一种基于自动深度置信网络的门诊量预测方法及系统技术方案

本发明专利技术公开了一种基于自动深度置信网络的门诊量预测方法及系统，其通过从医院挂号系统收集每天的门诊量得到历史门诊量数据，对所述历史门诊量数据进行微分变换的预处理得到微分数据，根据所述微分数据自动构建深度置信网络结构，采用聚类算法进行自动创建分组得到不同时间序列的分组数据，然后根据所述分组数据对所述深度置信网络进行训练得到门诊量预测模型，最后调用所述门诊量预测模型对指定时间序列进行门诊量的预测得到预测结果，并对所述预测结果进行所述预处理的逆变换得到预测门诊量，所述深度置信网络具有使用方便、训练简单的优点，并且，能够为医院门诊量预测提供可靠依据，预测误差小，特别适用于长线预测。

【技术实现步骤摘要】

本专利技术涉及智慧医疗
，特别是一种基于自动深度置信网络的门诊量预测方法及其应用该方法的系统。
技术介绍
门诊量预测对于提高医疗效率和医疗质量具有重大意义，特别是对于大型综合性医院，科学预测和准确分析医院门诊量的动态变化，能够为医院领导制定门诊工作计划和统筹安排医护人员提供决策依据，进而可以减少患者的候诊时间，提高工作效率、经济效益和社会效益。但是，对医院门诊量的准确预测是极为困难的。医院的门诊量与季节的变动、气候的变化等诸多因素息息相关，因此，门诊量数据具有高度的非线性性质，从而导致传统的线性或概率模型不能表现出其在应对突发疾病预测/季节性疾病的良好效果。
技术实现思路
本专利技术为解决上述问题，提供了一种基于自动深度置信网络的门诊量预测方法及系统，能够较大的提高门诊量预测的准确性，更有利于医院门诊工作的统筹安排，从而提高门诊的工作效率。为实现上述目的，本专利技术采用的技术方案为：一种基于自动深度置信网络的门诊量预测方法，其包括以下步骤：10.从医院挂号系统收集每天的门诊量，得到历史门诊量数据；20.对所述历史门诊量数据进行微分变换的预处理，得到微分数据；30.根据所述微分数据自动构建深度置信网络结构，该深度置信网络包括输入层、隐层、输出层，通过分析所述微分数据的相关性自动计算所述输入层的节点数目，通过分析所述微分数据的稀疏性自动计算所述隐层的节点数目，并通过使用无监督学习方法进行构建所述输出层；40.根据所述历史门诊量数据所对应的不同时间序列对所述微分数据进行聚类，并根据聚类结果进行自动创建分组，得到不同时间序列的分组数据；50.根据所述分组数据对所述深度置信网络进行训练，得到门诊量预测模型；60.调用所述门诊量预测模型对指定时间序列进行门诊量的预测，根据该指定时间序列获取对应时间序列的分组数据，并根据该分组数据得到预测结果；70.对所述预测结果进行所述预处理的逆变换，得到预测门诊量。优选的，所述的步骤20中，还进一步对所述微分数据进行归一化的预处理，所述的步骤70对所述预测结果进行所述预处理的逆变换，包括微分逆变换和反归一化处理。优选的，所述的步骤30中，通过分析所述微分数据的相关性自动计算所述输入层的节点数据，是通过计算所述微分数据的各个数据项与其周围数据项之间的相关性，统计得到相关性较高的数据项的数目，并将该相关性较高的数据项的数目作为所述输入层的节点数目。优选的，所述的步骤30中，通过分析所述微分数据的稀疏性自动计算所述隐层的节点数目，是根据所述聚类结果自动计算所述微分数据的稀疏性，并根据该稀疏性进行计算第一层隐层的节点数目，微分数据越稀疏，则隐层节点数目越多；然后将第一层隐层的节点数目的一半作为第二层隐层的节点数目，依次类推，直至隐层的节点数目小于预设阈值时，将该隐层作为最上层隐层。优选的，采用Relu函数作为所述深度置信网络的隐层的激活函数。优选的，所述的步骤40中，对所述微分数据进行聚类，是使用基于密度分布函数的聚类方法对所述微分数据进行聚类，并根据聚类结果从每个聚类中随机选择一个样本进行自动创建分组，分组的个数等于聚类的个数。