门诊量是医院运营管理中的重要指标,对于医院管理决策、门诊医疗资源配置具有重要的意义。门诊量的影响因素复杂,且作用方向与程度难以量化,难以通过影响因素来预测门诊量。因此,本文将从时间序列的角度出发去分析门诊量,通过对时间序列预测建模实现门诊量的有效预测。首先,针对门诊量序列数据时间分布的特性,提出了一种改进萤火虫算法（Firefly Algorithm,FA）优化长短期记忆神经网络（Long Short-Term Memory,LSTM）的门诊时序预测模型。此模型以优化LSTM模型的超参数组合为目标,将LSTM模型的超参数作为FA的初始群体,进行迭代寻优,在迭代的过程中,提出了种群多样性增加机制,通过计算FA的种群多样性,判断算法是否陷入局部最优。其次,引入自适应多样性增加机制,有效平衡进化过程中对种群多样性的需求。最后,在迭代后期加入自适应游动参数来避免局部震荡。基于上述改进的FA用于LSTM模型的超参数优化,为LSTM模型匹配最优参数组合,以提高LSTM模型预测的准确性。模型构建完成后,验证了所提预测模型的有效性,并将改进FA优化LSTM的模型应用在甘肃四地高血压疾病与心肺疾病门诊量预测中,取得了良好的预测效果,反映出本文所提算法在一定程度上提高了门诊量的预测精度。其次,重金属污染与疾病之间存在密切关系,这一关系表现在门诊量的波动上。针对重金属污染数据无时序分布的情况,提出通过单因子污染指数计算法评估重金属污染等级,并赋相应权值,将其与其他时序数据串联成向量,变成一个新的时间序列。输入序列复杂化后,为了保证预测的精度,须进行进一步特征提取。因此,提出在改进FA优化LSTM模型的基础上,嵌入多尺度注意卷积特征提取层,建立一个多尺度注意卷积的LSTM门诊量预测模型。多尺度模块基于卷积神经网络（Convolutional Neural Networks,CNN）构建三层平行卷积的CNN网络,设置不同的卷积核捕获输入特征信息。同时嵌入注意力机制模块,实现特征信息的最大检索。多尺度注意卷积层将提取的特征信息,通过全连接层传输给改进的LSTM网络,至此,预测模型搭建完成。最后将本文建立的预测模型与其他模型对比,实验结果表明,本文描述的预测模型在一定程度上提高了预测精度,反映出重金属污染在一定程度上会引起门诊量的波动变化,这将对于人民群众合理就医和医院合理调配医疗资源具有一定的参考意义。