本發(fā)明涉及智慧醫(yī)療技術(shù)領(lǐng)域，特別是一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)方法及其應(yīng)用該方法的系統(tǒng)。

背景技術(shù)：

門診量預(yù)測(cè)對(duì)于提高醫(yī)療效率和醫(yī)療質(zhì)量具有重大意義，特別是對(duì)于大型綜合性醫(yī)院，科學(xué)預(yù)測(cè)和準(zhǔn)確分析醫(yī)院門診量的動(dòng)態(tài)變化，能夠?yàn)獒t(yī)院領(lǐng)導(dǎo)制定門診工作計(jì)劃和統(tǒng)籌安排醫(yī)護(hù)人員提供決策依據(jù)，進(jìn)而可以減少患者的候診時(shí)間，提高工作效率、經(jīng)濟(jì)效益和社會(huì)效益。

但是，對(duì)醫(yī)院門診量的準(zhǔn)確預(yù)測(cè)是極為困難的。醫(yī)院的門診量與季節(jié)的變動(dòng)、氣候的變化等諸多因素息息相關(guān)，因此，門診量數(shù)據(jù)具有高度的非線性性質(zhì)，從而導(dǎo)致傳統(tǒng)的線性或概率模型不能表現(xiàn)出其在應(yīng)對(duì)突發(fā)疾病預(yù)測(cè)/季節(jié)性疾病的良好效果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為解決上述問(wèn)題，提供了一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)方法及系統(tǒng)，能夠較大的提高門診量預(yù)測(cè)的準(zhǔn)確性，更有利于醫(yī)院門診工作的統(tǒng)籌安排，從而提高門診的工作效率。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)方法，其包括以下步驟：

10.從醫(yī)院掛號(hào)系統(tǒng)收集每天的門診量，得到歷史門診量數(shù)據(jù)；

20.對(duì)所述歷史門診量數(shù)據(jù)進(jìn)行微分變換的預(yù)處理，得到微分?jǐn)?shù)據(jù)；

30.根據(jù)所述微分?jǐn)?shù)據(jù)自動(dòng)構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，該深度置信網(wǎng)絡(luò)包括輸入層、隱層、輸出層，通過(guò)分析所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算所述輸入層的節(jié)點(diǎn)數(shù)目，通過(guò)分析所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算所述隱層的節(jié)點(diǎn)數(shù)目，并通過(guò)使用無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行構(gòu)建所述輸出層；

40.根據(jù)所述歷史門診量數(shù)據(jù)所對(duì)應(yīng)的不同時(shí)間序列對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，并根據(jù)聚類結(jié)果進(jìn)行自動(dòng)創(chuàng)建分組，得到不同時(shí)間序列的分組數(shù)據(jù)；

50.根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到門診量預(yù)測(cè)模型；

60.調(diào)用所述門診量預(yù)測(cè)模型對(duì)指定時(shí)間序列進(jìn)行門診量的預(yù)測(cè)，根據(jù)該指定時(shí)間序列獲取對(duì)應(yīng)時(shí)間序列的分組數(shù)據(jù)，并根據(jù)該分組數(shù)據(jù)得到預(yù)測(cè)結(jié)果；

70.對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行所述預(yù)處理的逆變換，得到預(yù)測(cè)門診量。

優(yōu)選的，所述的步驟20中，還進(jìn)一步對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行歸一化的預(yù)處理，所述的步驟70對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行所述預(yù)處理的逆變換，包括微分逆變換和反歸一化處理。

優(yōu)選的，所述的步驟30中，通過(guò)分析所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算所述輸入層的節(jié)點(diǎn)數(shù)據(jù)，是通過(guò)計(jì)算所述微分?jǐn)?shù)據(jù)的各個(gè)數(shù)據(jù)項(xiàng)與其周圍數(shù)據(jù)項(xiàng)之間的相關(guān)性，統(tǒng)計(jì)得到相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目，并將該相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目作為所述輸入層的節(jié)點(diǎn)數(shù)目。

