基于X-13ARIMA-SEATS分解组合模型的血小板供应预测分析与优化策略

本研究针对血小板供应链管理中供需失衡的核心问题，提出了一种融合X-13ARIMA-SEATS分解技术与ARIMA/TimeGPT/SNAIVE组合模型的预测方法。通过滚动窗口加权MAPE评估体系，验证了该模型在浙江省血液中心血小板数据中的优越性（加权MAPE 5.402%），显著优于传统ARIMA、Prophet等单一模型，为应对突发公共卫生事件（如COVID-19）下的血液资源优化提供了新范式。

　　

在医疗资源管理领域，血小板供需矛盾始终是困扰血液中心的难题。这种仅能保存5天的特殊血液成分，既面临临床需求激增的压力，又受制于过期浪费的风险。传统预测方法如加权移动平均或Holt-Winters指数平滑，往往难以捕捉疫情等突发事件导致的序列突变，而ARIMA模型虽能提升精度，却存在参数选择局限性和短期预测的固有缺陷。更关键的是，现有评估指标MAPE无法全面反映模型在异常时期的稳健性——这正是2020年COVID-19大流行期间血小板管理暴露出的致命短板。

浙江省血液中心的研究团队在《Indian Journal of Hematology and Blood Transfusion》发表的研究中，创新性地将经济学领域的X-13ARIMA-SEATS季节调整方法引入血液管理。该方法将2006-2023年的血小板供应序列分解为趋势项T_t、季节项S_t和残差项I_t三部分，分别采用ARIMA、TimeGPT和SNAIVE进行组件建模，并通过滚动窗口机制动态评估预测效果。特别值得注意的是，团队设计了指数衰减加权MAPE指标（衰减因子α=0.8），使模型在2020年疫情突增期仍保持9.0-11.0%的误差可控范围。

关键技术层面，研究主要运用：1）X-13ARIMA-SEATS序列分解技术处理非平稳时间序列；2）Hyndman-Khandakar算法实现ARIMA参数自动优化；3）60个月滚动窗口宽度配合12个月步长的动态验证框架；4）融合指数衰减函数的加权MAPE评估体系。数据来源于浙江省血液中心长达18年的月度血小板供应记录，春节等特殊时点作为外生变量纳入分析。

方法学创新
通过图4展示的序列分解结果可见，趋势项呈现稳定上升态势，季节项具有明显周期性特征，而残差项在疫情期间出现显著波动。这种分解使得ARIMA在趋势预测（加权MAPE 2.562%）和季节项拟合（1.084%）中展现优势，而MEAN模型对残差项的捕捉效果最佳（3.279%）。

模型比较
如表2所示，ARIMA(Trend)×ARIMA(Seasonal)组合以5.402%的加权MAPE显著优于单一模型。值得注意的是，Prophet模型虽具备分解能力（加权MAPE 6.040%），但仍不及组合模型的精度，而TimeGPT因无法处理季节突变表现最差（10.092%）。

异常事件响应
表4中2020年的预测误差突增现象，揭示了传统模型在疫情冲击下的脆弱性。但组合模型通过成分分解，将误差控制在11%以内，远低于TimeGPT同期14.901%的偏差。

稳健性验证
如表3的敏感性分析所示，当衰减因子α在0.1-0.9区间变化时，组合模型的性能排序保持稳定，证实了评估体系的可靠性。

该研究的核心价值在于建立了兼顾精度与鲁棒性的血小板管理决策系统。其分解组合框架不仅能适应常规需求波动，更可有效缓冲突发事件冲击——这对我国推进智慧血站建设具有重要实践意义。未来研究可进一步探索LSTM等深度学习算法在残差项预测中的应用，或结合GARCH模型改进异方差性问题。正如作者Changhong Kong团队强调的，这种方法论创新为血液制品之外的其他短保质期医疗资源管理提供了可复用的技术范式。