基于机器学习的区域救护车需求量预测模型的比较

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.

关键词：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

所属期刊栏目：42

分类号：TP181;TP391;S

在线出版日期：2022-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：893-898