本研究提出了一种新颖的元学习梯度提升方法（Meta-ED），用于提高急诊科访客预测的准确性。通过分析堪培拉医院23年的外生变量数据，Meta-ED实现了85.7%的预测准确率，显著优于现有技术，显示出其在急诊访客预测中的应用潜力。

本文探讨了超参数优化的多种方法，包括基于元学习的自动分析、PED-ANOVA算法、HyperTuner和贝叶斯优化。研究表明，梯度提升和Adaboost分类器效果最佳，并提出了一种以人为中心的交互式优化方法，验证了其在机器学习中的有效性。

本文研究了基于ES-RNN模型和ensemble learning技术相结合的FFORMA方法和Stacking方法在预测中的表现。实验结果表明，FFORMA在late data fusion情况下表现最好，而Stacking能够处理基本模型性能相似的情况。与N-BEATS相比，FFORMA在预测效果上更优。研究表明模型平均是比模型选择和堆叠策略更稳健的集成方法。实验结果还显示，梯度提升在实现ensemble learning策略时表现优越。