[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

说明书

技术领域

本发明涉及智慧医疗技术领域，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。

背景技术

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。

发明内容

本发明为解决上述问题，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，本发明采用的技术方案为：

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，本发明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；