徐 佩, 樊重俊, 朱人杰, 黄 耐

（1.上海理工大学 管理学院，上海 200093；2.同济大学附属东方医院，上海 200120）

2019 年末我国武汉地区爆发新型冠状病毒肺炎，由于爆发在春运期间，严重性不言而喻。举全国之力共抗疫情，但在武汉地区，医院可供床位却远远不足。虽然这属于突发事件，但同时说明对医院住院量的研究非常必要，通过对医院住院量未来动态变化的预测研究，可以提高医院床位的使用率，合理配置各科室医疗床位，最大限度发挥现有医疗资源的作用。

在医疗床位的预测方法中，时间序列预测方法是较为常用的预测方法，并在多种实际应用场景中预测效果较好[1]。2008 年徐建伟[2]建立了贝叶斯正规化BP（back propagation）神经网络，对医院床位数据进行拟和预测，并与指数平滑和自回归模型进行比较，实验结果表明，贝叶斯正规化BP 神经网络模型较传统模型预测的精度更高一些。2013 年龙会典等[3]建立了由自回归移动平均模型（ARIMA）、灰色动态模型（GM 模型）和BP 神经网络集成的时间序列预测模型。首先建立GM（1，1）模型，对序列的趋势项进行预测，然后建立基于ARIMA 和BP 神经网络的组合模型，对序列的周期波动项进行预测，最后利用乘积模型集成两者预测值。实证结果表明，集成模型的预测效果显著高于单一模型。2014 年曹净等[4]提出了一种基于小波变换、粒子群优化的最小二乘支持向量机（PSO-LSSVM）和ARIMA 的基坑变形时间序列预测方法，并成功地应用于昆明某基坑工程的深层水平位移预测中。综合以上研究表明，组合预测模型在不同领域的预测效果均优于单一模型的预测效果。……