周愉峰, 彭靖, 白云
旨在针对中国特色的采供血场景, 研究适用于中国国情的血液日采集量高性能预测模型. 首先, 对工作日、节假日、星期、月份、季节、寒暑假及前1天采血量这七个因素进行特征分析, 通过统计分析证明这些因素均显著影响血液采集量. 然后, 提出一种基于卷积神经网络 (convolutional neural networks, CNN)与长短期记忆神经网络 (long short-term memory, LSTM)的CNN-LSTM组合模型, 通过CNN提取数据周期性与局部特征, 并利用LSTM捕捉数据的长期时序依赖关系, 增强特征表达能力. 试验结果证明, 与CNN、LSTM、广义回归神经网络 (generalized regression neural network, GRNN)、反向传播神经网络 (back propagation neural network, BPNN)、 极限学习机 (extreme learning machine, ELM)、季节性自回归积分移动平均模型 (seasonal autoregressive integrated moving average, SARIMA)和线性回归 (linear regression, LR)等方法相比, CNN-LSTM模型对多类因素的时序特征提取最充分, 预测精度最优, 其归一化平均绝对误差 (normalized mean absolute error, NMAE)和归一化均方根误差 (normalized root mean square error, NRMSE) 指标最多分别降低25.80%和26.54%, 决定系数($R^2$) 指标最高提升320.85%. 预测结果可为采供血机构调整采供血计划与库存运作策略提供更为精准的决策参考.
