arXiv cs.AI· Dahai Yu, Lin Jiang, Rongchao Xu, Guang Wang·· 12 小时前AI 评分22
HealthMamba：面向医疗设施就诊量预测的不确定性感知时空图状态空间模型
HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction
AI 导读
HealthMamba 是一个不确定性感知的时空框架，用于准确可靠地预测医疗设施就诊量，包含统一时空上下文编码器、图状态空间模型 GraphMamba 和集成三种机制的不确定性量化模块。在加州、纽约、得州和佛州四个大规模真实数据集上，其预测准确率较 SOTA 基线提升约 6.0%，不确定性量化提升 3.5%。该工作发表于 IJCAI 2026。
正文 · AI 翻译
摘要：医疗机构就诊量预测对于优化医疗资源配置和指导公共卫生政策至关重要。尽管已有先进的机器学习方法被用于提升预测性能，但现有工作通常将该任务建模为时间序列预测问题，未考虑不同类型医疗机构之间内在的空间依赖关系，也无法在突发公共卫生事件等异常情况下提供可靠的预测。为推进现有研究，我们提出 HealthMamba，一个具有不确定性感知的时空框架，用于准确且可靠的医疗机构就诊量预测。HealthMamba 包含三个关键组件：(i) 统一时空上下文编码器，融合异构的静态与动态信息；(ii) 一种新颖的图状态空间模型 GraphMamba，用于分层时空建模；(iii) 一个综合不确定性量化模块，集成三种不确定性量化机制以实现可靠预测。我们在来自加利福尼亚州、纽约州、得克萨斯州和佛罗里达州的四个大规模真实世界数据集上评估 HealthMamba。结果表明，与最先进的基线相比，HealthMamba 在预测准确率上提升约 6.0%，在不确定性量化上提升约 3.5%。
| 评论： | IJCAI 2026 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.05286 [cs.LG] |
| （或 arXiv:2602.05286v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.05286 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Dahai Yu [查看邮箱]
[v1]
2026年2月5日星期四 04:14:27 UTC（5,453 KB）
[v2]
2026年3月4日星期三 05:10:59 UTC（5,449 KB）
[v3]
2026年5月21日星期四 03:03:56 UTC（5,448 KB）
[v4]
2026年10月21日星期三 03:40:22 UTC（345 KB）
来源：arXiv cs.AI · arxiv.org