一种基于深度信念网络的医院门诊量预测方法

摘要

一种基于深度信念网络的医院门诊量预测方法，包括以下步骤：步骤一，将收集的医疗管理数据进行处理和统计；步骤二，构建基于深度信念网络的预测模型框架；步骤三，用预处理后的无标签门诊量数据集训练深度信念网络，并调整深度信念网络的参数；步骤四，用少量有标签的数据微调整个深度信念网络模型；步骤五，用调整好的深度信念网络模型来预测医院门诊量。本发明考虑了各科室各个时间段内的门诊量数据间的内在关系，有效提取到了数据间的隐藏分层特征，节省了大量人工提取数据特征的工作量，实现了对未来时间段内医院门诊量的精准预测。

主权项

一种基于深度信念网络的医院门诊量预测方法，其特征在于：所述预测方法包括以下步骤：步骤一：医疗管理数据收集和统计，收集医疗管理数据，所述医疗管理数据包括病患姓名编号、挂号的科室类型、患者的病情、挂号的日期和问诊的医师等；对医院各科室的门诊量数据进行分类统计，将门诊量数据按照门诊科室类型划分为M组，并将每组数据按一定的时间段统计出N条门诊量数据，生成了一个A*M*N的门诊量数据集(l₁；l₂；l₃……l_N‑A+1)以及对应的标签数据集M*N(y₁；y₂；y₃……y_N‑A+1)；其中A是常数，表示用第T_i‑1，T_i‑2……T_i‑A个时间段门诊量数据预测第T_i个时间段的门诊量(1＜A＜i＜＜N)；步骤二：构建一个基于深度信念网络的预测模型，该模型的输入层有A*M个输入，B个隐藏层，一个逻辑回归层和一个输出层，其中逻辑回归层叠加在第B个隐藏层之上以预测未来的门诊量；输出层有R个输出表示R个科室的门诊量预测值，0＜R≤M；深度信念网络由多个受限玻尔兹曼机组成，受限玻尔兹曼机由一个显层和一个隐层构成，即将上述深度信念网络中的输入层作为显层，第一个隐藏层作为隐层构成了第一个受限玻尔兹曼机，以此类推，直至第i‑1个隐藏层作为显层和第i个隐藏层作为隐层构成了第i个受限玻尔兹曼机，0<i<B；步骤三，用无监督贪婪逐层算法训练整个深度信念网络，即逐个训练受限玻尔兹曼机，单个受限玻尔兹曼机使用对比散度算法训练来获取显层和隐层之间的最佳权重值；用门诊量数据集A*M*N(l₁；l₂；l₃……l_N‑A+1)作为输入，训练第一个受限玻尔兹曼机；第一个受限波尔兹曼机训练结束后再训练第2个受限玻尔兹曼机；以此类推，直至训练完所有的受限波尔兹曼机，将训练得到的结果作为深度信念网络模型权重参数的初值；步骤四：将深度信念网络最后一层的输出特征向量作为逻辑回归层的输入向量，门诊量数据集中的标签数据集M*N(y₁；y₂；y₃……y_N‑A+1)作为输出，进行有监督训练，用反向传播算法根据优化目标函数来微调深度信念网络和逻辑回归层内部的权重参数，其中P_pre(i)表示第i次优化得到的预测值，P_real(i)表示和第i次优化对应的真实值，当目标函数收敛或者达到训练迭代次数时停止训练，保存微调后整个网络的权重参数，获得基于深度信念网络的门诊量预测模型；步骤五：在训练好的门诊量预测模型中输入医院各个科室的历史门诊量数据集，得到的输出结果就是医院相应科室的预测门诊量数据。