基于多头CNN网络的医院门诊人流量预测及分诊系统技术方案

本发明专利技术公开了基于多头CNN网络的医院门诊人流量预测及分诊系统，包括以下步骤：ST100、从医院挂号系统和门诊系统获取历史数据实时传输到该系统中，所述一条历史信息包括挂号信息的发生时间、对应科室的人流量数据；ST200、传入系统的数据转化，将时间序列的人流量数据转化为监督学习中带标签的数据；ST300、对系统中模型的训练和调优；ST400、系统的应用。本发明专利技术结构设计合理，克服了传统CNN网络的许多缺点，能处理时间、空间、姿态等模糊性，为处理处理医疗方面的人流量预测的研究带来了新的希望。望。望。

【技术实现步骤摘要】
基于多头CNN网络的医院门诊人流量预测及分诊系统


[0001]本专利技术涉及电智慧医疗分诊及时间序列的流量预测
，具体涉及基于多头CNN网络的医院门诊人流量预测及分诊系统。

技术介绍

[0002]目前我国由于医疗资源的紧张且配置失衡，社区医院资源有限而大型医院人流量巨大，导致“看病难”，医患关系不断紧张，同时患者不了解医院的人流量导致大型医院人流量经常爆满，患者体验感差且易产生安全隐患，为此，准确的人流量预测并进行有效的分诊方法是解决此类问题的有效方法：从医院的角度看，医院根据预测的人流量调整相关资源的配比；从患者的角度看，患者可以根据预测的人流量，同时结合自身的健康状况合理的选择医院，从而节省了就医时间也充分利用了医疗资源。
[0003]目前针对时间序列的人流量预测方法主要基于传统的预测方法，如ARIMA模型、LSTM算法、视频分析等，它们针对不同的应用场景选择不同的算法以提高预测准确性，但是医疗方面的人流量极易受到外部环境的影响例如节假日、季节变化和突发状况，同时不同科室的人流量的变化规律也不完全相同，所以针对医疗方面的人流量准确预测并不是一件简单的事情。
[0004]近年来CNN网络模型被用来预测时间序列的人流量预测，相比于传统的神经网络CNN网络的参数更少且易于训练同时针对特征学习效果很好。但是CNN网络在池化层丢失大量信息，降低了空间分辨率，同时丢失了空间等特征，由于医院门诊的人流量极易受到不同科室，不同时间的段的影响，所以使用传统的CNN网络模型并不能获得很好的预测效果。
[0005]为此，我们提出基于多头CNN网络的医院门诊人流量预测及分诊系统。

