基于Dempster-Shafer的新生儿预测：信念马尔可夫链模型提升

本文主要探讨了新生儿预测中基于信念马尔可夫链（Belief Markov Chain, BMC）模型的应用。新生儿数量预测在医院管理中具有关键作用，传统的离散时间马尔可夫链（Discrete-Time Markov Chain, DTMC）由于其固有的非后效性特性，被视作解决这一问题的一种潜在方法。然而，经典DTMC在处理状态不确定性时存在局限性，特别是当状态空间并非离散时，可能导致预测结果不稳定。 为了解决这一问题，作者提出了一个结合经典DTMC与Dempster-Shafer证据理论的新方法。Dempster-Shafer理论以其在表达不确定性方面的强大能力而著称，这使得提出的BMC模型能够适应各种不确定性情境，从而对经典DTMC模型进行显著的改进和优化。通过这种方法，模型不仅考虑了状态的可能变化，还能更好地处理概率分布中的模糊性和不完全信息。 文章通过一个实际案例展示了所提BMC模型的有效性，它在处理复杂的新生儿数量预测问题时，能提供更准确、稳定的预测结果。此外，文中还进行了详细的对比分析，将所提出的BMC模型与传统的DTMC以及采用模糊状态修正的DTMC模型进行了比较，结果表明BMC模型在处理不确定性方面具有明显的优势。 这篇文章的主要贡献在于提出并验证了一个新的数学工具——信念马尔可夫链，它通过融合马尔可夫链的动态系统概念和Dempster-Shafer证据理论的不确定性处理技术，为新生儿数量预测问题提供了更为精确和可靠的解决方案。这种创新的方法对于医院管理者来说，意味着更有效的资源规划和更好的决策支持。