Att vänta i köer är en oundviklig del av livet. Att inte veta hur lång väntan kommer att bli kan framkalla ångest. I ett försök att lindra denna ångestkälla, samt för att kunna hantera sina köer, försöker företag ofta uppskatta väntetiden. Detta är särskilt viktigt inom hälso- och sjukvården, eftersom patienterna troligtvis redan upplever någon typ av oro. Syftet med denna uppsats är att jämföra prestandan hos tre olika metoder för att förutspå väntetiden hos en digital vårdstjänst. Två olika maskininlärningsmetoder (ML) samt en simuleringsmetod jämfördes. Utöver detta jämfördes även en kombinationsmetod, som kombinerade den bästa ML-modellen med simuleringsmetoden.
ML-metoderna använde sig av historisk data från patientkön för att skapa en modell som kunde förutsäga väntetiden för nya patienter som ställer sig i kön. Simuleringsalgoritmen imiterar kön i en virtuell miljö och simulerar att tiden går framåt i denna miljö tills den nya patienten som anslöt sig till kön kan tilldelas en ledig kliniker. På detta sätt kan en prediktion av väntetiden ges till patienten. Kombinationsmetoden använde simuleringsprediktionerna som ytterligare indata till den bästa ML-modellen. En Temporal Convolutional Network (TCN)-modell samt en Long Short-Term Memory (LSTM)-modell implementerades och representerade sekvens-modelleringsmetoden (eng: sequence modeling). En Random Forest Regressor (RF)-modell sant the Support Vector Regressor (SVR)-modell implementerades och representerade den traditionella ML-metoden. För att den traditionella ML-metoden skulle få tillgång till tidsdimensionen applicerades förbehandlingstekniken exponentiell utjämning på dess data.
Resultatet visade att det fanns en statistiskt signifikant skillnad i kvadratfelet mellan alla modellerna. TCN-modellen samt simulationsalgoritmen hade lägst medelkvadratfel av de ensamstående modellerna. Både sekvensmodelleringsmodellerna hade lägre medelkvadratfel än de traditionella ML-modellerna. Kombinationsmodellen hade absolut lägst medelkvadratfel, då modellen behöll fördelarna från både ML- samt simuleringsmetoden. Däremot är kombinationsmetoden den metod som kräver mest underhåll. På grund av begränsningarna i studien kan ingen enstaka metod hävdas vara optimal. Resultaten tyder emellertid på att sekvensmodelleringsmetoden kan användas för väntetidsprediktion i ett kösystem, och rekommenderas därför för framtida forskning eller applikationer.