目的评价自回归移动平均模型(autoregressive integrated moving average model,ARIMA)在预测门诊输液人次中的作用,为医疗资源配置提供依据。方法对某医院门诊部治疗室2003年1月至2007年12月的门诊输液患者进行统计分析,并使用SAS的AR...目的评价自回归移动平均模型(autoregressive integrated moving average model,ARIMA)在预测门诊输液人次中的作用,为医疗资源配置提供依据。方法对某医院门诊部治疗室2003年1月至2007年12月的门诊输液患者进行统计分析,并使用SAS的ARIMA过程预测模型对2008年度门诊输液人次进行预测。结果5年间门诊输液人次逐年增加,在各年度内存在波峰和波谷;不同年度每月门诊量有明显变化,但2月份均为门诊输液人次的低谷期。预测2008年门诊输液人次将明显增加,并呈现出季节性。结论ARIMA模型可以合理预测各月门诊输液人次的变化,为医疗资源配置提供重要依据。展开更多
交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensatio...交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.展开更多
文摘目的评价自回归移动平均模型(autoregressive integrated moving average model,ARIMA)在预测门诊输液人次中的作用,为医疗资源配置提供依据。方法对某医院门诊部治疗室2003年1月至2007年12月的门诊输液患者进行统计分析,并使用SAS的ARIMA过程预测模型对2008年度门诊输液人次进行预测。结果5年间门诊输液人次逐年增加,在各年度内存在波峰和波谷;不同年度每月门诊量有明显变化,但2月份均为门诊输液人次的低谷期。预测2008年门诊输液人次将明显增加,并呈现出季节性。结论ARIMA模型可以合理预测各月门诊输液人次的变化,为医疗资源配置提供重要依据。
