HierSTT：面向急诊科需求的分层时空Transformer与跨层级一致性预测

提出单一端到端的分层Transformer框架，同时预测医院（81家）、区域（5个）与国家三个层级的急诊就诊量，预测窗口为28天、输入窗口为42天。 既有研究多把急诊预测当作单层级孤立问题，或仅在事后做调和；该工作把层级依赖放进同一个模型，采用自上而下的条件化：国家级TFT输出条件化区域解码，区域输出再条件化医院解码。 方法层面给出完整的问题形式化（式1-6）、TFT与时空Transformer编码器-解码器的结构描述，并在真实全国数据上以六个固定随机种子重复实验、报告均值±标准差。

引入一致性感知损失，在训练中以软约束惩罚跨层级不一致，而非事后硬性调和。 经典分层方法（自下而上、自上而下、中间向外、调和）通常在独立生成预测后再施加聚合约束；该工作把一致性项直接加入训练目标（式7-8），对医院→区域、医院→国家、区域→国家三类聚合约束同时施加惩罚。 消融实验在α∈{0,0.3,0.5,0.7,0.99,0.999}上报告平均WAPE与预测侧/真值侧HAgE，α=0.3取得最低平均WAPE 7.06±0.20%，并给出损失项之间87条序列对7个聚合约束的结构性不平衡分析。

发布覆盖葡萄牙全国急诊活动的分层数据集，含81家医院、5个区域卫生管理局及国家级指标，时间跨度为2021年1月1日至2024年4月20日。 该数据集显式保留各层级变量可得性的差异（如空气质量与温度仅区域级、死亡率仅国家级、急诊类型与就诊途径仅医院级），形成跨层级的异构特征空间。 以表格逐项列出各层级可用变量，说明数据来自葡萄牙卫生部公开来源并与空气质量、温度、死亡率等外部数据交叉引用，缺失值用线性插值填补。

在准确性与层级一致性两个维度上同时评估，报告HierSTT在多数层级与聚合转换上取得最优或接近最优结果。 多数先前工作只报告单层级精度；该工作同时使用MAE、RMSE、WAPE与分层聚合误差HAgE（预测侧与真值侧），并指出模型可能在某层级表现好而在另一层级表现差。 扩展结果表给出各模型在各层级的MAE/RMSE/WAPE与三类聚合转换的HAgE；报告医院级WAPE相对N-BEATS降低23%（10.8%对14.1%），区域级MAE相对最佳非分层竞争者降低38%（162.8对261.6），国家级与TFT基本持平。

该结果面向具有明确行政聚合层级的急诊需求预测场景，具体设定为葡萄牙国家卫生服务：81家医院、5个区域卫生管理局、42天输入与28天预测窗口，且训练数据自2021年8月起以规避新冠相关需求偏移。它适用于需要同时向医院、区域与国家三级提供彼此可对齐预测的规划情境，例如人员排班、床位管理与区域协调；其一致性约束依赖“下级之和等于上级”这一聚合定义，因此更适合层级结构清晰、聚合关系明确的系统。

读者可能仍会关注：一致性权重α的取值与损失项数量不平衡之间的关系在其他层级规模下是否同样成立；区域级环境变量因缺乏可靠的医院级测量而只在区域层聚合，这种粒度对医院级预测的影响尚待进一步刻画；定性示例按各层级最低WAPE挑选，因此展示的是较有利的样本；此外，模型对低就诊量医院的尖峰存在低估，闭院日则借助开闭状态变量预测出接近零的需求。这些属于适用范围与后续验证方向，而非结论本身的缺陷。