CN108229714A - 预测模型构建方法、门诊量预测方法及装置 - Google Patents
预测模型构建方法、门诊量预测方法及装置 Download PDFInfo
- Publication number
- CN108229714A CN108229714A CN201611180109.3A CN201611180109A CN108229714A CN 108229714 A CN108229714 A CN 108229714A CN 201611180109 A CN201611180109 A CN 201611180109A CN 108229714 A CN108229714 A CN 108229714A
- Authority
- CN
- China
- Prior art keywords
- bird
- nest position
- nest
- prediction
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010276 construction Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 70
- 244000000626 Daucus carota Species 0.000 claims description 250
- 235000005770 birds nest Nutrition 0.000 claims description 250
- 235000005765 wild carrot Nutrition 0.000 claims description 250
- 238000005457 optimization Methods 0.000 claims description 18
- 241000544061 Cuculus canorus Species 0.000 claims description 16
- 210000004218 nerve net Anatomy 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 210000005036 nerve Anatomy 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 102000002322 Egg Proteins Human genes 0.000 description 3
- 108010000912 Egg Proteins Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000004681 ovum Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000017448 oviposition Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种预测模型构建方法、门诊量预测方法及装置，该预测模型构建方法包括：获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；确定所述BP神经网络的初始连接权值和阈值；对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。本发明实施例通过对BP神经网络的初始连接权值和阈值进行优化，能够准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种预测模型构建方法、门诊量预测方法及装置。
背景技术
医院门诊是医院医疗工作的大门、面向社会的窗口，病人接受医疗诊治的第一线。医院门诊量预测,对医院合理安排人、财、物资源,避免工作的盲目性、被动性,提高经济效益和社会效益都有重要意义。影响医院门诊量的因素有很多,如人口的变化、人口构成比变化、业务技术、医疗质量变化、流行疾病变化等,使得门诊量具有复杂的随机性及非线性组合特征,给门诊量的准确预测带来了困难。然而,门诊量通常也表现出一定的规律性,如逐渐增长、衰减的趋势性,以年、月等为周期的周期性等,这又使得门诊量是可预测的。
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
在实现本发明过程中发明人发现现有技术中至少存在以下缺陷：现有采用BP神经网络的门诊量预测方法中，预测性能与BP神经网络的初始连接权值、阈值等参数相关，如果参数选择不当，易出现收敛速度慢，陷入局部最优等缺陷，影响预测精度。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决或者减缓上述问题的预测模型构建方法、门诊量预测方法及装置。
根据本发明的一个方面，提供了一种预测模型构建方法，该方法包括：
获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；
确定所述BP神经网络的初始连接权值和阈值；
对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；
将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。
可选地，所述方法还包括：
采用预设的验证集对所述待预测量预测模型进行测试。
可选地，所述根据所述历史时间序列生成BP神经网络的训练集包括：
确定所述历史时间序列的时间延迟δ和关联维数D；
根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。
可选地，所述确定所述历史时间序列的时间延迟δ和关联维数D包括：
通过互信息法确定所述历史时间序列的时间延迟δ；
通过关联维法确定所述历史时间序列的关联维数D。
可选地，所述对所述初始连接权值和阈值进行优化包括：
采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。
可选地，所述采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化包括：
步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；
步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；
步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；
