在数据稀缺下使用反向传播神经网络进行短期医院口罩需求预测的可行性

为何在危机中口罩规划至关重要

当一种新传染病出现时，医院可能会缺乏诸如医用口罩这类简单但至关重要的物资。订货太少会使医生和护士处于风险之中，而订货过多则会占用资金和存储空间。本文探讨在仅有少量过去数据可用的情况下，一个小型、需数据较少的计算模型是否仍能帮助医院更好地做出关于次日口罩需求的短期预测。

逐日观察医院口罩使用情况

研究人员在中国一家大型医院研究了疫情期间仅24天的口罩使用情况。每个数据点是医院当天使用的口罩总数，不包含任何关于个别病人的信息。这段非常短的记录反映了新暴发早期的情形——管理者必须迅速行动，却几乎没有历史数据可供参考。这些天的需求出现了剧烈的涨落，反映了患者数量、员工行为和防控措施的变化，使得简单的直线预测变得不可靠。

将短期历史转化为学习问题

为了把这24个日计数转换为计算机可以学习的形式，团队使用了滑动窗口方法。他们将每四天连续的口罩使用量划为“输入”，并要求模型预测第五天的口罩使用量作为“输出”。沿时间线移动这个窗口产生了20个此类样本。最早的17天用于训练模型，最后三天留作测试，用以评估模型预测真正未知未来需求的能力，这模拟了医院在实时使用该工具时的情形。

一个简单神经网络与常见方法的比较

主要测试的工具是一个浅层反向传播神经网络，一种由若干连接节点组成的适度结构，能够捕捉数据模式中的弯曲和转折。该网络有一层隐藏层，并使用了常见的训练技巧，如将所有数值缩放到相同范围和在小验证集性能不再提升时提前停止训练。它的任务是学习最近四天的口罩使用与次日之间的联系。研究将该网络与三种标准替代方法进行了比较：一种简单的基线方法——直接重复昨日数值、经典的ARIMA时间序列模型以及一种长短期记忆（LSTM）深度学习模型。

模型对真实口罩使用的追踪表现如何

尽管数据集很小，浅层神经网络快速收敛并产生了稳定的预测。转换回真实口罩计数后，其平均误差约为每天415只，均方根误差约为519只。在该实验中，这优于ARIMA和LSTM模型，并明显优于简单的“明天等于今天”猜测，尤其在需求出现突降或暴涨时。对预测值与实际值的对比在训练和验证数据上显示出高度一致性，而在测试日上的一致性可接受但较弱，这表明模型能跟踪短期趋势，但在应对最剧烈的变化时仍存在困难。

对实际医院的注意事项与后续步骤

作者强调，他们的模型是可行性验证，而非可直接部署的工具。仅来自一家医院的24天数据存在真实风险——网络可能部分地学到了这段短序列的特征而非普遍规律，且存在过拟合迹象。尽管如此，这项工作表明，在数据稀缺时，简单的神经网络在短期指导上可以比多种常见替代方案更有用。对于医院规划者而言，这意味着轻量级模型可以作为暴发早期管理口罩库存的快速权宜之计，待来自多家医院的更长、更丰富的数据可用时再替换或改进。

引用: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

关键词: 医院物资, 口罩需求, 神经网络, 疫情规划, 时间序列预测