应用于急诊科需求的统一机器学习时间序列预测方法
应用统计
2020-07-15 v1 机器学习
机器学习
摘要
2019年英格兰急诊科(EDs)就诊达2560万人次，较过去十年增加1200万。急诊科持续攀升的需求在维持标准与生产率的同时带来提供适当护理质量的恒定挑战。有效管理医院需求需要充分认知未来入院率。利用伦敦两家大型急症医院8年电子入院数据，我们开发一种新颖集成方法，结合表现最佳的时间序列与机器学习方法结果，以对未来1、3及7天的需求作出高精度预测。两医院日均需求分别为208与106人次且围绕均值波动剧烈。然而，我们的方法能提前一天预测这些急诊科就诊量，平均绝对误差分别为+/-14与+/-10人，对应平均绝对百分比误差为6.8%与8.6%。我们的分析将机器学习算法与更传统的线性模型比较。我们发现线性模型常优于机器学习方法，且以MAE衡量，对1、3或7天任一预测期限的质量相当。除比较并组合最先进预测方法以预测医院需求外，我们考虑两种不同超参数调优方法，使模型更快部署且不损性能。我们相信该框架可轻易用于预测广泛政策相关指标。
引用
@article{arxiv.2007.06566,
title = {A unified machine learning approach to time series forecasting applied to demand at emergency departments},
author = {Michaela A. C. Vollmer and Ben Glampson and Thomas A. Mellan and Swapnil Mishra and Luca Mercuri and Ceire Costello and Robert Klaber and Graham Cooke and Seth Flaxman and Samir Bhatt},
journal= {arXiv preprint arXiv:2007.06566},
year = {2020}
}