步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；
步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第三预测精度；
步骤六、比较所述第四组鸟巢位置中鸟巢位置对应的第三预测精度与该鸟巢位置未进行随机改变前对应的预测精度，用第四组鸟巢位置中较优鸟巢位置替换第三组鸟巢位置中与之对应的较差鸟巢位置，得到第五组鸟巢位置；
步骤七、对所述第五组鸟巢位置进行高斯扰动，得到第六组鸟巢位置，所述BP神经网络根据第六组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第四预测精度；
步骤八、比较所述第六组鸟巢位置中鸟巢位置对应的第四预测精度与该鸟巢位置未进行高斯扰动前对应的预测精度，用第六组鸟巢位置中较优鸟巢位置替换第五组鸟巢位置中与之对应的较差鸟巢位置，得到第七组鸟巢位置；
步骤九、查找所述第七组鸟巢位置中对应的预测精度最高的鸟巢，将其作为当前最优鸟巢，判断当前最优鸟巢对应的预测精度是否满足预设预测精度，若是，则停止搜索，并将当前最优鸟巢位置对应的初始连接权值和阈值作为所述BP神经网络的最优初始连接权值和阈值，否则，返回步骤三，继续搜索。
根据本发明的另一个方面，提供了一种门诊量预测方法，该方法包括：
获取历史门诊量的时间序列数据；
根据所述历史门诊量的时间序列数据，采用如上所述的预测模型构建方法构建门诊量预测模型；
采用所述门诊量预测模型进行门诊量预测。
根据本发明的另一个方面，提供了一种预测模型构建装置，该装置包括：
生成模块，用于获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；
确定模块，用于确定所述BP神经网络的初始连接权值和阈值；
参数优化模块，用于对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；
模型训练模块，用于将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。
可选地，所述参数优化模块，具体用于采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。
根据本发明的另一个方面，提供了一种门诊量预测装置，该装置包括历史门诊量数据获取模块、门诊量预测模块以及如上所述的预测模型构建装置；
所述历史门诊量数据获取模块，用于获取历史门诊量的时间序列数据；
所述预测模型构建装置，用于根据所述历史门诊量数据获取模块获取的历史门诊量的时间序列数据，构建门诊量预测模型；
所述门诊量预测模块，用于采用所述门诊量预测模型进行门诊量预测。
本发明实施例提供的预测模型构建方法、门诊量预测方法及装置，通过对BP神经网络的初始连接权值和阈值进行优化，并将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提出的一种预测模型构建方法的流程图；
图2为本发明实施例提出的一种门诊量预测方法的流程图；
图3为本发明实施例提出的一种预测模型构建装置的结构示意图
图4为本发明实施例提出的一种门诊量预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例的一种预测模型构建方法的流程图。
参照图1，本发明实施例提出的预测模型构建方法具体包括以下步骤：
步骤S11、获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集。
本实施例中，所述待预测量为预进行预测的量。
步骤S12、确定所述BP神经网络的初始连接权值和阈值；
步骤S13、对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；
步骤S14、将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型，以根据待预测量预测模型，对待预测量进行预测。
本发明实施例提供的预测模型构建方法，通过对BP神经网络的初始连接权值和阈值进行优化，并将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。
在本发明的一个可选实施例中，所述方法还包括以下步骤：采用预设的验证集对所述待预测量预测模型进行测试。
本发明实施例中，通过预先设置验证集，当经过模型训练，得到待预测量预测模型之后，通过采用预设的验证集对得到的待预测量预测模型进行测试，以验证所述待预测量预测模型的预测精度。
在本发明的一个可选实施例中，所述根据所述历史时间序列生成BP神经网络的训练集具体包括以下附图中未示出的步骤：
步骤A11、确定所述历史时间序列的时间延迟δ和关联维数D；
步骤A12、根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。
具体的，所述确定所述历史时间序列的时间延迟δ和关联维数D进一步地包括以下步骤：通过互信息法确定所述历史时间序列的时间延迟δ；通过关联维法确定所述历史时间序列的关联维数D。
本实施例中，首先，获取待预测量的历史时间序列数据x(i),i＝1,2,…,D，通过互信息法和关联维法确定历史时间序列数据X(i)＝{x(i-(D-1)δ,…,x(i-δ),x(i)}中的时间延迟δ和关联维数D，然后根据δ和D对历史时间序列进行重构，生成BP神经网络的学习样本，即训练集。
在本发明的一个可选实施例中，所述对所述初始连接权值和阈值进行优化具体包括：采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。
布谷鸟搜索(Cuckoo Search Algorithm,CS)算法是由Yang和Deb于2009年提出的一种新兴生物启发算法，该算法模拟了布谷鸟寻窝产卵的行为，并引入了鸟类和果蝇的莱维飞行机制，使其能够快速有效地寻找到最优解。布谷鸟搜索算法在收敛速度和寻优精度方面都超过了遗传算法、差分进化、粒子群算法和人工蜂群算法等智能算法。
本发明实施例，通过采用布谷鸟搜索算法来优化BP神经网络中的初始连接权值和阈值等参数，有效地提高了BP神经网络的性能。
在本发明实施例中，所述采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化进一步包括以下步骤：
步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；