优选的，所述的步骤50中，根据所述分组数据对所述深度置信网络进行训练，是采用两步法的训练方法：51.预训练：采用无监督学习自底向上进行分层训练；52.反向微调：使用反向传播算法对所述深度置信网络的输入层和隐层进行微调。另外，本专利技术还提供一种基于自动深度置信网络的门诊量预测系统，其包括：数据采集模块，用于从医院挂号系统收集每天的门诊量，得到历史门诊量数据；预处理模块，用于对所述历史门诊量数据进行微分变换的预处理，得到微分数据；网络构建模块，其根据所述微分数据自动构建深度置信网络结构，该深度置信网络包括输入层、隐层、输出层，通过分析所述微分数据的相关性自动计算所述输入层的节点数目，通过分析所述微分数据的稀疏性自动计算所述隐层的节点数目，并通过使用无监督学习方法进行构建所述输出层；分组模块，用于根据所述历史门诊量数据所对应的不同时间序列对所述微分数据进行聚类，并根据聚类结果进行自动创建分组，得到不同时间序列的分组数据；训练模块，其根据所述分组数据对所述深度置信网络进行训练，得到门诊量预测模型；预测模块，其调用所述门诊量预测模型对指定时间序列进行门诊量的预测，根据该指定时间序列获取对应时间序列的分组数据，并根据该分组数据得到预测结果；逆变换模块，用于对所述预测结果进行所述预处理的逆变换，得到预测门诊量。优选的，所述网络构建模块进行构建深度置信网络结构，是通过计算所述微分数据的各个数据项与其周围数据项之间的相关性，统计得到相关性较高的数据项的数目，并将该相关性较高的数据项的数目作为所述输入层的节点数目。优选的，所述网络构建模块进行构建深度置信网络结构，是根据所述聚类结果自动计算所述微分数据的稀疏性，并根据该稀疏性进行计算第一层隐层的节点数目，微分数据越稀疏，则隐层节点数目越多；然后将第一层隐层的节点数目的一半作为第二层隐层的节点数目，依次类推，直至隐层的节点数目小于预设阈值时，将该隐层作为最上层隐层。本专利技术的有益效果是：本专利技术的一种基于自动深度置信网络的门诊量预测方法及系统，所述深度置信网络具有使用方便、训练简单的优点，并且，能够为医院门诊量预测提供可靠依据，预测误差小，特别适用于长线预测。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术一种基于自动深度置信网络的门诊量预测方法的流程简图；图2为本专利技术一种基于自动深度置信网络的门诊量预测系统的结构示意图。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。目前，基于人工神经网的时序预测模型在许多领域都有广泛的应用。但是，目前国内外还没有对医院门诊病人的未来的访问的相关数据进行有效的预测分析的相关应用。典型的人工神经网络通常由输入层、隐藏层和输出层三层组成。每层之间通过“神经元”进行链接，层间权重被看作是输出层对输入层的反馈。通常使用反向传播算法(BP)来训练人工神经网络，并取得层间权重。然而，当人工神经网络(ANN)很复杂的时候，例如某一层的神经元的数量非常庞大，人工神经网络常常引起过度拟合的问题，这时候反向传播的方法就会失效。深度网络(DN)能够有效解决人工神经网络的这种过度拟合的问题，深度网络的方法是来源于动物解剖学的启发。动物解剖学发现哺乳动物大脑对外部信息的处理是分阶层的，高阶层通过抽象低阶层的信息来提取信息。例如，当一个人观察公路上正在行驶的汽车时，大脑低阶层首先提取眼睛所看到的汽车外部边沿轮廓，中间层根据低层提取抽象出汽车的形状，高层根据中间层的信息抽象和理解汽车的动作行为，因此，深度网络比人工神经网络隐藏了更多的层数，这些阶层提供了更多的输入信息抽象的层次。人工神经网络可以通过反向传播方法进行训练，但是深度网络是很难通过这种方法训练的，因为这时反向传播算法的初始边界条件是很难确定，当使用反向传播进行训练深度网络时候会导致局部收敛甚至发散。目本文档来自技高网...

