜⼀一
20~24
[ ]
禮拜⽇日
08~12
[ ]
禮拜⽇日
20~24
…
86.0 132.0 143.0 167.0 154.0 125.0 70.0 154.0 169.0 86.0 167.0 154.0 125.0 70.0 154.0 169.0
97.0 132.0 136.0 154.0 150.0 102.0 81.0 165.0 166.0 97.0 132.0 136.0 154.0 150.0 102.0 81.0
86.0 132.0 143.0 167.0 154.0 125.0 70.0 154.0 169.0 86.0 167.0 154.0 125.0 70.0 154.0 169.0
97.0 132.0 136.0 154.0 150.0 102.0 81.0 165.0 166.0 97.0 132.0 136.0 154.0 150.0 102.0 81.0
平均值

19. 步驟⼆二
估算趨勢
2013
⼀一 ⼆二 三 四 五 六 七 ⼋八 九 ⼗十 ⼗十⼀一 ⼗十⼆二
[ ]
禮拜⼀一
08~12
86.0 132.0 143.0 167.0 154.0 [ ]
禮拜⼀一
08~12
157.0 161.0 108.0 124.0 145.0

20. 步驟⼆二
估算趨勢
2013
⼀一 ⼆二 三 四 五 六 七 ⼋八 九 ⼗十 ⼗十⼀一 ⼗十⼆二
[ ]
禮拜⼀一
08~12
86.0 132.0 143.0 167.0 154.0 [ ]
禮拜⼀一
08~12
157.0 161.0 108.0 124.0 145.0
⼗十⼆二 ⼀一—( ) / ⼀一
= 平均變化程度

21. 結合步驟⼀一、⼆二
最後預測
預測數值 ＝ 估算平均值＋（估算平均值*平均變化程度）
Kernel density estimationTukey Test.
Regression /
Time Series

22. 其他議題
討論
2013 2014/08MISSING
時間不連續

23. 其他議題
討論
2013 2014/08MISSING
2013 2014/01
2014/02
2014/03
時間不連續

24. 其他議題
討論
2013 2014/08MISSING
不容易驗證
2013/082012/08 2014/08

25. 結語
• ⺫⽬目前的結果是否能有效幫助預測未來⼈人⼒力的分配？
• 類似概念可否導⼊入 跨院急診壅塞即時監測系統 的其他功能？
Any Question? :)