步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；
步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；本实施例中，所述的路径和位置更新规则具体如下：
其中，xi (t)表示第i个鸟巢在第t代的鸟巢位置，表示步长控制量，表示点对点乘法，L(λ)表示随机搜索路径。
步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；
步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第三预测精度；其中，所述随机阈值具体是至随机产生的被发现概率阈值，所述随机阈值<1，所述被发现概率是指一个鸟巢的主人能够发现一个外来卵的概率。
步骤六、比较所述第四组鸟巢位置中鸟巢位置对应的第三预测精度与该鸟巢位置未进行随机改变前对应的预测精度，用第四组鸟巢位置中较优鸟巢位置替换第三组鸟巢位置中与之对应的较差鸟巢位置，得到第五组鸟巢位置；
步骤七、对所述第五组鸟巢位置进行高斯扰动，得到第六组鸟巢位置，所述BP神经网络根据第六组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第四预测精度；
步骤八、比较所述第六组鸟巢位置中鸟巢位置对应的第四预测精度与该鸟巢位置未进行高斯扰动前对应的预测精度，用第六组鸟巢位置中较优鸟巢位置替换第五组鸟巢位置中与之对应的较差鸟巢位置，得到第七组鸟巢位置；
步骤九、查找所述第七组鸟巢位置中对应的预测精度最高的鸟巢，将其作为当前最优鸟巢，判断当前最优鸟巢对应的预测精度是否满足预设预测精度，若是，则停止搜索，并将当前最优鸟巢位置对应的初始连接权值和阈值作为所述BP神经网络的最优初始连接权值和阈值，否则，返回步骤三，继续搜索。
下面通过一个具体实施例对本发明实施例中的采用布谷鸟搜索算法对BP神经网络的初始连接权值和阈值进行优化的步骤进行具体说明。
随机产生n个鸟巢位置每一个鸟巢位置对应着一组BP神经网络初始连接权值和阈值，BP神经网络根据始连接权值和阈值对训练集进行训练，计算每组鸟巢位置对应的预测精度，并根据预测精度找到当前最优鸟巢
保留上一代最优鸟巢位置根据 对其他鸟巢进行更新，得到一组新的鸟巢位置，并对它们进行测试，并与上一代的鸟巢位置进行比较，用较好的鸟巢位置替代较差的鸟巢位置，得到一组较优鸟巢位置其中，xi (t)表示第i个鸟巢在第t代的鸟巢位置，表示步长控制量，表示点对点乘法，L(λ)表示随机搜索路径。
将随机数r与Pa比较，若r>Pa，则对xi (r-1)进行随机改变，进而保留kt中被鸟巢的主人发现外来卵概率较小的鸟巢，同时随机改变其他鸟巢，得到一组新鸟巢位置，对新鸟巢位置进行测试，并与kt中每个鸟巢位置进行比较，用较优鸟巢位置替换较差鸟巢位置，得到一组较优鸟巢位置其中，r属于(0,1)；Pa表示一个鸟巢的主人能发现一个外来卵的概率。
对进行扰动，得到一组新的鸟巢位置并对其进行测试，用较优的鸟巢位置替换较差的鸟巢位置，得到一组较优鸟巢位置为了方便下次迭代，将p″t记为pt。
找出上述步骤中最优鸟巢位置并判断其测试值是否满足预设预测精度要求，如果满足，则停止搜索，并输出最优鸟巢反之，则继续搜索。
需要说明的是，本发明技术方案不仅适用于BP神经网络算法，还可适用于其他机器学习算法。进一步地，本实施例中的布谷鸟搜索算法也可采用其他具有相同功能的算法实现，对此，本发明不作具体限定。
图2示出了本发明实施例的一种门诊量预测方法的流程图。
参照图2，本发明实施例提出的门诊量预测方法具体包括以下步骤：
步骤S21、获取历史门诊量的时间序列数据；
步骤S22、根据所述历史门诊量的时间序列数据，采用如上所述的预测模型构建方法构建门诊量预测模型；
步骤S23、采用所述门诊量预测模型进行门诊量预测。
本发明实施例提供的门诊量预测方法，通过根据历史门诊量数据构建B神经网络的训练集，并对B神经网络的初始连接权值和阈值进行优化，并将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建门诊量预测模型，以采用该预测模型进行门诊量预测，进而提升门诊量预测过程的收敛速度和精度。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图3示意性示出了本发明一个实施例的预测模型构建装置的结构示意图。
参照图3，本发明实施例的预测模型构建装置具体包括生成模块301、确定模块302、参数优化模块303以及模型训练模块304，其中：所述的生成模块301，用于获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；所述的确定模块302，用于确定所述BP神经网络的初始连接权值和阈值；所述的参数优化模块303，用于对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；所述的模型训练模块304，用于将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。
本发明实施例提供的预测模型构建装置，参数优化模块303通过对BP神经网络的初始连接权值和阈值进行优化，以供模型训练模块304将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。
在本发明的一个可选实施例中，所述方法还包括以下附图中未示出的验证测试模块，该验证测试模块，用于采用预设的验证集对所述待预测量预测模型进行测试。
在本发明的一个可选实施例中，所述生成模块301，具体包括确定单元和重构单元，所述确定单元，用于确定所述历史时间序列的时间延迟δ和关联维数D；所述重构单元，用于根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。
进一步地，所述确定单元，具体用于通过互信息法确定所述历史时间序列的时间延迟δ；以及通过关联维法确定所述历史时间序列的关联维数D。
在本发明的一个可选实施例中，所述参数优化模块302，具体用于采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。
本发明实施例中，所述参数优化模块302，具体通过执行如下操作实现对BP神经网络的初始连接权值和阈值进行优化，具体如下：
步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；
