基于机器学习与深度学习模型的面向 SLA 的医院运输作业事件驱动双任务预测

《Applied Sciences》：Event-Based Dual-Task Forecasting for SLA-Oriented Hospital Transport Operations Using Machine and Deep Learning Models Murat Ak?n

　　

服务等级协议（SLA）合规性在医院运输流程中对患者安全、服务连续性及资源效率至关重要。然而，运输请求以不规则事件形式发生，限制了等间距时间序列假设的适用性。本研究在一个事件驱动框架下共同解决两个互补目标：预测连续运输请求之间的到达时间间隔（下一事件预测）以及预测前向 SLA 时间范围内的总请求数量（前向计数预测）。研究人员利用来自土耳其一家私立医院运营系统的时间戳运输请求记录（包括患者、样本和物料运输请求），在不同的时间范围和自适应历史窗口下，对比了岭回归（Ridge Regression）、额外树（Extra Trees）和基于直方图的梯度提升（Histogram-based Gradient Boosting）等机器学习方法，以及长短期记忆网络（LSTM）和门控循环单元（GRU）等深度学习架构。结果表明，深度学习方法在短时间范围内的需求计数预测中误差较低；随着时间范围延长，机器学习方法表现相当甚至在某些情况下更优；随着历史窗口增加，下一请求发生的预测误差系统性降低。在 30 分钟时间窗口内的需求预测中获得了最低的请求计数平均绝对误差（MAE）值：物料运输为 2.10，患者运输为 3.88，样本运输为 2.84。此外，在使用 20 个事件的滚动记忆窗口进行下一事件预测时，R²值达到 0.98。总体而言，研究结果表明医院运输需求具有高度可预测性，且基于事件的预测可支持面向 SLA 的人员配置、任务调度及延迟缓解。

**面向 SLA 的医院运输作业事件驱动双任务预测研究解读**

**研究背景与意义**
在现代医疗体系中，服务等级协议（SLA）是界定服务提供方与客户之间预期绩效承诺的关键机制，直接关系到患者安全、服务连续性及资源利用效率。尽管 SLA 广泛应用于云计算、物流等领域，但在医院内部运输场景中，运输请求呈现出不规则的事件流特征，而非传统的等间距时间序列。现有的医疗运营研究多集中于实时监测、静态优化或单一维度的需求预测，往往忽略了将运输请求视为不规则事件流进行建模，且鲜有研究能同时解决“下一事件何时发生”与“特定 SLA 时间窗内有多少请求”这两个互补的预测问题。这种数据动态性与波动性导致的规划滞后，常引发转运延迟、患者满意度下降及运营成本增加。因此，开发一种能够适应不规则事件结构、支持 SLA 导向决策的预测框架显得尤为迫切。本研究旨在填补这一空白，通过构建事件驱动的双任务预测框架，为医院运输的短期人员配置、任务调度及延迟缓解提供数据驱动的决策支持。该研究成果发表于国际期刊《Applied Sciences》。

**研究方法与技术路径**
研究人员采用了一种基于事件的时间序列分析方法，数据源自土耳其一家私立医院运营系统中的 55,784 条经筛选的运输请求记录，涵盖患者、样本及物料三类运输需求。研究核心在于构建了两个预测任务：一是基于自适应滚动记忆窗口（RM=5/10/20）的下一事件到达时间间隔预测；二是基于固定 SLA 相关时间范围（30/60/120 分钟）的前向需求计数预测。在特征工程方面，研究人员引入了循环时间编码（正弦/余弦变换）以捕捉昼夜及周规律，并构建了基于事件历史的多尺度滚动统计量。模型层面，研究系统性地对比了三类机器学习算法（岭回归、额外树、基于直方图的梯度提升）与两类深度循环神经网络架构（LSTM、GRU）。实验设计采用按时间排序的持有验证策略（70% 训练/15% 验证/15% 测试），以避免信息泄露，并使用平均绝对误差（MAE）、均方误差（MSE）及决定系数（R²）作为评估指标。

**研究结果分析**

**跨时间范围的需求预测结果**
针对前向需求计数的预测，研究发现预测误差随时间范围的延长而呈现一致上升趋势，符合不确定性随时间积累的理论预期。在 30 分钟的短时间范围内，能够捕捉时序依赖关系的深度学习模型（LSTM 和 GRU）表现最优，其平均绝对误差（MAE）最低，其中物料运输仅为 2.10。然而，当预测范围延长至 60 至 120 分钟时，机器学习方法的表现逐渐逼近甚至在部分场景下超越深度学习模型。这表明在较长预测视野下，个体事件的顺序依赖性减弱，平均强度特征占据主导地位，使得结构相对简单的机器学习模型更具鲁棒性。

**下一事件预测结果**
在下一事件到达时间间隔的预测任务中，随着滚动记忆窗口（RM）从 5 增加至 20，所有模型类型的预测误差均呈现系统性下降。这一现象证实了更广泛的历史上下文信息对于捕捉到达间隔动态至关重要。值得注意的是，在该任务中，经过适当构建的基于表格特征的机器学习模型（特别是岭回归和额外树）在所有请求类型和历史窗口设置下，其表现均优于基于序列的深度学习方法。当 RM=20 时，模型展现出极高的解释力，R²值高达 0.98，表明模型有效捕捉到了到达时间的均值与变异特征。

**讨论与结论**
研究结果表明，医院运输需求具有显著的可预测性，且模型的选择应取决于具体的预测目标与时间范围。深度学习在处理短期、高波动的需求计数预测时具有优势，而机器学习方法在长周期预测及基于事件历史的间隔预测中表现出色，且计算成本更低、可解释性更强。这一发现挑战了“模型越复杂效果越好”的固有认知，强调了针对不规则事件流进行适当特征表示的重要性。

从运营角度看，该研究提出的框架将 SLA 违规管理从事后统计转变为事前主动干预。短期需求负荷预测可优化排班与资源配置，而下一事件到达时间的精准预测则有助于减少任务分配延迟，提升 SLA 合规率。尽管研究受限于单中心数据且未纳入天气、拥堵等外部上下文变量，但其确立的事件驱动双任务预测范式为未来整合多源数据、开发混合架构及多中心验证奠定了坚实基础。未来工作可进一步探索注意力机制在长程依赖建模中的应用，以及将预测结果实时集成至任务调度系统中的实际效能。