[发明专利]预测模型构建方法、门诊量预测方法及装置

说明书

本发明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。

技术领域

本发明涉及计算机技术领域，尤其涉及一种预测模型构建方法、门诊量预测方法及装置。

背景技术

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(Back Propagation)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。

在实现本发明过程中发明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。

发明内容

鉴于上述问题，提出了本发明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。

根据本发明的一个方面，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：