步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；
步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；
步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；
步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第三预测精度；
步骤六、比较所述第四组鸟巢位置中鸟巢位置对应的第三预测精度与该鸟巢位置未进行随机改变前对应的预测精度，用第四组鸟巢位置中较优鸟巢位置替换第三组鸟巢位置中与之对应的较差鸟巢位置，得到第五组鸟巢位置；
步骤七、对所述第五组鸟巢位置进行高斯扰动，得到第六组鸟巢位置，所述BP神经网络根据第六组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第四预测精度；
步骤八、比较所述第六组鸟巢位置中鸟巢位置对应的第四预测精度与该鸟巢位置未进行高斯扰动前对应的预测精度，用第六组鸟巢位置中较优鸟巢位置替换第五组鸟巢位置中与之对应的较差鸟巢位置，得到第七组鸟巢位置；
步骤九、查找所述第七组鸟巢位置中对应的预测精度最高的鸟巢，将其作为当前最优鸟巢，判断当前最优鸟巢对应的预测精度是否满足预设预测精度，若是，则停止搜索，并将当前最优鸟巢位置对应的初始连接权值和阈值作为所述BP神经网络的最优初始连接权值和阈值，否则，返回步骤三，继续搜索。
图4示意性示出了本发明一个实施例的门诊量预测装置的结构示意图。
参照图4，本发明实施例的门诊量预测装置具体包括历史门诊量数据获取模块100、门诊量预测模块200以及如上任一实施例所述的预测模型构建装置300；其中，所述历史门诊量数据获取模块100，用于获取历史门诊量的时间序列数据；所述预测模型构建装置300，用于根据所述历史门诊量数据获取模块获取的历史门诊量的时间序列数据，构建门诊量预测模型；所述门诊量预测模块200，用于采用所述门诊量预测模型进行门诊量预测。
本发明实施例提供的门诊量预测装置，预测模型构建装置300通过根据历史门诊量数据构建B神经网络的训练集，并对B神经网络的初始连接权值和阈值进行优化，并将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建门诊量预测模型，以供门诊量预测模块200采用该预测模型进行门诊量预测，进而提升门诊量预测过程的收敛速度和精度。
本发明实施例中的预测模型构建装置300，以如图3所示的预测模型构建装置为例进行说明，所述预测模型构建装置，具体包括生成模块301、确定模块302、参数优化模块303以及模型训练模块304，其中：所述的生成模块301，用于获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；所述的确定模块302，用于确定所述BP神经网络的初始连接权值和阈值；所述的参数优化模块303，用于对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；所述的模型训练模块304，用于将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
综上所述，本发明实施例提供的预测模型构建方法、门诊量预测方法及装置，通过对B神经网络的初始连接权值和阈值进行优化，并将优化后的最优初始连接权值和阈值作为BP神经网络的初始参数，对训练集进行模型训练，准确地构建待预测量预测模型，进而提升预测过程的收敛速度和精度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述进行分布于实施例的系统中，也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种预测模型构建方法，其特征在于，包括：
获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；
确定所述BP神经网络的初始连接权值和阈值；
对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；
将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采用预设的验证集对所述待预测量预测模型进行测试。
3.根据权利要求1所述的方法，其特征在于，所述根据所述历史时间序列生成BP神经网络的训练集包括：
确定所述历史时间序列的时间延迟δ和关联维数D；
根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。
4.根据权利要求3所述的方法，其特征在于，所述确定所述历史时间序列的时间延迟δ和关联维数D包括：
通过互信息法确定所述历史时间序列的时间延迟δ；
通过关联维法确定所述历史时间序列的关联维数D。
5.根据权利要求1所述的方法，其特征在于，所述对所述初始连接权值和阈值进行优化包括：
采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。
6.根据权利要求5所述的方法，其特征在于，所述采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化包括：
步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；
步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；
步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；
步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；
步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第三预测精度；
步骤六、比较所述第四组鸟巢位置中鸟巢位置对应的第三预测精度与该鸟巢位置未进行随机改变前对应的预测精度，用第四组鸟巢位置中较优鸟巢位置替换第三组鸟巢位置中与之对应的较差鸟巢位置，得到第五组鸟巢位置；
步骤七、对所述第五组鸟巢位置进行高斯扰动，得到第六组鸟巢位置，所述BP神经网络根据第六组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第四预测精度；
