Forecasting Teleconsultation Demand Using an Ensemble CNN Attention-Based BILSTM Model with Additional Variables.
Forecasting Teleconsultation Demand Using an Ensemble CNN Attention-Based BILSTM Model with Additional Variables.
复制标题
DOI：
10.3390/healthcare9080992
复制
发表时间：
2021-08-04
期刊：
影响因子：
--
通讯作者：
Li J
中科院分区：
文献类型：
--
作者：
Chen W;Li J
为了提高日常远程会诊需求的预测精度，本研究提出了一种集成混合深度学习模型。提出的基于CNN注意力的集成BILSTM模型（ECA-BILSTM）结合了浅层卷积神经网络（CNN），注意力机制和双向长短期记忆（BILSTM）。此外，根据远程会诊需求的特点，选择额外的变量，并添加到预测模型的输入。为了验证ECA-BILSTM的优越性和附加变量的有效性，两个实际的远程会诊数据集收集在国家远程医疗中心（NTCC）作为实验数据。结果表明，ECA-BILSTM可以显着优于相应的基准模型。并确定了两个关键的额外变量的远程会诊需求预测改进。总体而言，建议的ECA-BILSTM模型与有效的附加变量是一个可行的有前途的方法在远程会诊需求预测。
To enhance the forecasting accuracy of daily teleconsultation demand, this study proposes an ensemble hybrid deep learning model. The proposed ensemble CNN attention-based BILSTM model (ECA-BILSTM) combines shallow convolutional neural networks (CNNs), attention mechanisms, and bidirectional long short-term memory (BILSTM). Moreover, additional variables are selected according to the characteristics of teleconsultation demand and added to the inputs of forecasting models. To verify the superiority of ECA-BILSTM and the effectiveness of additional variables, two actual teleconsultation datasets collected in the National Telemedicine Center of China (NTCC) are used as the experimental data. Results showed that ECA-BILSTMs can significantly outperform corresponding benchmark models. And two key additional variables were identified for teleconsultation demand prediction improvement. Overall, the proposed ECA-BILSTM model with effective additional variables is a feasible promising approach in teleconsultation demand forecasting.
登录
查看更多内容
使用百度搜索指数预测中国登革热疫情。
影响因子：
4.6
作者：
Liu K;Wang T;Yang Z;Huang X;Milinovich GJ;Lu Y;Jing Q;Xia Y;Zhao Z;Yang Y;Tong S;Hu W;Lu J
通讯作者：
Lu J
DOI：
10.3390/ijerph13060613
发表时间：
2016-06-21
影响因子：
--
作者：
Ma Y;Xiao B;Liu C;Zhao Y;Zheng X
通讯作者：
Zheng X
影响因子：
3.2
作者：
Soyiri, Ireneous N.;Reidpath, Daniel D.;Sarran, Christophe
通讯作者：
Sarran, Christophe
影响因子：
4.6
作者：
Huang, Chiou-Jye;Shen, Yamin;Chen, Hsin-Chuan
通讯作者：
Chen, Hsin-Chuan
影响因子：
5.4
作者：
Saghafian, Soroush;Hopp, Wallace J.;Diermeier, Daniel
通讯作者：
Diermeier, Daniel