arXiv 2026年7月30日该工作提出HierSTT，一个端到端的分层Transformer框架，用Temporal Fusion Transformer建模国家级急诊需求、用时空Transformer编码器-解码器在国家级预测条件下生成区域与医院级预测，并以一致性感知损失惩罚跨层级不一致；同时发布覆盖葡萄牙81家医院、5个区域卫生管理局、含各层级异构协变量的全国急诊数据集，实验报告称相对最佳非分层深度学习基线平均WAPE降低32%，并优于经典分层调和方法，同时给出接近一致的跨层级预测。该工作提出HierSTT，一个端到端的分层Transformer框架，用Temporal Fusion Transformer建模国家级急诊需求、用时空Transformer编码器-解码器在国家级预测条件下生成区域与医院级预测，并以一致性感知损失惩罚跨层级不一致；同时发布覆盖葡萄牙81家医院、5个区域卫生管理局、含各层级异构协变量的全国急诊数据集，实验报告称相对最佳非分层深度学习基线平均WAPE降低32%，并优于经典分层调和方法，同时给出接近一致的跨层级预测。HierSTT：面向急诊科需求的分层时空Transformer与跨层级一致性预测该工作提出HierSTT，一个端到端的分层Transformer框架，用Temporal Fusion Transformer建模国家级急诊需求、用时空Transformer编码器-解码器在国家级预测条件下生成区域与医院级预测，并以一致性感知损失惩罚跨层级不一致；同时发布覆盖葡萄牙81家医院、5个区域卫生管理局、含各层级异构协变量的全国急诊数据集，实验报告称相对最佳非分层深度学习基线平均WAPE降低32%，并优于经典分层调和方法，同时给出接近一致的跨层级预测。该工作提出HierSTT，一个端到端的分层Transformer框架，用Temporal Fusion Transformer建模国家级急诊需求、用时空Transformer编码器-解码器在国家级预测条件下生成区域与医院级预测，并以一致性感知损失惩罚跨层级不一致；同时发布覆盖葡萄牙81家医院、5个区域卫生管理局、含各层级异构协变量的全国急诊数据集，实验报告称相对最佳非分层深度学习基线平均WAPE降低32%，并优于经典分层调和方法，同时给出接近一致的跨层级预测。