시간별 응급실 방문 예측을 위한 ARIMA 기반 초정밀 모델

초록

**
본 연구는 2014년 1월부터 2017년 8월까지의 UnityPoint Health 응급실(hourly) 방문 데이터를 활용해 ARIMA(3,0,0)(2,1,0), Holt‑Winters, TBATS, 인공신경망(NN) 등 네 가지 시계열 모델을 비교하였다. AIC·BIC가 가장 낮은 ARIMA 모델이 ME = 1.001, RMSE = 1.55라는 우수한 예측 정확도를 보이며 최적 모델로 선정되었다. 정상성·자기상관·정규성 검정을 모두 통과했으며, 실제와 예측값이 80‑95 % 신뢰구간 내에 일치함을 확인하였다. 결과는 시간별 환자 흐름을 사전에 파악함으로써 인력 배치와 자원 관리에 실질적 의사결정 지원이 가능함을 시사한다.

**

상세 분석

**
본 논문은 응급실(ED) 과밀 문제를 해결하기 위한 사전 예측 도구로서 ‘시간별(hourly) 환자 도착량’에 초점을 맞춘 점이 차별화된다. 기존 연구들은 주로 일·주·월 단위의 시계열을 다루었으나, 본 연구는 3년 8개월에 걸친 1시간 단위 데이터를 이용해 계절성·추세·불규칙성을 정밀히 분해하였다. 데이터 전처리 단계에서 KPSS, ADF, Box‑Ljung, Jarque‑Bera, Anderson‑Darling 등 5가지 통계 검정을 수행해 시계열의 정상성, 자기상관, 잔차의 정규성을 체계적으로 검증하였다. 특히, 잔차가 정규성을 만족하지 않음에도 불구하고 모델 선택 기준을 AIC·BIC 최소화에 두고, 예측 정확도(ME, RMSE)와 시각적 신뢰구간 일치를 종합적으로 평가한 접근은 실용적이다.

모델 비교에서는 ARIMA 외에도 Holt‑Winters, TBATS, NN을 적용했으며, TBATS와 NN이 어느 정도 성능을 보였음에도 불구하고 ME와 RMSE에서 ARIMA가 현저히 우수했다. 특히, NN은 파라미터 설정 오류 시 과적합 위험이 크다는 점을 언급하며, ARIMA의 해석 용이성과 오픈소스 구현 가능성을 강조한다.

선정된 ARIMA(3,0,0)(2,1,0) 모델은 비계절성 AR(3)과 차분(d=0) 부분, 계절성 차분(d=1) 및 계절 AR(2) 구조를 갖는다. 계수값(ar1=0.159, ar2=0.100, ar3=0.047, sar1=‑0.584, sar2=‑0.274)은 모두 통계적으로 유의하며, 표준오차가 0.005로 매우 작은 편이다. 이는 모델이 데이터의 미세한 변동까지 포착함을 의미한다.

예측 결과는 80 %와 95 % 신뢰구간 내에 실제값이 대부분 포함되는 형태로, 시계열의 변동성을 충분히 반영한다. 그러나 모델이 날씨, 전염병, 교통 혼잡 등 외생 요인을 고려하지 않았다는 점은 한계로 지적된다. 또한, 데이터가 Iowa 주의 세 병원에 국한돼 있어 다른 지역·규모의 병원에 대한 일반화 가능성은 추가 검증이 필요하다.

실제 적용 측면에서는 시간별 도착량 예측을 통해 교대 인력 배치, 병상 확보, 급성 환자 트리아지(레벨 4·5) 선제적 준비 등에 활용할 수 있다. 특히, 예측 정확도가 1명 수준의 오차에 머무르는 점은 운영 효율성을 크게 향상시킬 잠재력을 가진다. 향후 연구에서는 외생 변수 통합, 다기관 데이터베이스 구축, 실시간 예측 시스템 구현 등을 통해 모델의 확장성과 실시간 의사결정 지원 능력을 강화할 필요가 있다.

**