[发明专利]基于BP神经网络的儿童呼吸系统疾病发病率预测方法

权利要求书

1.一种基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于，包括以下步骤：

步骤一：对数据进行整合；

步骤二：进行数据清洗；

步骤三：对数据进行滞后性分析和处理；

步骤四：数据归一化处理并划分测试集和训练集；

步骤五：构建BP神经网络模型；

步骤六：训练神经网络并调整超参数；

步骤七：使用神经网络模型进行预测；

步骤八：根据新加入的数据反复训练模型。

2.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：对获取的儿童呼吸系统疾病发病率数据、温度数据、湿度数据和空气污染物浓度数据CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂进行整合，整合成为一个关系模式。

3.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：对儿童呼吸系统疾病数据进行清洗，数据清洗包括以下几个步骤，

(1)修正命名不规范的字段；

(2)去除数据中的空值；

(3)去除数据中的异常值、无效值以及可能有错误的极大和极小值。

4.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：考虑空气污染物的滞后性，对每一天的空气污染物浓度、温度、湿度数据采用前三天内的平均值进行替代，从而提升预测精度。

5.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：对清洗过后的数据进行归一化并划分训练集和测试集，数据归一化方法为max-min归一化，归一化后数据都变成0～1之间的数，把CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂、温度、湿度数据作为输入特征，把儿童呼吸系统疾病发病率作为神经网络输出变量，随机将数据的80％作为训练数据，将数据的20％作为测试数据。

6.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：BP神经网络的构建，包括隐藏层个数以及隐藏层神经元数的选择；选择13个隐藏层，每层200个神经元进行构建全连接层神经网络。

7.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：神经网络模型超参数的选择，通过反复训练神经网络使得损失函数达到最小，本方法选择L2正则化为0.00001以及Early Stopping来抑制过拟合，其中Early Stopping的patience选择为10，选择的优化器为”adam”，学习率设置为0.01，选择的batch_size为4096，迭代次数epoch为10000；使用深度学习框架GPU版tensorflow2.0以及tensorflow的高阶api keras2.3.1对构建好的神经网络进行训练，计算机硬件参数为GPU：GTX 1660ti，CPU：i7-9750H。

8.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：使用参数训练完成的BP神经网络进行儿童呼吸系统疾病发病率的预测，通过输入归一化后的CO、NO₂、O₃、PM₁₀、PM_2.5、SO₂、温度、湿度数据到BP神经网络中，再将输出值反归一化即可得到预测的儿童呼吸系统疾病发病率。

9.根据权利要求1所述的基于BP神经网络的儿童呼吸系统疾病发病率预测方法，其特征在于：随着时间的增加，会有大量新的污染物数据用于预测，模型也会不断加入最新真实的数据再次训练BP神经网络模型，以达到更好的预测效果。