基于GWO-SVR的冠心病住院费用预测

张 慧，贺 松，张 硕，黄 旭，席欢欢

（1贵州大学 大数据与信息工程学院，贵阳 550025；2贵州大学 医学院，贵阳 550025）

0 引 言

随着健康中国战略的不断推进，人们更加注重医疗卫生建设，全面提高全民健康水平已成为各方关注的焦点。但就目前来看，中国医疗费用持续攀升，“看病难，看病贵”依然是医疗卫生事业改革的痛点和难点［1］。冠心病是全球死亡率最高的疾病之一，据世界卫生组织2011年的报告指出，中国的冠心病死亡人数已列世界第二位，且发病呈年轻化趋势［2］。因此，研究冠心病住院费用的增长趋势，分析影响病人住院费用的显著影响因素，运用机器学习算法对住院费用进行精准预测，对协调提升全民健康水平和合理控制医疗费用增长具有重大意义。

支持向量机（Support Vector Machine，SV是M）对于非线性问题具有较强的拟合能力，简单且泛化能力好，有较强的鲁棒性［3］。但通常在选取最优核函数时，存在许多随机性，经常无法达到良好的预测效果［4］。目前常用的参数优化算法主要有：差分进化算法（Genetic Algorithms，DE）［5］、粒子群优化算法（Particle Swarm Optimization，PSO）［6］和布谷鸟搜索算法（Cuckoo Search，CS）［7］等。本文采用2014年Mirjalili等提出的灰狼算法GWO（Grey Wolf Optimizer）［8］，对SVM回归模型进行参数优化。相较于上述几种优化算法，灰狼优化算法无论在参数寻优速度方面，还是在预测住院费用拟合效果上都具有突出表现。

1 理论方法

1.1 GWO优化算法

1.1.1 基本原理

GWO优化算法的本质就是模拟大自然灰狼群体中严格的等级制度和狩猎行为。通过把灰狼群体划分成α、β、δ、ω4个等级，向猎物进行前进搜索，并依次作为最优解、次优解、次次优解和底层进行数学建模的过程。……