09:49
官方账号arXiv cs.LG@Filipa Lino, Bárbara Tavares, Carlos Santiago, Cláudia Soares, Manuel Marques
推荐理由：如果你关注医疗预测或时间序列，这篇论文的HierSTT模型用一个框架搞定多层级预测，WAPE降了32%，还开源了数据集和代码。
时空建模
共 1 条相关 AI 资讯
7月30日
09:49
急诊部门（ED）面临患者需求不确定、季节性激增等压力，现有方法常独立预测单一层级，导致医院、区域、国家预测不连贯。研究者提出HierSTT，一个基于Transformer的层次化框架，在单一端到端模型中联合预测医院、区域和国家三级需求。该模型使用时序融合Transformer捕捉国家级动态，并通过时空Transformer编码器-解码器模块基于高层预测建模区域和医院需求。在覆盖葡萄牙81家医院、5个区域卫生管理部门的数据集上，HierSTT相比最佳非层次化深度学习基线将平均WAPE降低32%，并优于所有经典层次协调方法。