HierSTT povezuje prognoze potražnje za hitnom pomoći od bolnice do nacionalnog nivoa
Istraživači su predstavili HierSTT, Transformer okvir koji istovremeno predviđa opterećenje hitnih službi na nivou pojedinačnih bolnica, regiona i cele države.
Jedna prognoza za više nivoa sistema
Planiranje rada hitnih službi zahteva različite prognoze: bolnicama su potrebne lokalne procene za osoblje i krevete, regionima koordinacija više ustanova, a nacionalnim institucijama pregled ukupnih kapaciteta.
HierSTT je predložen kao hijerarhijski Transformer koji u jednom modelu zajednički predviđa potražnju na bolničkom, regionalnom i nacionalnom nivou.
Kako je model složen
Temporal Fusion Transformer modelira nacionalnu dinamiku, dok spatio-temporalni Transformer encoder-decoder moduli obrađuju regionalnu i bolničku potražnju uz uslovljavanje prognozama sa viših nivoa.
Autori dodatno koriste funkciju gubitka koja kažnjava neslaganja između nivoa kako bi prognoze ostale međusobno usklađene.
Rezultati i podaci
U radu se navodi da HierSTT smanjuje prosečni WAPE za 32 odsto u odnosu na najbolji nehijerarhijski deep-learning baseline i nadmašuje klasične metode hijerarhijskog usklađivanja, uz skoro koherentne prognoze između nivoa.
Istraživači su takođe predstavili portugalski skup podataka koji obuhvata 81 bolnicu u pet regionalnih zdravstvenih administracija.
Izvori
Prikazani su izvorni linkovi korišćeni za proveru objavljenih činjenica.
Komentari
Komentari se objavljuju nakon moderacije.
Još nema objavljenih komentara.