基于Stacking集成学习的急诊患者到达预测

急诊患者到达预测是医生排班的基础,是解决急诊拥堵的关键。现有预测多为单一预测算法,针对每天、每月进行,缺乏更短时间预测。构建基于堆叠法(Stacking)集成学习模型的预测方法,分别以小时、天、周为时间单位,对患者到达进行预测,探究不同时间单位的预测效果。在随机森林(RF)、梯度提升决策树(GBDT)、极端梯度提升树(XGB)、Light GBM(LGB)、支持向量回归(SVR)、K近邻学习(KNN)中选择预测效果较佳的方法作为Stacking集成的初级学习器,以线性回归作为次级学习器,进行集成预测。在上海某三甲综合医院的急诊数据集上,考虑气温、降雨、空气质量、节假日等变量预测,试验表明多项指标上,Stacking集成方法优于单模型。预测时间长度越长,预测效果越好。