優(yōu)選的，所述的步驟30中，通過(guò)分析所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算所述隱層的節(jié)點(diǎn)數(shù)目，是根據(jù)所述聚類結(jié)果自動(dòng)計(jì)算所述微分?jǐn)?shù)據(jù)的稀疏性，并根據(jù)該稀疏性進(jìn)行計(jì)算第一層隱層的節(jié)點(diǎn)數(shù)目，微分?jǐn)?shù)據(jù)越稀疏，則隱層節(jié)點(diǎn)數(shù)目越多；然后將第一層隱層的節(jié)點(diǎn)數(shù)目的一半作為第二層隱層的節(jié)點(diǎn)數(shù)目，依次類推，直至隱層的節(jié)點(diǎn)數(shù)目小于預(yù)設(shè)閾值時(shí)，將該隱層作為最上層隱層。

優(yōu)選的，采用Relu函數(shù)作為所述深度置信網(wǎng)絡(luò)的隱層的激活函數(shù)。

優(yōu)選的，所述的步驟40中，對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，是使用基于密度分布函數(shù)的聚類方法對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，并根據(jù)聚類結(jié)果從每個(gè)聚類中隨機(jī)選擇一個(gè)樣本進(jìn)行自動(dòng)創(chuàng)建分組，分組的個(gè)數(shù)等于聚類的個(gè)數(shù)。

優(yōu)選的，所述的步驟50中，根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，是采用兩步法的訓(xùn)練方法：

51.預(yù)訓(xùn)練：采用無(wú)監(jiān)督學(xué)習(xí)自底向上進(jìn)行分層訓(xùn)練；

52.反向微調(diào)：使用反向傳播算法對(duì)所述深度置信網(wǎng)絡(luò)的輸入層和隱層進(jìn)行微調(diào)。

另外，本發(fā)明還提供一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)系統(tǒng)，其包括：

數(shù)據(jù)采集模塊，用于從醫(yī)院掛號(hào)系統(tǒng)收集每天的門診量，得到歷史門診量數(shù)據(jù)；

預(yù)處理模塊，用于對(duì)所述歷史門診量數(shù)據(jù)進(jìn)行微分變換的預(yù)處理，得到微分?jǐn)?shù)據(jù)；

網(wǎng)絡(luò)構(gòu)建模塊，其根據(jù)所述微分?jǐn)?shù)據(jù)自動(dòng)構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，該深度置信網(wǎng)絡(luò)包括輸入層、隱層、輸出層，通過(guò)分析所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算所述輸入層的節(jié)點(diǎn)數(shù)目，通過(guò)分析所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算所述隱層的節(jié)點(diǎn)數(shù)目，并通過(guò)使用無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行構(gòu)建所述輸出層；

分組模塊，用于根據(jù)所述歷史門診量數(shù)據(jù)所對(duì)應(yīng)的不同時(shí)間序列對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，并根據(jù)聚類結(jié)果進(jìn)行自動(dòng)創(chuàng)建分組，得到不同時(shí)間序列的分組數(shù)據(jù)；

訓(xùn)練模塊，其根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到門診量預(yù)測(cè)模型；

預(yù)測(cè)模塊，其調(diào)用所述門診量預(yù)測(cè)模型對(duì)指定時(shí)間序列進(jìn)行門診量的預(yù)測(cè)，根據(jù)該指定時(shí)間序列獲取對(duì)應(yīng)時(shí)間序列的分組數(shù)據(jù)，并根據(jù)該分組數(shù)據(jù)得到預(yù)測(cè)結(jié)果；

逆變換模塊，用于對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行所述預(yù)處理的逆變換，得到預(yù)測(cè)門診量。

優(yōu)選的，所述網(wǎng)絡(luò)構(gòu)建模塊進(jìn)行構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，是通過(guò)計(jì)算所述微分?jǐn)?shù)據(jù)的各個(gè)數(shù)據(jù)項(xiàng)與其周圍數(shù)據(jù)項(xiàng)之間的相關(guān)性，統(tǒng)計(jì)得到相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目，并將該相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目作為所述輸入層的節(jié)點(diǎn)數(shù)目。

優(yōu)選的，所述網(wǎng)絡(luò)構(gòu)建模塊進(jìn)行構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，是根據(jù)所述聚類結(jié)果自動(dòng)計(jì)算所述微分?jǐn)?shù)據(jù)的稀疏性，并根據(jù)該稀疏性進(jìn)行計(jì)算第一層隱層的節(jié)點(diǎn)數(shù)目，微分?jǐn)?shù)據(jù)越稀疏，則隱層節(jié)點(diǎn)數(shù)目越多；然后將第一層隱層的節(jié)點(diǎn)數(shù)目的一半作為第二層隱層的節(jié)點(diǎn)數(shù)目，依次類推，直至隱層的節(jié)點(diǎn)數(shù)目小于預(yù)設(shè)閾值時(shí)，將該隱層作為最上層隱層。

