基于SIDW-SSA-LSTM的门诊量预测

医院门诊量本质上是一种具有潜在规律的时间序列，通过对门诊量进行有效分析和预测，可以更加科学、合理地配置医疗资源。针对门诊量波动幅度较大的时间序列预测问题，提出SIDW-SSA-LSTM模型。首先，通过标幺化反距离加权(SIDW)插值修正原始数据，提高了门诊量数据集的可靠性；然后，采用在时序问题处理上具有良好性能的长短期记忆(LSTM)神经网络，并通过寻优能力强、稳定性好的麻雀搜索算法(SSA)对LSTM网络超参数进行优化，得到SIDW-SSA-LSTM模型。对比实验证明，本文提出的方法可以更加精准地对门诊量进行预测和分析，为医院更好地运营管理提供了重要依据和决策支持。