[发明专利]一种基于自动深度置信网络的门诊量预测方法及系统

权利要求书

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；

其中，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；并且，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。

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：采用Relu函数作为所述深度置信网络的隐层的激活函数。

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。

5.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。

6.一种基于自动深度置信网络的门诊量预测系统，其特征在于，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；

其中，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；并且，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。