關鍵詞：相似日 粒子群 最小二乘支持向量機 門診量 預測 

摘要：目的針對醫院日門診量預測的非線性和多因素影響等特點,構建基于相似日和粒子群優化(PSO)方法的最小二乘支持向量機(LS-SVM)模型對醫院門診量進行短期預測。方法采集某醫院真實日門診量數據,按照相似日方法將門診量數據按日類型劃分,分別建立粒子群優化的LS-SVM模型對門診量變化進行預測。結果實驗結果表明,該模型測試集預測結果的平均絕對百分比誤差(MAPE)最高為6.5821%,最低為5.0978%,平均值為5.9098%,明顯優于基于相似日的LS-SVM、SVM方法和非相似日的PSO-LS-SVM、LS-SVM、SVM和ARIMA方法。結論該方法具有較高的預測精度,可作為醫院門診量預測的一種有效方法。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社