# 支持向量回归

急诊科的全容量协议通常在拥挤阈值被突破后才启动，而调配走廊床位、临时护士和限制转入都需要准备时间。一项基于离散事件仿真的评估把预测未来六小时候诊人数的机器学习模型嵌入急诊流程，用预测值提前触发协议。在模拟的一年里，提前启动在三种阈值设置下都显著缩短了超过拥挤阈值的时间与协议平均持续时间，但对平均急诊停留时间和候诊时间的改善未达统计显著。

急诊科的全容量协议通常在拥挤阈值被突破后才启动，而调配走廊床位、临时护士和限制转入都需要准备时间。一项基于离散事件仿真的评估把预测未来六小时候诊人数的机器学习模型嵌入急诊流程，用预测值提前触发协议。在模拟的一年里，提前启动在三种阈值设置下都显著缩短了超过拥挤阈值的时间与协议平均持续时间，但对平均急诊停留时间和候诊时间的改善未达统计显著。

该研究用 MAWS 观测评估 BMKG Ina-Flows 海表温度预报的偏差，并在 Karimun Jawa 与 Bira 两个站点比较 SVR、LSTM、Bi-LSTM 三种机器学习偏差订正算法，发现 Ina-Flows 在两处均存在暖偏差，Karimun Jawa 以 LSTM 最优（RMSE 0.207、MAE 0.182、MBE -0.171，RMSE 降低 29.83%），Bira 以 Bi-LSTM 最优（RMSE 0.218、MAE 0.173、MBE 0.011，RMSE 降低 26.10%），说明订正效果依赖地点、算法选择需依据本地验证。

该研究用 MAWS 观测评估 BMKG Ina-Flows 海表温度预报的偏差，并在 Karimun Jawa 与 Bira 两个站点比较 SVR、LSTM、Bi-LSTM 三种机器学习偏差订正算法，发现 Ina-Flows 在两处均存在暖偏差，Karimun Jawa 以 LSTM 最优（RMSE 0.207、MAE 0.182、MBE -0.171，RMSE 降低 29.83%），Bira 以 Bi-LSTM 最优（RMSE 0.218、MAE 0.173、MBE 0.011，RMSE 降低 26.10%），说明订正效果依赖地点、算法选择需依据本地验证。