基于机器学习的区域救护车需求量预测模型的比较

作     者：刘佳 江慧琳 王静 伍卓文 李双明 曾睿 罗一洲 黄海铨 茅海峰 程琦 伍宝玲 陈晓辉 Liu Jia;Jiang Hui-lin;Wang Jing;Wu Zhuo-wen;Li Shang-ming;Zeng Rui;Luo Yi-zhou;Huang Hai-quan;Mao Hai-feng;Cheng Qi;Wu Bao-ling;Chen Xiao-hui

作者机构：广州医科大学公共卫生学院广东广州511495 广州医科大学附属第二医院急诊科广东广州510260 广州医科大学生物医学工程学院广东广州511495 广州市急救医疗指挥中心广东广州510091 广东易生活信息科技有限公司广东广州510375 广州医科大学附属第二医院医疗质量控制科广东广州510260 

出 版 物：《中国急救医学》 (Chinese Journal of Critical Care Medicine)

年 卷 期：2022年第42卷第10期

页      面：893-898页

学科分类：100218[医学-急诊医学] 1002[医学-临床医学] 1010[医学-医学技术（可授医学、理学学位）] 10[医学] 

主　　题：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 

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。