基于多特征集成决策树算法的门诊需求预测

作者：彭俊; 张肖建; 徐超; 谢勇; 项薇^*; 何达

来源：北京生物医学工程, 2021, 40(01): 68-73.

• 门诊需求预测
• 多特征
• GBDT
• 随机森林
• ARIMA

目的为了准确预测医疗门诊需求量,以便医院管理者科学分配关键医疗资源,提高服务效率,本文提出一种基于多特征集成决策树的医疗需求预测模型。方法首先引入了机器学习算法中的梯度提升决策树(gradient boosting decision tree, GBDT)和随机森林(random forest, RF)。考虑外部因素对门诊人数的影响,根据宁波市某妇幼保健院的日产前检查人数的历史数据,引入前一天产前检查人数、时间、节假日、天气等特征,建立多特征日检查人数预测模型。预测结果与经典自回归移动平均模型(autoregressive integrated moving average model, ARIMA)模型进行对比。结果 GBDT、RF和ARIMA模型预测结果的平均绝对百分比误差(mean absolute percentage error, MAPE)分别是14.95%、17.16%、18.53%。结论集成决策树模型在医疗需求预测中具有有效性和可行性,并且预测精度较传统的ARIMA模型高。

• 单位
  宁波大学