
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在数据匮乏条件下利用反向传播神经网络进行短期医院口罩需求预测的可行性
《Scientific Reports》:Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity
【字体: 大 中 小 】 时间:2026年03月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要早期传染病暴发会给医院的物资供应系统带来巨大压力,尤其是医用口罩等关键防护物资。准确的短期需求预测对于应急准备至关重要;然而,在新疫情初期,历史数据极为有限,这使得许多传统的统计模型和深度学习模型难以应用。本研究旨在探讨在数据极度匮乏的情况下,使用浅层反向传播神经网络来预测医
早期传染病暴发会给医院的物资供应系统带来巨大压力,尤其是医用口罩等关键防护物资。准确的短期需求预测对于应急准备至关重要;然而,在新疫情初期,历史数据极为有限,这使得许多传统的统计模型和深度学习模型难以应用。本研究旨在探讨在数据极度匮乏的情况下,使用浅层反向传播神经网络来预测医院物资短期需求的可行性,并将其性能与常用的统计模型及深度学习模型进行比较。研究采用了中国某三级医院24天的医用口罩消耗量单变量时间序列数据,构建了基于四天滑动窗口的BP神经网络。模型训练采用带提前停止功能的Levenberg–Marquardt算法。预测性能通过均方根误差、平均绝对误差、平均绝对百分比误差以及对称平均绝对百分比误差等指标进行评估,并在与简单持久性模型、ARIMA模型和LSTM模型在相同的一步预测条件下进行对比。尽管样本量有限,该BP神经网络仍表现出稳定的收敛性和较强的预测精度。在去标准化数据上,该模型的RMSE约为519个口罩,MAE为415个口罩,其在短期预测方面的表现优于ARIMA和LSTM模型。回归分析显示,该模型在训练阶段和验证阶段的拟合效果良好,且对未来时间点的预测也具有较好的泛化能力。这些研究结果表明,在疫情初期数据匮乏时,浅层BP神经网络可以为医院物资需求提供有用的短期预测信息。虽然这些结果仅能证明其可行性,还不能直接作为可应用的预测系统,但该方法可作为医院应急资源规划的一种快速、高效的数据分析基础,未来有必要通过更大规模、多中心的数据集进一步验证其有效性。