一个基于混合神经网络的模型,用于预测献血

科学领域:

• * 计算智能是一种智能.
• * 医疗信息学 医疗信息学
• * 预测分析 预测分析

背景情况:

• *由于医院需求波动和资源有限,血液站在管理全血库存方面面临挑战.
• *准确预测每日献血数量对于有效的资源分配和确保足够的血液供应至关重要.
• *现有的预测方法可能无法充分捕捉影响献血模式的复杂因素.

研究的目的:

• * 开发和评估一种基于混合神经网络的模型,用于预测每天的全血献血.
• * 提高北京通州区中央血液站献血预测的准确性.
• * 为管理人员提供一个工具,以优化在可变需求下血液资源分配.

主要方法:

• *开发了一种混合模型,SARIMAX-TCN-LSTM,它结合了时间序列分析和深度学习 (时间卷积网络和长短期记忆).
• *使用了2015年1月1日至2021年11月14日的每日全血捐献数据.
• *气象和流行病因素被纳入作为额外的预测因素,以提高预测准确度.

主要成果:

• * 混合SARIMAX-TCN-LSTM模型显著优于传统的时间序列预测方法.
• *与基线相比,该模型显示了两倍的适配效率和33%的根平均平方误差 (RMSE) 降低.
• * 一个废弃实验验证实了模型的结构有效性,并提高了预测准确性.

结论:

• *开发的混合神经网络模型有效地改善了每日献血的预测.
• *这种智能预测方法有助于血液银行管理人员应对突然的需求激增.
• * 该模型有助于优化血液资源管理和分配策略.