Компьютерные науки > Машинное обучение [представлено 29 июля 2026 (v1), последнее пересмотренное 16 сентября 2026 года (эта версия, v2)) Название: Hierarchical Spatio-Temporal Transformer for Coherent According View PDF HTML (экспериментальное) резюме: чрезвычайные департаменты (EDs) являются критическими пунктами доступа в системы здравоохранения, однако они сталкиваются с постоянным давлением изза непредсказуемого спроса пациентов, сезонных резких колебаний и нескоростного посещения. Для эффективного планирования в области ДР требуются прогнозы на различных уровнях принятия решений: больницы нуждаются в оценках местного спроса для кадрового обеспечения и управления койками, регионы - в прогнозах для координации деятельности медицинских подразделений, а национальные органы власти должны иметь общесистемные прогнозы для планирования потенциала. Однако большинство существующих подходов предсказывают спрос на ЭД независимо друг от друга на одном уровне, игнорируя иерархию связей между больницами, регионами и национальными системами. Это может привести к несогласованным прогнозам, когда прогнозы на уровне больниц не будут последовательно сопоставляться с региональным или национальным спросом. Мы предлагаем HierSTT, иерархическую трансформационную систему для последовательного многоуровневого прогнозирования электронного развития. АйрСТТ совместно предсказывает спрос на больничные услуги, услуги регионального и национального уровней в рамках единой модели. Временная модификация…
Иерархическая Спатио-временная трансформаторская программа для совместного прогнозирования чрезвычайных ситуаций в Департаменте
arXiv:2607.27106v2 Annuates Type: заменить резюме: Департаменты по чрезвычайным ситуациям (ДЭ) являются критическими пунктами доступа в системы здравоохранения, однако они сталкиваются с постоянным давлением из-за непредсказуемого спроса пациентов, сезонных резких колебаний и нескоростного посещения. Для эффективного планирования в области ДР требуются прогнозы на различных уровнях принятия решений: больницы нуждаются в оценках местного спроса для кадрового обеспечения и управления койками, регионы - в прогнозах для координации деятельности медицинских подразделений, а национальные органы власти должны иметь общесистемные прогнозы для планирования потенциала. Однако большинство существующих подходов предсказывают спрос на ЭД независимо друг от друга на одном уровне, игнорируя иерархию связей между больницами, регионами и национальными системами. Это может привести к несогласованным прогнозам, когда прогнозы на уровне больниц не будут последовательно сопоставляться с региональным или национальным спросом. Мы предлагаем HierSTT, иерархическую трансформационную систему для последовательного многоуровневого прогнозирования электронного развития. АйрСТТ совместно предсказывает спрос на больничный, региональный и национальный уровень в стиле