[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

说明书

本发明公开了一种基于深度置信网络的门诊量预测方法及系统，属于数据挖掘分析技术领域，本发明要解决的技术问题为如何根据历史门诊量实现更加有效准确地预测医院门诊量，技术方案为：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；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；S3、训练网络：使用贪婪逐层算法进行神经网络的训练。本发明还公开了一种基于深度置信网络的门诊量预测系统。

技术领域

本发明涉及数据挖掘分析技术领域，具体地说是一种基于深度置信网络的门诊量预测方法及系统。

背景技术

医院门诊是患者接受医院治疗工作的第一个环节，是医院面向社会的窗口，对医院门诊量的精准预测有助于后续医疗工作的顺利展开。医院门诊量不仅可以作为评价现代医院医疗工作情况的一项重要指标，同时有助于医院对医疗资源和分配也有着重要的参考价值，因此使用有效的方法对医院历史门诊量数据进行特征提取，进而用于医院门诊量预测，越来越被重视。

针对医院门诊量的预测方法有很多，其基本思想都是分析历史门诊量数据间的关系以及规律，对未来某一时间段的门诊量进行预测，主要的方法大致可以分为三类：

(1)、基于历史数据的时间序列分析模型：其具有代表性方法是自回归整合滑动平均模型(ARIMA)，该模型通过分析医院门诊量伴随时间变化的规律从而医院门诊量预测，其在月门诊量以及季度门诊量预测中表现较好，但是ARIMA模型事先都是假定数据之间是线性关系，如果数据见存在非线性关系时，该模型的性能就会下降；

(2)、基于人工智能的模型：其具有代表性的方法有人工神经网络(ANNs)，支持向量机(SVM)和遗传算法(GA)等，而这些方法可以较好地模拟出医院门诊量数据间存在的非线性关系。

(3)、基于历史数据的时间序列分析模型和基于人工智能的模型两种方法的混合模型：混合模型结合了这两种方法对医院门诊量进行预测，一方面利用了不同方法的优势之处，同时也规避了两种方法存在的不足之处，所以一般混合模型的预测结果相较于单一方法要更加准确一些，但是该方法操作复杂。

综上所述，如何根据历史门诊量实现更加有效准确地预测医院门诊量是目前亟待解决的问题

发明内容

本发明的技术任务是提供一种基于深度置信网络的门诊量预测方法及系统，来解决如何根据历史门诊量实现更加有效准确地预测医院门诊量的问题。

本发明的技术任务是按以下方式实现的，一种基于深度置信网络的门诊量预测方法，该方法是基于受限玻尔茨曼机(RBM)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(DBN)：基于多个受限玻尔茨曼机(RBM)组成一个深度置信网络(DBN)，每一层的受限玻尔茨曼机(RBM)训练出的输出将作为下一层受限玻尔茨曼机(RBM)的输入，构成深度置信网络(DBN)，整个深度置信网络(DBN)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(DBN)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。

作为优选，所述步骤S1中构建深度置信网络(DBN)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(RBM)，受限玻尔茨曼机(RBM)由一层可见层(数据输入层)和一层隐层(特征提取层)组成；