基于AI的医疗系统需求预测与负载均衡：案例研究
人工智能
2025-07-09 v1
摘要
本文解决了医疗机构在需求波动下面临的能源管理效率问题。传统方法往往不足，导致效率低下和成本增加。为此，本研究提出一种基于AI的框架，结合长短期记忆网络（LSTM）、遗传算法（GA）和Shapley可加解释（SHAP），专为医疗能源管理设计。尽管LSTM在时间序列预测中广泛应用，但在医疗能源预测中仍鲜有探索。结果显示，LSTM在预测复杂非线性需求模式方面显著优于ARIMA和Prophet模型。LSTM的平均绝对误差（MAE）为21.69，根均方误差（RMSE）为29.96，远优于Prophet（MAE：59.78，RMSE：81.22）和ARIMA（MAE：87.73，RMSE：125.22），表现出色。遗传算法用于优化模型参数并改进负载均衡策略，实现对实时能源波动的自适应响应。SHAP分析进一步增强了模型透明度，通过解释不同特征对预测的影响，促进决策过程中的信任。这种集成的LSTM-GA-SHAP方法为提高预测精度、提升能源效率并促进医疗机构可持续发展提供了稳健解决方案。未来研究可探索实时部署和与强化学习的混合，以实现持续优化。总体而言，本研究为医疗能源管理中的AI应用奠定了坚实基础，突显了其可扩展性、效率和韧性潜力。
引用
@article{arxiv.2507.06077,
title = {AI-Based Demand Forecasting and Load Balancing for Optimising Energy use in Healthcare Systems: A real case study},
author = {Iman Rahimi and Isha Patel},
journal= {arXiv preprint arXiv:2507.06077},
year = {2025}
}