本發(fā)明的有益效果是：

本發(fā)明的一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)方法及系統(tǒng)，所述深度置信網(wǎng)絡(luò)具有使用方便、訓(xùn)練簡(jiǎn)單的優(yōu)點(diǎn)，并且，能夠?yàn)獒t(yī)院門診量預(yù)測(cè)提供可靠依據(jù)，預(yù)測(cè)誤差小，特別適用于長(zhǎng)線預(yù)測(cè)。

附圖說(shuō)明

此處所說(shuō)明的附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實(shí)施例及其說(shuō)明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：

圖1為本發(fā)明一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)方法的流程簡(jiǎn)圖；

圖2為本發(fā)明一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明所要解決的技術(shù)問(wèn)題、技術(shù)方案及有益效果更加清楚、明白，以下結(jié)合附圖及實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

目前，基于人工神經(jīng)網(wǎng)的時(shí)序預(yù)測(cè)模型在許多領(lǐng)域都有廣泛的應(yīng)用。但是，目前國(guó)內(nèi)外還沒(méi)有對(duì)醫(yī)院門診病人的未來(lái)的訪問(wèn)的相關(guān)數(shù)據(jù)進(jìn)行有效的預(yù)測(cè)分析的相關(guān)應(yīng)用。

典型的人工神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱藏層和輸出層三層組成。每層之間通過(guò)“神經(jīng)元”進(jìn)行鏈接，層間權(quán)重被看作是輸出層對(duì)輸入層的反饋。通常使用反向傳播算法(BP)來(lái)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，并取得層間權(quán)重。然而，當(dāng)人工神經(jīng)網(wǎng)絡(luò)(ANN)很復(fù)雜的時(shí)候，例如某一層的神經(jīng)元的數(shù)量非常龐大，人工神經(jīng)網(wǎng)絡(luò)常常引起過(guò)度擬合的問(wèn)題，這時(shí)候反向傳播的方法就會(huì)失效。深度網(wǎng)絡(luò)(DN)能夠有效解決人工神經(jīng)網(wǎng)絡(luò)的這種過(guò)度擬合的問(wèn)題，深度網(wǎng)絡(luò)的方法是來(lái)源于動(dòng)物解剖學(xué)的啟發(fā)。動(dòng)物解剖學(xué)發(fā)現(xiàn)哺乳動(dòng)物大腦對(duì)外部信息的處理是分階層的，高階層通過(guò)抽象低階層的信息來(lái)提取信息。例如，當(dāng)一個(gè)人觀察公路上正在行駛的汽車時(shí)，大腦低階層首先提取眼睛所看到的汽車外部邊沿輪廓，中間層根據(jù)低層提取抽象出汽車的形狀，高層根據(jù)中間層的信息抽象和理解汽車的動(dòng)作行為，因此，深度網(wǎng)絡(luò)比人工神經(jīng)網(wǎng)絡(luò)隱藏了更多的層數(shù)，這些階層提供了更多的輸入信息抽象的層次。

人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)反向傳播方法進(jìn)行訓(xùn)練，但是深度網(wǎng)絡(luò)是很難通過(guò)這種方法訓(xùn)練的，因?yàn)檫@時(shí)反向傳播算法的初始邊界條件是很難確定，當(dāng)使用反向傳播進(jìn)行訓(xùn)練深度網(wǎng)絡(luò)時(shí)候會(huì)導(dǎo)致局部收斂甚至發(fā)散。目前，辛頓(Hinton)提出了一種創(chuàng)新的方法來(lái)訓(xùn)練深度網(wǎng)絡(luò)，他提出了兩步訓(xùn)練法，即無(wú)監(jiān)督的預(yù)訓(xùn)練和有監(jiān)督的反向傳播來(lái)訓(xùn)練深度網(wǎng)絡(luò)，取得了意的效果。這種方法的核心是在預(yù)訓(xùn)練階段尋找到適合的初始邊界條件，以便為應(yīng)用于第二階段的反向傳播算法。使用這種方法比較成功的深度網(wǎng)絡(luò)有兩種：深度置信網(wǎng)絡(luò)(DBN)和自動(dòng)編碼網(wǎng)絡(luò)(AE)，這兩種網(wǎng)絡(luò)被廣泛應(yīng)用于分類和辨識(shí)方向上的研究。

