关键词：相似日 粒子群 最小二乘支持向量机 门诊量 预测 

摘要：目的针对医院日门诊量预测的非线性和多因素影响等特点,构建基于相似日和粒子群优化(PSO)方法的最小二乘支持向量机(LS-SVM)模型对医院门诊量进行短期预测。方法采集某医院真实日门诊量数据,按照相似日方法将门诊量数据按日类型划分,分别建立粒子群优化的LS-SVM模型对门诊量变化进行预测。结果实验结果表明,该模型测试集预测结果的平均绝对百分比误差(MAPE)最高为6.5821%,最低为5.0978%,平均值为5.9098%,明显优于基于相似日的LS-SVM、SVM方法和非相似日的PSO-LS-SVM、LS-SVM、SVM和ARIMA方法。结论该方法具有较高的预测精度,可作为医院门诊量预测的一种有效方法。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社