基于机器学习的区域救护车需求量预测模型的比较
刘佳1
江慧琳2
王静3
伍卓文2
李双明4
曾睿4
罗一洲3
黄海铨5
茅海峰2
程琦5
伍宝玲6
陈晓辉2
1.511495 广东 广州,广州医科大学公共卫生学院2.510260 广东 广州,广州医科大学附属第二医院急诊科3.511495 广东 广州,广州医科大学生物医学工程学院4.510091 广东 广州,广州市急救医疗指挥中心5.510375 广东 广州,广东易生活信息科技有限公司6.510260 广东 广州,广州医科大学附属第二医院医疗质量控制科
摘要：目的 探讨极限梯度提升(extreme gradient boosting,XGBoost)和长短期记忆网络(long short-term memory,LSTM)算法模型对区域救护车需求量的预测价值,从而选择最优的区域救护车需求量预测模型.方法 收集2009～2018年某大学附属医院共40014条救护车呼叫记录,以及3968条天气数据,构建XGBoost和LSTM预测模型,用平均绝对百分比误差(mean absolute percentage error,MAPE)和平均绝对误差(mean absolute error,MAE)来比较两种模型预测准确性.结果 XGBoost模型和LSTM模型中预测每日救护车需求量的MAPE值分别为24.29％和17.47％,MAE值分别为2.692和2.462,LSTM模型预测的准确性优于XGBoost模型.结论 XGBoost和LSTM网络预测模型对区域救护车需求量均有较好的预测价值,其中LSTM模型预测效果更优.
关键词：救护车需求量极限梯度提升(XGBoost)长短期记忆网络(LSTM)预测模型
论文发表日期：2022-10-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 893-898 )
英文信息