近年來(lái)，基于時(shí)序預(yù)測(cè)的深度網(wǎng)絡(luò)得到了一些應(yīng)用。例如，用自動(dòng)編碼疊加去噪(SDAE)去預(yù)測(cè)室內(nèi)的溫度，這種方法比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)效果明顯要好；用基于自動(dòng)深度置信網(wǎng)絡(luò)的時(shí)序預(yù)測(cè)和粒子群算法(POS)來(lái)發(fā)現(xiàn)每一層的學(xué)習(xí)速率和單元數(shù)量等。

然而這些方法在實(shí)際使用中存在以下的一些問(wèn)題：

使用困難。這兩種方法都是用戶自定義深度，自定義深度需要數(shù)據(jù)依賴，并且不同的數(shù)據(jù)類型不能相互匹配利用。

訓(xùn)練復(fù)雜。這兩種都需要確定訓(xùn)練期的網(wǎng)絡(luò)結(jié)構(gòu)，也就是每一層的單元數(shù)量，一般使用最優(yōu)化的方法來(lái)尋找最優(yōu)組合，有時(shí)候需要成千上萬(wàn)次的訓(xùn)練，系統(tǒng)開(kāi)銷比較大。

為了克服以上現(xiàn)有技術(shù)的不足，本發(fā)明提出一種新型的金字塔型深度置信網(wǎng)絡(luò)時(shí)序預(yù)測(cè)方法，并把這種新方法應(yīng)用到醫(yī)院門診量的控制管理，取得良好的效果。

深度置信網(wǎng)絡(luò)是深度網(wǎng)絡(luò)的一種類型，它包括一個(gè)輸入層，若干隱層和一個(gè)輸出層，隱層代表給定輸入層的不同抽象水平，高階層比低階層有更高的抽象水平。輸出層的選擇是有應(yīng)用依賴的，例如，在分類應(yīng)用中，輸出層儲(chǔ)備輸入層的分類標(biāo)簽，各層的組成是由幾個(gè)受限的玻爾茲曼機(jī)網(wǎng)絡(luò)組成的，一個(gè)玻爾茲曼機(jī)產(chǎn)生隨機(jī)神經(jīng)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)能夠?qū)W習(xí)超過(guò)它輸入設(shè)置的概率分布。

如圖1所示，本發(fā)明的一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)方法，其包括以下步驟：

10.從醫(yī)院掛號(hào)系統(tǒng)收集每天的門診量，得到歷史門診量數(shù)據(jù)；

20.對(duì)所述歷史門診量數(shù)據(jù)進(jìn)行微分變換的預(yù)處理，得到微分?jǐn)?shù)據(jù)；

30.根據(jù)所述微分?jǐn)?shù)據(jù)自動(dòng)構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，該深度置信網(wǎng)絡(luò)包括輸入層、隱層、輸出層，通過(guò)分析所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算所述輸入層的節(jié)點(diǎn)數(shù)目，通過(guò)分析所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算所述隱層的節(jié)點(diǎn)數(shù)目，并通過(guò)使用無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行構(gòu)建所述輸出層；

40.根據(jù)所述歷史門診量數(shù)據(jù)所對(duì)應(yīng)的不同時(shí)間序列對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，并根據(jù)聚類結(jié)果進(jìn)行自動(dòng)創(chuàng)建分組，得到不同時(shí)間序列的分組數(shù)據(jù)；

50.根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到門診量預(yù)測(cè)模型；

60.調(diào)用所述門診量預(yù)測(cè)模型對(duì)指定時(shí)間序列進(jìn)行門診量的預(yù)測(cè)，根據(jù)該指定時(shí)間序列獲取對(duì)應(yīng)時(shí)間序列的分組數(shù)據(jù)，并根據(jù)該分組數(shù)據(jù)得到預(yù)測(cè)結(jié)果；

70.對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行所述預(yù)處理的逆變換，得到預(yù)測(cè)門診量。

所述的步驟20中，還進(jìn)一步對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行歸一化的預(yù)處理，所述的步驟70對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行所述預(yù)處理的逆變換，包括微分逆變換和反歸一化處理。

