[发明专利]一种基于深度置信网络的门诊量预测方法及系统

权利要求书

1.一种基于深度置信网络的门诊量预测方法，其特征在于，该方法是基于受限玻尔茨曼机以及建立逻辑回归层的方式，利用医院的历史门诊数据进行日门诊量、周门诊量以及月门诊量的预测，实现更加准确有效地预测当前时间医院的门诊量；具体步骤如下：

S1、构建深度置信网络：基于多个受限玻尔茨曼机组成一个深度置信网络，每一层的受限玻尔茨曼机训练出的输出将作为下一层受限玻尔茨曼机的输入，构成深度置信网络，整个深度置信网络将作为数据特征提取层用于提取历史门诊量的数据特征；

S2、建立逻辑回归层：在深度置信网络的上层增加一层逻辑回归层作为预测层，结合提取的历史门诊量的数据特征对门诊量数据进行有监督的预测，提高预测精度；

S3、训练网络：使用贪婪逐层算法进行神经网络的训练。

2.根据权利要求1所述的基于深度置信网络的门诊量预测方法，其特征在于，所述步骤S1中构建深度置信网络具体如下：

S101、深度置信网络的最底层是一个受限玻尔茨曼机，受限玻尔茨曼机由一层可见层和一层隐层组成；

S102、可见层的神经元个数设置为6个，隐层的神经元个数设置为3个，隐层的层数设置为3层；

S103、将第一层可见层和第一层隐层组成受限玻尔茨曼机的输出作为下一隐层的输入，从而得到下一隐层的输出，依次进行迭代，构建一个完成的深度置信网络。

3.根据权利要求1所述的基于深度置信网络的门诊量预测方法，其特征在于，所述步骤S2中的逻辑回归层是叠加在深度置信网络之上的一个回归预测层，利用深度置信网络提取的数据特征以及选定的标签数据，对医院门诊量进行有监督的预测；其中，利用深度置信网络提取的数据特征就是原始输入数据通过神经网络转换成的特征向量；标签数据的选择与时间间隔相关；具体如下：

S201、初始化W、b，W初始化为接近0的数，b初始化为0；其中，W表示权重矩阵；

S202、计算预测的输出结果

S20201、计算数据特征Z，公式如下：

Z＝W^TX+b；

其中，X表示样本数量，W表示权重矩阵；b是一个常数；

S20202、计算预测的结果矩阵A，公式如下：

其中，Y表示实际值；X、A、Z均是样本的向量化矩阵；

S203、根据公式计算损失函数，公式如下：

S204、计算梯度，即对步骤S203中的损失函数进行求导；

S205、更新W、b，在迭代次数内，重复步骤步骤S202到步骤S205，直到导数得到最小化的代价函数J(w,b)。

4.根据权利要求1所述的基于深度置信网络的门诊量预测方法，其特征在于，所述步骤S3中训练网络具体如下：

S301、使用无标签的数据逐层训练网络；

S302、在完成预训练后，使用BP算法自上而下地对参数进行调优。