预测模型构建方法、门诊量预测方法及装置制造方法及图纸

本发明专利技术提供了一种预测模型构建方法、门诊量预测方法及装置，该预测模型构建方法包括：获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；确定所述BP神经网络的初始连接权值和阈值；对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。本发明专利技术实施例通过对BP神经网络的初始连接权值和阈值进行优化，能够准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。

【技术实现步骤摘要】
预测模型构建方法、门诊量预测方法及装置
本专利技术涉及计算机
，尤其涉及一种预测模型构建方法、门诊量预测方法及装置。
技术介绍
医院门诊是医院医疗工作的大门、面向社会的窗口，病人接受医疗诊治的第一线。医院门诊量预测,对医院合理安排人、财、物资源,避免工作的盲目性、被动性,提高经济效益和社会效益都有重要意义。影响医院门诊量的因素有很多,如人口的变化、人口构成比变化、业务技术、医疗质量变化、流行疾病变化等,使得门诊量具有复杂的随机性及非线性组合特征,给门诊量的准确预测带来了困难。然而,门诊量通常也表现出一定的规律性,如逐渐增长、衰减的趋势性,以年、月等为周期的周期性等,这又使得门诊量是可预测的。BP(BackPropagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。在实现本专利技术过程中专利技术人发现现有技术中至少存在以下缺陷：现有采用BP神经网络的门诊量预测方法中，预测性能与BP神经网络的初始连接权值、阈值等参数相关，如果参数选择不当，易出现收敛速度慢，陷入局部最优等缺陷，影响预测精度。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决或者减缓上述问题的预测模型构建方法、门诊量预测方法及装置。根据本专利技术的一个方面，提供了一种预测模型构建方法，该方法包括：获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；确定所述BP神经网络的初始连接权值和阈值；对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。可选地，所述方法还包括：采用预设的验证集对所述待预测量预测模型进行测试。可选地，所述根据所述历史时间序列生成BP神经网络的训练集包括：确定所述历史时间序列的时间延迟δ和关联维数D；根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。可选地，所述确定所述历史时间序列的时间延迟δ和关联维数D包括：通过互信息法确定所述历史时间序列的时间延迟δ；通过关联维法确定所述历史时间序列的关联维数D。可选地，所述对所述初始连接权值和阈值进行优化包括：采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。可选地，所述采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化包括：步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第三预测精度；步骤六、比较所述第四组鸟巢位置中鸟巢位置对应的第三预测精度与该鸟巢位置未进行随机改变前对应的预测精度，用第四组鸟巢位置中较优鸟巢位置替换第三组鸟巢位置中与之对应的较差鸟巢位置，得到第五组鸟巢位置；步骤七、对所述第五组鸟巢位置进行高斯扰动，得到第六组鸟巢位置，所述BP神经网络根据第六组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第四预测精度；步骤八、比较所述第六组鸟巢位置中鸟巢位置对应的第四预测精度与该鸟巢位置未进行高斯扰动前对应的预测精度，用第六组鸟巢位置中较优鸟巢位置替换第五组鸟巢位置中与之对应的较差鸟巢位置，得到第七组鸟巢位置；步骤九、查找所述第七组鸟巢位置中对应的预测精度最高的鸟巢，将其作为当前最优鸟巢，判断当前最优鸟巢对应的预测精度是否满足预设预测精度，若是，则停止搜索，并将当前最优鸟巢位置对应的初始连接权值和阈值作为所述BP神经网络的最优初始连接权值和阈值，否则，返回步骤三，继续搜索。根据本专利技术的另一个方面，提供了一种门诊量预测方法，该方法包括：获取历史门诊量的时间序列数据；根据所述历史门诊量的时间序列数据，采用如上所述的预测模型构建方法构建门诊量预测模型；采用所述门诊量预测模型进行门诊量预测。根据本专利技术的另一个方面，提供了一种预测模型构建装置，该装置包括：生成模块，用于获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；确定模块，用于确定所述BP神经网络的初始连接权值和阈值；参数优化模块，用于对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；模型训练模块，用于将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。可选地，所述参数优化模块，具体用于采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。根据本专利技术的另一个方面，提供了一种门诊量预测装置，该装置包括历史门诊量数据获取模块、门诊量预测模块以及如上所述的预测模型构建装置；所述历史门诊量数据获取模块，用于获取历史门诊量的时间序列数据；所述预测模型构建装置，用于根据所述历史门诊量数据获取模块获取的历史门诊量的时间序列数据，构建门诊量预测模型；所述门诊量预测模块，用于采用所述门诊量预测模型进行门诊量预测。本专利技术实施例提供的预测模型构建方法、门诊量预测方法及装置，通过对BP神经网络的初始连接权值和阈值进行优化，并将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术实施例提出的一种预测模型构建方法的流程图；图2为本专利技术实施例提出的一种门诊量预测方法的流程图；图3为本专利技术实施例提出的一种预本文档来自技高网...

【技术保护点】
1.一种预测模型构建方法，其特征在于，包括：获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；确定所述BP神经网络的初始连接权值和阈值；对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。

【技术特征摘要】
1.一种预测模型构建方法，其特征在于，包括：获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；确定所述BP神经网络的初始连接权值和阈值；对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用预设的验证集对所述待预测量预测模型进行测试。3.根据权利要求1所述的方法，其特征在于，所述根据所述历史时间序列生成BP神经网络的训练集包括：确定所述历史时间序列的时间延迟δ和关联维数D；根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。4.根据权利要求3所述的方法，其特征在于，所述确定所述历史时间序列的时间延迟δ和关联维数D包括：通过互信息法确定所述历史时间序列的时间延迟δ；通过关联维法确定所述历史时间序列的关联维数D。5.根据权利要求1所述的方法，其特征在于，所述对所述初始连接权值和阈值进行优化包括：采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。6.根据权利要求5所述的方法，其特征在于，所述采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化包括：步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对...

【专利技术属性】
技术研发人员：马慧生，李书霞，李乃鹏，
申请(专利权)人：普天信息技术有限公司，
类型：发明
国别省市：北京,11