技术实现思路

[0006]本专利技术的目的在于克服现有技术中存在的上述问题，提供基于多头CNN网络的医院门诊人流量预测及分诊系统，克服了传统CNN网络的许多缺点，能处理时间、空间、姿态等模糊性，为处理处理医疗方面的人流量预测的研究带来了新的希望。
[0007]为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：
[0008]基于多头CNN网络的医院门诊人流量预测及分诊系统，包括以下步骤：
[0009]ST100、从医院挂号系统和门诊系统获取历史数据实时传输到该系统中，所述一条历史信息包括挂号信息的发生时间、对应科室的人流量数据；
[0010]ST200、传入系统的数据转化，将时间序列的人流量数据转化为监督学习中带标签的数据；
[0011]ST300、对系统中模型的训练和调优；
[0012]ST400、系统的应用。
[0013]优选地，步骤ST200包括如下子步骤：
[0014]ST201、按某个时间步长汇总各科室的人流量和医院门诊总人流量将汇总的人流
量实时的传入系统的输入端；
[0015]ST202、将输入的数据生成表示时间、科室人流量关系的二维矩阵；
[0016]ST203、将生成的二维矩阵归一化，输出一类样本矩阵，其中所述一类样本矩阵的维度包括时间和科室，其取值为归一化各科室人流量以及总人流量，所述归一化人流量的取值范围位于0到1000；
[0017]ST204、将一类样本矩阵分别滑动相同的时间步长并截取一个时间步长，依次得到一系列长度为M*N的二类样本矩阵，其中所述二类样本矩阵维度包括时间和科室，其中M表示时间步长，N表示科室数量；
[0018]ST205、将一系列的二类矩阵划分为80％的训练样本集和20％的测试样本集。
[0019]优选地，步骤ST300的包括如下子步骤：
[0020]ST301、在系统中定义一个多头CNN网络，其中该网络包含与科室数相同的子CNN网络模型，其中每个子CNN网络模型包含卷积层1、卷积层2、池化层1，同时多头CNN网络包含两个全连接层以及一个输出层；
[0021]ST302、提取80％的二类样本矩阵，按照科室对应输入到多头CNN网络中子CNN网络模型的卷积层1；
[0022]ST303、在每个子CNN网络模型的卷积层1，定义32个步长为1，各维长度为2*2*1的卷积核矩阵M1，用M1对卷积层1的输入执行ReLU激活，其中padding＝0；
[0023]ST304、在每个子CNN网络模型的卷积层2，定义32个步长为1，各维长度为2*2*1的卷积核矩阵M2，用M2对卷积层1的输出执行ReLU激活，其中padding＝1；
[0024]ST305、在每个子CNN网络模型的池化层1，定义各维长度为2*2*1的池化矩阵P1，用P1对卷积层2的输出执行MaxPool ing；
[0025]ST306、合并每个子CNN网络模型的池化层1展平后的输出；
[0026]ST307、在多头CNN网络的全连接层1和全连接层2分别定义神经元数为200和100，对合并后的输出执行ReLU激活；
[0027]ST308、在多头CNN网络的输出层，定义神经元是为1对多头CNN网络的预测门诊总人流量执行输出；
[0028]ST309、在多头CNN网络模型中，定义损失函数为mse，优化算法为adam算法；
[0029]ST310、将定义好的多头CNN网络模型应用于20％的测试样本集，对每个测试样本输出一个门诊总人流量，与实际总人流量对比，得到平均相对误差MRE，其中MRE的计算公式如下：
[0030][0031]其中：y
i
和分别表示第i天医院门诊的实际总人流量和预测总人流量I表示测试样本集中的样本个数；
[0032]ST311、判断MRE是否满足要求，如满足要求则只需步骤ST312，否则如不满足要求则执行步骤ST313；
[0033]ST312、视为多头CNN网络模型搭建成功，训练以及调优过程结束；
[0034]ST313、判断迭代次数是否超过规定次数，如果超过则修改迭代次数，如果没超过则执行ST314；
[0035]ST314、视为多头CNN模型的搭建不成功，修改卷积核矩阵M1和卷积核矩阵M2以及池化矩阵P1，重复执行ST310，直到MRE满足要求。
[0036]优选地，步骤ST303、步骤ST304和步骤ST307所述ReLU激活函数f(x)算法为：
[0037][0038]优选地，步骤ST400包括如下子步骤：
[0039]ST401、从医院挂号系统，实时获取各科室每一天的人流量以及医院门诊每一天的总人流量并传入系统的输入端；
[0040]ST402、应用系统中搭建好的多头CNN网络模型，预测未来一天的医院门诊总人流量数；
[0041]ST403、对步骤ST402预测门诊的总人流量进行分析并做出决策，然后根据决策进行分诊，同时通过5G网络将系统输出的预测人流量和分诊信息发送至移动App。
[0042]与现有技术相比，本专利技术的有益效果如下：
[0043]本专利技术从医院门诊挂号系统实时提取历史数据用于系统中模型的训练和预测，系统中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：包括以下步骤：ST100、从医院挂号系统和门诊系统获取历史数据实时传输到该系统中，所述一条历史信息包括挂号信息的发生时间、对应科室的人流量数据；ST200、传入系统的数据转化，将时间序列的人流量数据转化为监督学习中带标签的数据；ST300、对系统中模型的训练和调优；ST400、系统的应用。2.根据权利要求1所述的基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：步骤ST200包括如下子步骤：ST201、按某个时间步长汇总各科室的人流量和医院门诊总人流量将汇总的人流量实时的传入系统的输入端；ST202、将输入的数据生成表示时间、科室人流量关系的二维矩阵；ST203、将生成的二维矩阵归一化，输出一类样本矩阵，其中所述一类样本矩阵的维度包括时间和科室，其取值为归一化各科室人流量以及总人流量，所述归一化人流量的取值范围位于0到1000；ST204、将一类样本矩阵分别滑动相同的时间步长并截取一个时间步长，依次得到一系列长度为M*N的二类样本矩阵，其中所述二类样本矩阵维度包括时间和科室，其中M表示时间步长，N表示科室数量；ST205、将一系列的二类矩阵划分为80％的训练样本集和20％的测试样本集。3.根据权利要求1所述的基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：步骤ST300的包括如下子步骤：ST301、在系统中定义一个多头CNN网络，其中该网络包含与科室数相同的子CNN网络模型，其中每个子CNN网络模型包含卷积层1、卷积层2、池化层1，同时多头CNN网络包含两个全连接层以及一个输出层；ST302、提取80％的二类样本矩阵，按照科室对应输入到多头CNN网络中子CNN网络模型的卷积层1；ST303、在每个子CNN网络模型的卷积层1，定义32个步长为1，各维长度为2*2*1的卷积核矩阵M1，用M1对卷积层1的输入执行ReLU激活，其中padding＝0；ST304、在每个子CNN网络模型的卷积层2，定义32个步长为1，各维长度为2*2*1的卷积核矩阵M2，用M2对卷积层1的输出执行ReLU激活，其中padding＝1；ST...

【专利技术属性】
技术研发人员：吴俊宏，姚志江，
申请(专利权)人：浙江远图互联科技股份有限公司，
类型：发明
国别省市：