[發明專利]一種基于深度置信網絡的門診量預測方法及系統

在審

• 申請號: 202010110803.8
• 申請日: 2020-02-24
• 公開（公告）號: CN111276229A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 谷興龍;李向陽
• 申請（專利權）人: 山東健康醫療大數據有限公司
• 主分類號: G16H40/20
• 分類號: G16H40/20;G06N3/04;G06N3/08
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

1.一種基于深度置信網絡的門診量預測方法，其特征在于，該方法是基于受限玻爾茨曼機以及建立邏輯回歸層的方式，利用醫院的歷史門診數據進行日門診量、周門診量以及月門診量的預測，實現更加準確有效地預測當前時間醫院的門診量；具體步驟如下：

S1、構建深度置信網絡：基于多個受限玻爾茨曼機組成一個深度置信網絡，每一層的受限玻爾茨曼機訓練出的輸出將作為下一層受限玻爾茨曼機的輸入，構成深度置信網絡，整個深度置信網絡將作為數據特征提取層用于提取歷史門診量的數據特征；

S2、建立邏輯回歸層：在深度置信網絡的上層增加一層邏輯回歸層作為預測層，結合提取的歷史門診量的數據特征對門診量數據進行有監督的預測，提高預測精度；

S3、訓練網絡：使用貪婪逐層算法進行神經網絡的訓練。

2.根據權利要求1所述的基于深度置信網絡的門診量預測方法，其特征在于，所述步驟S1中構建深度置信網絡具體如下：

S101、深度置信網絡的最底層是一個受限玻爾茨曼機，受限玻爾茨曼機由一層可見層和一層隱層組成；

S102、可見層的神經元個數設置為6個，隱層的神經元個數設置為3個，隱層的層數設置為3層；

S103、將第一層可見層和第一層隱層組成受限玻爾茨曼機的輸出作為下一隱層的輸入，從而得到下一隱層的輸出，依次進行迭代，構建一個完成的深度置信網絡。

3.根據權利要求1所述的基于深度置信網絡的門診量預測方法，其特征在于，所述步驟S2中的邏輯回歸層是疊加在深度置信網絡之上的一個回歸預測層，利用深度置信網絡提取的數據特征以及選定的標簽數據，對醫院門診量進行有監督的預測；其中，利用深度置信網絡提取的數據特征就是原始輸入數據通過神經網絡轉換成的特征向量；標簽數據的選擇與時間間隔相關；具體如下：

S201、初始化W、b，W初始化為接近0的數，b初始化為0；其中，W表示權重矩陣；

S202、計算預測的輸出結果

S20201、計算數據特征Z，公式如下：

Z＝W^TX+b；

其中，X表示樣本數量，W表示權重矩陣；b是一個常數；

S20202、計算預測的結果矩陣A，公式如下：

其中，Y表示實際值；X、A、Z均是樣本的向量化矩陣；

S203、根據公式計算損失函數，公式如下：

S204、計算梯度，即對步驟S203中的損失函數進行求導；

S205、更新W、b，在迭代次數內，重復步驟步驟S202到步驟S205，直到導數得到最小化的代價函數J(w,b)。

4.根據權利要求1所述的基于深度置信網絡的門診量預測方法，其特征在于，所述步驟S3中訓練網絡具體如下：

S301、使用無標簽的數據逐層訓練網絡；

S302、在完成預訓練后，使用BP算法自上而下地對參數進行調優。