[發明專利]一種基于自動深度置信網絡的門診量預測方法及系統

有效

• 申請號: 201610858464.5
• 申請日: 2016-09-28
• 公開（公告）號: CN106407690B
• 公開（公告）日: 2018-05-04
• 發明（設計）人: 朱順痣;劉利釗;王大寒;王琰
• 申請（專利權）人: 廈門理工學院
• 主分類號: G16H40/20
• 分類號: G16H40/20;G06N3/08
• 代理公司: 北京華識知識產權代理有限公司11530
• 代理人: 趙永強

1.一種基于自動深度置信網絡的門診量預測方法，其特征在于，包括以下步驟：

10.從醫院掛號系統收集每天的門診量，得到歷史門診量數據；

20.對所述歷史門診量數據進行微分變換的預處理，得到微分數據；

30.根據所述微分數據自動構建深度置信網絡結構，該深度置信網絡包括輸入層、隱層、輸出層，通過分析所述微分數據的相關性自動計算所述輸入層的節點數目，通過分析所述微分數據的稀疏性自動計算所述隱層的節點數目，并通過使用無監督學習方法進行構建所述輸出層；

40.根據所述歷史門診量數據所對應的不同時間序列對所述微分數據進行聚類，并根據聚類結果進行自動創建分組，得到不同時間序列的分組數據；

50.根據所述分組數據對所述深度置信網絡進行訓練，得到門診量預測模型；

60.調用所述門診量預測模型對指定時間序列進行門診量的預測，根據該指定時間序列獲取對應時間序列的分組數據，并根據該分組數據得到預測結果；

70.對所述預測結果進行所述預處理的逆變換，得到預測門診量；

其中，所述的步驟30中，通過分析所述微分數據的相關性自動計算所述輸入層的節點數據，是通過計算所述微分數據的各個數據項與其周圍數據項之間的相關性，統計得到相關性較高的數據項的數目，并將該相關性較高的數據項的數目作為所述輸入層的節點數目；并且，所述的步驟30中，通過分析所述微分數據的稀疏性自動計算所述隱層的節點數目，是根據所述聚類結果自動計算所述微分數據的稀疏性，并根據該稀疏性進行計算第一層隱層的節點數目，微分數據越稀疏，則隱層節點數目越多；然后將第一層隱層的節點數目的一半作為第二層隱層的節點數目，依次類推，直至隱層的節點數目小于預設閾值時，將該隱層作為最上層隱層。

2.根據權利要求1所述的一種基于自動深度置信網絡的門診量預測方法，其特征在于：所述的步驟20中，還進一步對所述微分數據進行歸一化的預處理，所述的步驟70對所述預測結果進行所述預處理的逆變換，包括微分逆變換和反歸一化處理。

3.根據權利要求1所述的一種基于自動深度置信網絡的門診量預測方法，其特征在于：采用Relu函數作為所述深度置信網絡的隱層的激活函數。

4.根據權利要求1所述的一種基于自動深度置信網絡的門診量預測方法，其特征在于：所述的步驟40中，對所述微分數據進行聚類，是使用基于密度分布函數的聚類方法對所述微分數據進行聚類，并根據聚類結果從每個聚類中隨機選擇一個樣本進行自動創建分組，分組的個數等于聚類的個數。

5.根據權利要求1所述的一種基于自動深度置信網絡的門診量預測方法，其特征在于：所述的步驟50中，根據所述分組數據對所述深度置信網絡進行訓練，是采用兩步法的訓練方法：

51.預訓練：采用無監督學習自底向上進行分層訓練；

52.反向微調：使用反向傳播算法對所述深度置信網絡的輸入層和隱層進行微調。

6.一種基于自動深度置信網絡的門診量預測系統，其特征在于，包括：

數據采集模塊，用于從醫院掛號系統收集每天的門診量，得到歷史門診量數據；

預處理模塊，用于對所述歷史門診量數據進行微分變換的預處理，得到微分數據；

網絡構建模塊，其根據所述微分數據自動構建深度置信網絡結構，該深度置信網絡包括輸入層、隱層、輸出層，通過分析所述微分數據的相關性自動計算所述輸入層的節點數目，通過分析所述微分數據的稀疏性自動計算所述隱層的節點數目，并通過使用無監督學習方法進行構建所述輸出層；

分組模塊，用于根據所述歷史門診量數據所對應的不同時間序列對所述微分數據進行聚類，并根據聚類結果進行自動創建分組，得到不同時間序列的分組數據；

訓練模塊，其根據所述分組數據對所述深度置信網絡進行訓練，得到門診量預測模型；

預測模塊，其調用所述門診量預測模型對指定時間序列進行門診量的預測，根據該指定時間序列獲取對應時間序列的分組數據，并根據該分組數據得到預測結果；

逆變換模塊，用于對所述預測結果進行所述預處理的逆變換，得到預測門診量；

其中，所述網絡構建模塊進行構建深度置信網絡結構，是通過計算所述微分數據的各個數據項與其周圍數據項之間的相關性，統計得到相關性較高的數據項的數目，并將該相關性較高的數據項的數目作為所述輸入層的節點數目；并且，根據所述聚類結果自動計算所述微分數據的稀疏性，并根據該稀疏性進行計算第一層隱層的節點數目，微分數據越稀疏，則隱層節點數目越多；然后將第一層隱層的節點數目的一半作為第二層隱層的節點數目，依次類推，直至隱層的節點數目小于預設閾值時，將該隱層作為最上層隱層。