步骤八、比较所述第六组鸟巢位置中鸟巢位置对应的第四预测精度与该鸟巢位置未进行高斯扰动前对应的预测精度，用第六组鸟巢位置中较优鸟巢位置替换第五组鸟巢位置中与之对应的较差鸟巢位置，得到第七组鸟巢位置；
步骤九、查找所述第七组鸟巢位置中对应的预测精度最高的鸟巢，将其作为当前最优鸟巢，判断当前最优鸟巢对应的预测精度是否满足预设预测精度，若是，则停止搜索，并将当前最优鸟巢位置对应的初始连接权值和阈值作为所述BP神经网络的最优初始连接权值和阈值，否则，返回步骤三，继续搜索。
7.一种门诊量预测方法，其特征在于，包括：
获取历史门诊量的时间序列数据；
根据所述历史门诊量的时间序列数据，采用如权利要求1～6任一项所述的预测模型构建方法构建门诊量预测模型；
采用所述门诊量预测模型进行门诊量预测。
8.一种预测模型构建装置，其特征在于，包括：
生成模块，用于获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；
确定模块，用于确定所述BP神经网络的初始连接权值和阈值；
参数优化模块，用于对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；
模型训练模块，用于将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。
9.根据权利要求8所述的装置，其特征在于，所述参数优化模块，具体用于采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。
10.一种门诊量预测装置，其特征在于，包括历史门诊量数据获取模块、门诊量预测模块以及如权利要求8或9所述的预测模型构建装置；
所述历史门诊量数据获取模块，用于获取历史门诊量的时间序列数据；
所述预测模型构建装置，用于根据所述历史门诊量数据获取模块获取的历史门诊量的时间序列数据，构建门诊量预测模型；
所述门诊量预测模块，用于采用所述门诊量预测模型进行门诊量预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611180109.3A CN108229714A (zh) | 2016-12-19 | 2016-12-19 | 预测模型构建方法、门诊量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611180109.3A CN108229714A (zh) | 2016-12-19 | 2016-12-19 | 预测模型构建方法、门诊量预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108229714A true CN108229714A (zh) | 2018-06-29 |
Family
ID=62650724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611180109.3A Pending CN108229714A (zh) | 2016-12-19 | 2016-12-19 | 预测模型构建方法、门诊量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108229714A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309911A (zh) * | 2019-07-05 | 2019-10-08 | 北京中科寒武纪科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
| CN112148557A (zh) * | 2020-09-15 | 2020-12-29 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
| CN112927085A (zh) * | 2021-04-14 | 2021-06-08 | 刘星 | 基于区块链、大数据和算法的股票风险预警系统 |
| CN113077891A (zh) * | 2021-04-15 | 2021-07-06 | 王小娟 | 基于算法、区块链和医学影像的大数据疾病诊断系统 |
| CN113096806A (zh) * | 2021-04-15 | 2021-07-09 | 王小娟 | 基于医学影像算法和区块链的疾病预测系统 |
| CN114065646A (zh) * | 2021-11-25 | 2022-02-18 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299033A (zh) * | 2014-09-24 | 2015-01-21 | 上海电力学院 | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 |
-
2016
- 2016-12-19 CN CN201611180109.3A patent/CN108229714A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299033A (zh) * | 2014-09-24 | 2015-01-21 | 上海电力学院 | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309911A (zh) * | 2019-07-05 | 2019-10-08 | 北京中科寒武纪科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
| CN112148557A (zh) * | 2020-09-15 | 2020-12-29 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
| CN112148557B (zh) * | 2020-09-15 | 2021-10-08 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
| CN112927085A (zh) * | 2021-04-14 | 2021-06-08 | 刘星 | 基于区块链、大数据和算法的股票风险预警系统 |
| CN113077891A (zh) * | 2021-04-15 | 2021-07-06 | 王小娟 | 基于算法、区块链和医学影像的大数据疾病诊断系统 |
| CN113096806A (zh) * | 2021-04-15 | 2021-07-09 | 王小娟 | 基于医学影像算法和区块链的疾病预测系统 |
