[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

本發明公開了一種基于深度置信網絡的門診量預測方法及系統，屬于數據挖掘分析技術領域，本發明要解決的技術問題為如何根據歷史門診量實現更加有效準確地預測醫院門診量，技術方案為：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；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；S3、訓練網絡：使用貪婪逐層算法進行神經網絡的訓練。本發明還公開了一種基于深度置信網絡的門診量預測系統。

技術領域

本發明涉及數據挖掘分析技術領域，具體地說是一種基于深度置信網絡的門診量預測方法及系統。

背景技術

醫院門診是患者接受醫院治療工作的第一個環節，是醫院面向社會的窗口，對醫院門診量的精準預測有助于后續醫療工作的順利展開。醫院門診量不僅可以作為評價現代醫院醫療工作情況的一項重要指標，同時有助于醫院對醫療資源和分配也有著重要的參考價值，因此使用有效的方法對醫院歷史門診量數據進行特征提取，進而用于醫院門診量預測，越來越被重視。

針對醫院門診量的預測方法有很多，其基本思想都是分析歷史門診量數據間的關系以及規律，對未來某一時間段的門診量進行預測，主要的方法大致可以分為三類：

(1)、基于歷史數據的時間序列分析模型：其具有代表性方法是自回歸整合滑動平均模型(ARIMA)，該模型通過分析醫院門診量伴隨時間變化的規律從而醫院門診量預測，其在月門診量以及季度門診量預測中表現較好，但是ARIMA模型事先都是假定數據之間是線性關系，如果數據見存在非線性關系時，該模型的性能就會下降；

(2)、基于人工智能的模型：其具有代表性的方法有人工神經網絡(ANNs)，支持向量機(SVM)和遺傳算法(GA)等，而這些方法可以較好地模擬出醫院門診量數據間存在的非線性關系。

(3)、基于歷史數據的時間序列分析模型和基于人工智能的模型兩種方法的混合模型：混合模型結合了這兩種方法對醫院門診量進行預測，一方面利用了不同方法的優勢之處，同時也規避了兩種方法存在的不足之處，所以一般混合模型的預測結果相較于單一方法要更加準確一些，但是該方法操作復雜。

綜上所述，如何根據歷史門診量實現更加有效準確地預測醫院門診量是目前亟待解決的問題

發明內容

本發明的技術任務是提供一種基于深度置信網絡的門診量預測方法及系統，來解決如何根據歷史門診量實現更加有效準確地預測醫院門診量的問題。

本發明的技術任務是按以下方式實現的，一種基于深度置信網絡的門診量預測方法，該方法是基于受限玻爾茨曼機(RBM)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(DBN)：基于多個受限玻爾茨曼機(RBM)組成一個深度置信網絡(DBN)，每一層的受限玻爾茨曼機(RBM)訓練出的輸出將作為下一層受限玻爾茨曼機(RBM)的輸入，構成深度置信網絡(DBN)，整個深度置信網絡(DBN)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(DBN)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。

作為優選，所述步驟S1中構建深度置信網絡(DBN)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(RBM)，受限玻爾茨曼機(RBM)由一層可見層(數據輸入層)和一層隱層(特征提取層)組成；