融合时域卷积、残差结构和注意力机制的时序预测①

孙思宇,张标标,吴俊宏,马仕强,任 佳

1(浙江理工大学 机械与自动控制学院,杭州 310018)

2(浙江远图互联科技股份有限公司,杭州 310012)

1 引言

随着当前居民医疗需求的迅速增长[1],智慧医疗成为大势所趋.如何通过信息化手段提高医疗管理效率、提升医疗服务质量和安全,已成为医疗领域最关注的焦点.流水量是衡量一家医院经营、管理水平的重要指标之一,准确高效的预测流水数据的长期变化能够为医院的资源分配、工作调度等提供依据,提高医院资源利用率.流水量是一种典型的时间序列数据,可以应用时间序列预测方法进行研究.

时间序列预测方法按照不同研究阶段可以归纳为3 类:传统时序预测方法、基于浅层机器学习的时序预测方法和基于深度学习的时序预测方法.

传统时序预测方法的典型代表为自回归(Auto-Regressive,AR)模型、滑动平均(Moving Average,MA)模型、自回归-滑动平均(AutoRegressive Moving Average,ARMA)模型[2].AR 模型用时间序列中的过去值的线性组合加误差项来表示当前值,MA 模型用随机噪声的线性组合加误差项来表示当前值,ARMA模型是AR 模型和MA 模型的结合.这3 种模型都以时间序列平稳为前提,当时间序列不平稳时,需引入差分方法[3]使序列变为平稳序列,即自回归-差分-滑动平均模型[2].

传统时序预测方法受限于固定的模型框架,且几乎所有模型都是线性的.但现实中时序数据常常表现为非线性特性,线性模型无法很好的拟合非线性数据的变化趋势,使得传统时序预测方法对此类……