| CN114065646A (zh) * | 2021-11-25 | 2022-02-18 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
| CN114065646B (zh) * | 2021-11-25 | 2022-10-28 | 无锡同方人工环境有限公司 | 基于混合优化算法的能耗预测方法、云计算平台及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229714A (zh) | 预测模型构建方法、门诊量预测方法及装置 | |
| CN110334843B (zh) | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 | |
| Alexandrino et al. | A robust optimization for damage detection using multiobjective genetic algorithm, neural network and fuzzy decision making | |
| Papageorgiou et al. | Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps | |
| Cheng et al. | Preference-based policy iteration: Leveraging preference learning for reinforcement learning | |
| JPWO2020142551A5 (zh) | ||
| US20200242288A1 (en) | Method, processor device and computer program product for designing intervention into the behaviour of a real complex system | |
| CN107180283A (zh) | 一种基于最优特征组合的再住院行为预测系统及方法 | |
| JP2019128904A (ja) | 予測システム、シミュレーションシステム、方法およびプログラム | |
| Krusche et al. | Adaptive planning in human search | |
| Azzali et al. | Towards the use of vector based GP to predict physiological time series | |
| Ludermir et al. | Particle swarm optimization of MLP for the identification of factors related to common mental disorders | |
| Vavilova et al. | Application of genetic algorithm for adjusting the structure of multilayered neural network for prediction of investment processes | |
| Zhang et al. | Brain-inspired experience reinforcement model for bin packing in varying environments | |
| Ciganda et al. | Demographic models of the reproductive process: Past, interlude, and future | |
| Mago et al. | Employing fuzzy cognitive map for periodontal disease assessment | |
| CN112329921B (zh) | 基于深度表征学习和强化学习的利尿剂剂量推理设备 | |
| Li et al. | Self-organized criticality of molecular biology and thermodynamic analysis of life system based on optimized particle swarm algorithm | |
| Son et al. | Optimization of construction projects time-cost-quality-environment trade-off problem using adaptive selection slime mold algorithm | |
| Lin et al. | An evolutionary developmental approach for generation of 3D neuronal morphologies using gene regulatory networks | |
| Webb et al. | A neural model of stochastic choice in a mixed strategy game | |
| Kumar et al. | An optimized agile estimation plan using harmony search algorithm | |
| Poczęta et al. | Learning fuzzy cognitive maps using evolutionary algorithm based on system performance indicators | |
| Kubica et al. | Softmax and McFadden’s discrete choice under interval (and other) uncertainty | |
| Basodi et al. | Intelligent gradient amplification for deep neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
| RJ01 | Rejection of invention patent application after publication |