[發明專利]基于BP神經網絡的兒童呼吸系統疾病發病率預測方法

在審

• 申請號: 202010529519.4
• 申請日: 2020-06-11
• 公開（公告）號: CN111681764A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 沈敬偉;趙東喆;張弘弢;馬明國;黃揚
• 申請（專利權）人: 西南大學;自然資源部四川基礎地理信息中心（自然資源部四川測繪資料檔案館）
• 主分類號: G16H50/50
• 分類號: G16H50/50;G06N3/04;G06N3/08
• 代理公司: 成都華復知識產權代理有限公司 51298
• 代理人: 任麗娜

1.一種基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于，包括以下步驟：

步驟一：對數據進行整合；

步驟二：進行數據清洗；

步驟三：對數據進行滯后性分析和處理；

步驟四：數據歸一化處理并劃分測試集和訓練集；

步驟五：構建BP神經網絡模型；

步驟六：訓練神經網絡并調整超參數；

步驟七：使用神經網絡模型進行預測；

步驟八：根據新加入的數據反復訓練模型。

2.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：對獲取的兒童呼吸系統疾病發病率數據、溫度數據、濕度數據和空氣污染物濃度數據CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂進行整合，整合成為一個關系模式。

3.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：對兒童呼吸系統疾病數據進行清洗，數據清洗包括以下幾個步驟，

(1)修正命名不規范的字段；

(2)去除數據中的空值；

(3)去除數據中的異常值、無效值以及可能有錯誤的極大和極小值。

4.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：考慮空氣污染物的滯后性，對每一天的空氣污染物濃度、溫度、濕度數據采用前三天內的平均值進行替代，從而提升預測精度。

5.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：對清洗過后的數據進行歸一化并劃分訓練集和測試集，數據歸一化方法為max-min歸一化，歸一化后數據都變成0～1之間的數，把CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂、溫度、濕度數據作為輸入特征，把兒童呼吸系統疾病發病率作為神經網絡輸出變量，隨機將數據的80％作為訓練數據，將數據的20％作為測試數據。

6.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：BP神經網絡的構建，包括隱藏層個數以及隱藏層神經元數的選擇；選擇13個隱藏層，每層200個神經元進行構建全連接層神經網絡。

7.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：神經網絡模型超參數的選擇，通過反復訓練神經網絡使得損失函數達到最小，本方法選擇L2正則化為0.00001以及Early Stopping來抑制過擬合，其中Early Stopping的patience選擇為10，選擇的優化器為”adam”，學習率設置為0.01，選擇的batch_size為4096，迭代次數epoch為10000；使用深度學習框架GPU版tensorflow2.0以及tensorflow的高階api keras2.3.1對構建好的神經網絡進行訓練，計算機硬件參數為GPU：GTX 1660ti，CPU：i7-9750H。

8.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：使用參數訓練完成的BP神經網絡進行兒童呼吸系統疾病發病率的預測，通過輸入歸一化后的CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂、溫度、濕度數據到BP神經網絡中，再將輸出值反歸一化即可得到預測的兒童呼吸系統疾病發病率。

9.根據權利要求1所述的基于BP神經網絡的兒童呼吸系統疾病發病率預測方法，其特征在于：隨著時間的增加，會有大量新的污染物數據用于預測，模型也會不斷加入最新真實的數據再次訓練BP神經網絡模型，以達到更好的預測效果。