|
Title
|
بهبود دقت پیش بینی تعداد بیماران با استفاده از یک مدل پیش بینی سراسری مبتنی بر یادگیری جمعی
|
|
Type of Research
|
Presentation
|
|
Keywords
|
سری زمانی ، پیش بینی سراسری ، یادگیری جمعی ، شبکه پیچشی زمانی ، خدمات پزشکی
|
|
Abstract
|
در حوزه های مختلف نظیر خرده فروشی، گردشگری، انرژی، خدمات پزشکی حجم قابل توجهی از داده های سری زمانی تولید می شود. مدل های پیش بینی سراسری (GFMs) به طور موثر برای آموزش یک مدل واحد با استفاده از اطلاعات سری های زمانی متعدد مورد استفاده قرار گرفته اند. یکی از چالش های اصلی در مدل سازی سراسری، تاثیر وزن های اولیه تصادفی بر عملکرد شبکه های عصبی است که منجر به پیش بینی های متفاوت در اجرای چندباره یک مدل با معماری و هایپرپارامترهای متفاوت می شود. به بیان دیگر، یک مدل شبکه عصبی منفرد در اجراهای متعدد نتایج متفاوتی ارائه می دهد. برای کاهش تاثیر وزن های اولیه تصادفی، افزایش دقت پیش بینی و ارتقای استحکام مدل، این مطالعه یک رویکرد یادگیری جمعی ارائه می کند. در این روش، به جای آموزش یک مدل منفرد، مجموعه ای از مدل های پیش بینی آموزش داده می شود و خروجی های آنها با استفاده از عملگرهای تجمیع نظیر عملگر میانه و میانگین ترکیب می شوند. برای ارزیابی دقت روش پیشنهادی، آزمایش های گسترده ای بر روی مجموعه داده ی Hospital انجام شد. نتایج نشان می دهد که روش پیشنهادی در مقایسه با مدل های منفرد و مدل های مرجع نظیر مدل های سنتی مانند اتورگرسیون یکپارچه میانگین متحرک (ARIMA)، شبکه های بازگشتی عمیق، و مدل های یادگیری عمیق نظیر N-BEATS، در معیارهای خطای میانگین درصد مطلق متقارن (sMAPE) و خطای مقیاس شده مطلق (MASE) عملکرد بهتری ارائه می دهد.
|
|
Researchers
|
Hossein Abbasimehr (First Researcher)
|