根据全国第七次人口普查结果显示,我国60岁以上人口为2.6亿,占比18.7%.相关部门预测,我国老龄化程度将在2025-2030年达到峰值。面对如此巨量的老龄人口,我国现有的养老服务资源与实际需求还极不匹配。相关各方针对未来将要发生井喷的养老需求,如何对养老服务需求进行科学匹配成为一个需要研究和解决的问题。目前专业研究领域针对此方面的研究内容主要集中在个体养老服务需求的分析和预测,使用的数据也比较有限。因此通过某区域真实老龄人口基础信息数据开展养老服务需求预测研究有重要的实际意义。养老服务需求,对个体而言可以是非常具体的某类需要,比如生病时的照料、就医时的陪同、精神方面的慰藉等等。但是对于一座城市而言,就需要政策制定的相关部门考虑整个城市建设多少养老机构床位、配置多少护理人员,以及对哪些社区进行适才化改造等等。政策的制定是一个严谨的过程,需要有大量的数据支持,例如最早在上海十一五规划中提出“9073”模式,即90%的老年人家庭选择自己养老,7%的老人选择社区中或社区周边的容易获取的养老服务,3%的老年人选择入住专业机构运营的养老院或康养机构。9073模式的提出就是通过一个进行了大量调查以及数据分析后的政策呈现。根据以上背景,本文尝试找到一种有效的养老服务需求预测方法,以更高效的对养老服务需求进行预测。围绕老年人养老服务需求预测,本文通过文献梳理,对前人的相关经验进行了学习和总结,梳理了老年人选择养老服务主要受自身照护能力、经济收入、与家人或他人的共同居住方式等影响因素;同时研究学习了机器学习相关算法。选择三种适合对养老服务需求进行分析预测的算法,分别为LightGBM模型、随机森林模型和逻辑回归模型,并对实验过程和结果进行比较分析。根据实验结果对比分析,LightGBM模型、随机森林、逻辑回归模型预测准确率分别为75%、73%和64%,LightGBM模型的AUC、查准率、Fl-score等评价指标也高于随机森林和随机森林模型。在模型效率方面,面对同样的算法任务,LightGBM模型共花费时间为1.6分钟,而随机森林模型花费为20分钟,逻辑回归模型花费时间29分钟。因此LightGBM模型除了在有效提升预测精度,还大幅提升训练的速度。进一步,通过特征贡献度分析发现月可支配收入、年龄、子女数量这三个特征,对模型有显著的影响,这一发现为实际工作中的养老服务推荐提供了可供参考的依据。本文对养老服务需求预测提供了一种新的预测方式,该种预测方式可以一定程度上减少数据的收集,提高预测的效率。本文把LightGBM算法应用于服务需求选择方面和随机森林、逻辑回归算法用于预测老年人的,既增加了服务需求选择的预测范围,又能拓宽LightGBM与随机森林等机器学习算法的应用范围。