所述的步驟30中，通過(guò)分析所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算所述輸入層的節(jié)點(diǎn)數(shù)據(jù)，是通過(guò)計(jì)算所述微分?jǐn)?shù)據(jù)的各個(gè)數(shù)據(jù)項(xiàng)與其周圍數(shù)據(jù)項(xiàng)之間的相關(guān)性，統(tǒng)計(jì)得到相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目，并將該相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目作為所述輸入層的節(jié)點(diǎn)數(shù)目。所述的步驟30中，通過(guò)分析所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算所述隱層的節(jié)點(diǎn)數(shù)目，是根據(jù)所述聚類結(jié)果自動(dòng)計(jì)算所述微分?jǐn)?shù)據(jù)的稀疏性，并根據(jù)該稀疏性進(jìn)行計(jì)算第一層隱層的節(jié)點(diǎn)數(shù)目，微分?jǐn)?shù)據(jù)越稀疏，則隱層節(jié)點(diǎn)數(shù)目越多；然后將第一層隱層的節(jié)點(diǎn)數(shù)目的一半作為第二層隱層的節(jié)點(diǎn)數(shù)目，依次類推，直至隱層的節(jié)點(diǎn)數(shù)目小于預(yù)設(shè)閾值時(shí)，本實(shí)施例中，所述預(yù)設(shè)閾值優(yōu)選為10至20之間的范圍，然后將該隱層作為最上層隱層。優(yōu)選的，采用Relu函數(shù)作為所述深度置信網(wǎng)絡(luò)的隱層的激活函數(shù)，這種非飽和的激活函與傳統(tǒng)的sigmoid激活函數(shù)相比收斂速度更快，能夠提高深度網(wǎng)絡(luò)的訓(xùn)練速度。

所述的步驟40中，對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，是使用基于密度分布函數(shù)的聚類方法對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，并根據(jù)聚類結(jié)果從每個(gè)聚類中隨機(jī)選擇一個(gè)樣本進(jìn)行自動(dòng)創(chuàng)建分組，分組的個(gè)數(shù)等于聚類的個(gè)數(shù)。

所述的步驟50中，根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，是采用兩步法的訓(xùn)練方法：

51.預(yù)訓(xùn)練：采用無(wú)監(jiān)督學(xué)習(xí)自底向上進(jìn)行分層訓(xùn)練；

52.反向微調(diào)：使用反向傳播算法對(duì)所述深度置信網(wǎng)絡(luò)的輸入層和隱層進(jìn)行微調(diào)。

智能分層的預(yù)訓(xùn)練能夠?yàn)榉聪騻鞑ヌ峁┻m合的初值，這種方法在每個(gè)單一的RMB中進(jìn)行，每-RMB的參數(shù)被學(xué)習(xí)和存儲(chǔ)。訓(xùn)練的結(jié)果作為高層的輸入，通過(guò)成鏈的訓(xùn)練，DBN的每一層都會(huì)提供一個(gè)適合的初值后續(xù)的微調(diào)訓(xùn)練，這種兩步法是一種無(wú)監(jiān)督式的方法，除了最低層，其他層輸入都不需要額外的輸入。通過(guò)兩步法訓(xùn)練后，利用微調(diào)過(guò)程來(lái)調(diào)整參數(shù)，該過(guò)程是有監(jiān)督的。神經(jīng)網(wǎng)絡(luò)的輸出與給定的輸出比較，比較的差值用來(lái)自動(dòng)調(diào)整深度置信網(wǎng)絡(luò)的權(quán)值和偏差值。

如圖2所示，本發(fā)明還提供一種基于自動(dòng)深度置信網(wǎng)絡(luò)的門診量預(yù)測(cè)系統(tǒng)，其包括：

數(shù)據(jù)采集模塊A，用于從醫(yī)院掛號(hào)系統(tǒng)收集每天的門診量，得到歷史門診量數(shù)據(jù)；

預(yù)處理模塊B，用于對(duì)所述歷史門診量數(shù)據(jù)進(jìn)行微分變換的預(yù)處理，得到微分?jǐn)?shù)據(jù)；

網(wǎng)絡(luò)構(gòu)建模塊C，其根據(jù)所述微分?jǐn)?shù)據(jù)自動(dòng)構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，該深度置信網(wǎng)絡(luò)包括輸入層、隱層、輸出層，通過(guò)分析所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算所述輸入層的節(jié)點(diǎn)數(shù)目，通過(guò)分析所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算所述隱層的節(jié)點(diǎn)數(shù)目，并通過(guò)使用無(wú)監(jiān)督學(xué)習(xí)方法進(jìn)行構(gòu)建所述輸出層；