【技术保护点】
一种基于自动深度置信网络的门诊量预测方法，其特征在于，包括以下步骤：10.从医院挂号系统收集每天的门诊量，得到历史门诊量数据；20.对所述历史门诊量数据进行微分变换的预处理，得到微分数据；30.根据所述微分数据自动构建深度置信网络结构，该深度置信网络包括输入层、隐层、输出层，通过分析所述微分数据的相关性自动计算所述输入层的节点数目，通过分析所述微分数据的稀疏性自动计算所述隐层的节点数目，并通过使用无监督学习方法进行构建所述输出层；40.根据所述历史门诊量数据所对应的不同时间序列对所述微分数据进行聚类，并根据聚类结果进行自动创建分组，得到不同时间序列的分组数据；50.根据所述分组数据对所述深度置信网络进行训练，得到门诊量预测模型；60.调用所述门诊量预测模型对指定时间序列进行门诊量的预测，根据该指定时间序列获取对应时间序列的分组数据，并根据该分组数据得到预测结果；70.对所述预测结果进行所述预处理的逆变换，得到预测门诊量。

【技术特征摘要】
1.一种基于自动深度置信网络的门诊量预测方法，其特征在于，包括以下步骤：10.从医院挂号系统收集每天的门诊量，得到历史门诊量数据；20.对所述历史门诊量数据进行微分变换的预处理，得到微分数据；30.根据所述微分数据自动构建深度置信网络结构，该深度置信网络包括输入层、隐层、输出层，通过分析所述微分数据的相关性自动计算所述输入层的节点数目，通过分析所述微分数据的稀疏性自动计算所述隐层的节点数目，并通过使用无监督学习方法进行构建所述输出层；40.根据所述历史门诊量数据所对应的不同时间序列对所述微分数据进行聚类，并根据聚类结果进行自动创建分组，得到不同时间序列的分组数据；50.根据所述分组数据对所述深度置信网络进行训练，得到门诊量预测模型；60.调用所述门诊量预测模型对指定时间序列进行门诊量的预测，根据该指定时间序列获取对应时间序列的分组数据，并根据该分组数据得到预测结果；70.对所述预测结果进行所述预处理的逆变换，得到预测门诊量。2.根据权利要求1所述的一种基于自动深度置信网络的门诊量预测方法，其特征在于：所述的步骤20中，还进一步对所述微分数据进行归一化的预处理，所述的步骤70对所述预测结果进行所述预处理的逆变换，包括微分逆变换和反归一化处理。3.根据权利要求1所述的一种基于自动深度置信网络的门诊量预测方法，其特征在于：所述的步骤30中，通过分析所述微分数据的相关性自动计算所述输入层的节点数据，是通过计算所述微分数据的各个数据项与其周围数据项之间的相关性，统计得到相关性较高的数据项的数目，并将该相关性较高的数据项的数目作为所述输入层的节点数目。4.根据权利要求1所述的一种基于自动深度置信网络的门诊量预测方法，其特征在于：所述的步骤30中，通过分析所述微分数据的稀疏性自动计算所述隐层的节点数目，是根据所述聚类结果自动计算所述微分数据的稀疏性，并根据该稀疏性进行计算第一层隐层的节点数目，微分数据越稀疏，则隐层节点数目越多；然后将第一层隐层的节点数目的一半作为第二层隐层的节点数目，依次类推，直至隐层的节点数目小于预设阈值时，将该隐层作为最上层隐层。5.根据权利要求4所述的一种基于自动深度置信网络的门诊量预测方法，其特征在于：采用Relu函数作为所述深度置信网络的隐层的激活函数。6.根据权利要求1所述的一种基于自动深度置信网络的门诊量预测方法，其特征在于：所述的步骤40中...

【专利技术属性】
技术研发人员：朱顺痣，刘利钊，王大寒，王琰，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：福建;35