分組模塊D，用于根據(jù)所述歷史門診量數(shù)據(jù)所對(duì)應(yīng)的不同時(shí)間序列對(duì)所述微分?jǐn)?shù)據(jù)進(jìn)行聚類，并根據(jù)聚類結(jié)果進(jìn)行自動(dòng)創(chuàng)建分組，得到不同時(shí)間序列的分組數(shù)據(jù)；

訓(xùn)練模塊E，其根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到門診量預(yù)測(cè)模型；

預(yù)測(cè)模塊F，其調(diào)用所述門診量預(yù)測(cè)模型對(duì)指定時(shí)間序列進(jìn)行門診量的預(yù)測(cè)，根據(jù)該指定時(shí)間序列獲取對(duì)應(yīng)時(shí)間序列的分組數(shù)據(jù)，并根據(jù)該分組數(shù)據(jù)得到預(yù)測(cè)結(jié)果；

逆變換模塊G，用于對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行所述預(yù)處理的逆變換，得到預(yù)測(cè)門診量。

本實(shí)施例中，所述網(wǎng)絡(luò)構(gòu)建模塊進(jìn)行構(gòu)建深度置信網(wǎng)絡(luò)結(jié)構(gòu)，是通過(guò)計(jì)算所述微分?jǐn)?shù)據(jù)的各個(gè)數(shù)據(jù)項(xiàng)與其周圍數(shù)據(jù)項(xiàng)之間的相關(guān)性，統(tǒng)計(jì)得到相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目，并將該相關(guān)性較高的數(shù)據(jù)項(xiàng)的數(shù)目作為所述輸入層的節(jié)點(diǎn)數(shù)目。并且，是根據(jù)所述聚類結(jié)果自動(dòng)計(jì)算所述微分?jǐn)?shù)據(jù)的稀疏性，并根據(jù)該稀疏性進(jìn)行計(jì)算第一層隱層的節(jié)點(diǎn)數(shù)目，微分?jǐn)?shù)據(jù)越稀疏，則隱層節(jié)點(diǎn)數(shù)目越多；然后將第一層隱層的節(jié)點(diǎn)數(shù)目的一半作為第二層隱層的節(jié)點(diǎn)數(shù)目，依次類推，直至隱層的節(jié)點(diǎn)數(shù)目小于預(yù)設(shè)閾值時(shí)，將該隱層作為最上層隱層。

一方面，采用本發(fā)明的門診量預(yù)測(cè)方法和預(yù)測(cè)系統(tǒng)，所述輸入層的節(jié)點(diǎn)數(shù)目是根據(jù)所述微分?jǐn)?shù)據(jù)的相關(guān)性自動(dòng)計(jì)算得到的，所述隱層的節(jié)點(diǎn)數(shù)目是根據(jù)所述微分?jǐn)?shù)據(jù)的稀疏性自動(dòng)計(jì)算得到的，從而形成一種動(dòng)態(tài)自定義深度的方法，用戶不需要隨時(shí)自定義深度，易于應(yīng)用。

另一方面，本發(fā)明采用聚類算法進(jìn)行自動(dòng)創(chuàng)建分組，得到分組數(shù)據(jù)，并根據(jù)所述分組數(shù)據(jù)對(duì)所述深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到門診量預(yù)測(cè)模型，本發(fā)明通過(guò)采用簡(jiǎn)單有效的決定網(wǎng)絡(luò)結(jié)構(gòu)的策略，用戶不必再尋找最優(yōu)化組合的結(jié)構(gòu)，訓(xùn)練更簡(jiǎn)單。

需要說(shuō)明的是，本說(shuō)明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似的部分互相參見(jiàn)即可。對(duì)于系統(tǒng)類實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法實(shí)施例的部分說(shuō)明即可。并且，在本文中，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。另外，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例的全部或部分步驟可以通過(guò)硬件來(lái)完成，也可以通過(guò)程序來(lái)指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤或光盤等。

上述說(shuō)明示出并描述了本發(fā)明的優(yōu)選實(shí)施例，應(yīng)當(dāng)理解本發(fā)明并非局限于本文所披露的形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文發(fā)明構(gòu)想范圍內(nèi)，通過(guò)上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn)行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍內(nèi)。