CN112257915B - 基于胶囊网络的医院门诊人流量预测方法 - Google Patents

基于胶囊网络的医院门诊人流量预测方法 Download PDF

Info

Publication number
CN112257915B
CN112257915B CN202011116042.3A CN202011116042A CN112257915B CN 112257915 B CN112257915 B CN 112257915B CN 202011116042 A CN202011116042 A CN 202011116042A CN 112257915 B CN112257915 B CN 112257915B
Authority
CN
China
Prior art keywords
flow
department
matrix
hospital
capsule
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.)
Active
Application number
CN202011116042.3A
Other languages
English (en)
Other versions
CN112257915A (zh
Inventor
亓晋
许会芬
孙莹
孙雁飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Nanyou Institute Of Information Technovation Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Nanyou Institute Of Information Technovation Co ltd
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Nanyou Institute Of Information Technovation Co ltd, Nanjing University of Posts and Telecommunications filed Critical Nanjing Nanyou Institute Of Information Technovation Co ltd
Priority to CN202011116042.3A priority Critical patent/CN112257915B/zh
Publication of CN112257915A publication Critical patent/CN112257915A/zh
Application granted granted Critical
Publication of CN112257915B publication Critical patent/CN112257915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于胶囊网络的医院门诊人流量预测方法，首先从从医院挂号系统和门诊系统提取历史数据，然后进行数据转化、模型训练和调优，得到平均相对误差MRE满足规定指标要求的胶囊网络模型，再根据提取的某一时刻各科室的实时人流量，预测未来一段时间的各科室人流量，以达到基于医院挂号系统和门诊系统提供的挂号量与人流量，精确预测未来一段时间各科室人流量，从而节约摄像机投资，利于医院合理利用资源、患者自主决定就医时段、提高就医体验的技术目的。

Description

基于胶囊网络的医院门诊人流量预测方法
技术领域
本发明涉及智慧医疗和流量预测技术领域，具体涉及基于胶囊网络的医院门诊人流量预测方法。
背景技术
为此，高效的人流量预测是解决问题的有效方法：一方面，医院根据预测的人流量调整内部人员配置，以合理利用资源；另一方面，患者可根据预测的人流量，结合自评健康水平选择合适的医院就诊，从而节省就医时间。
目前国内外对服务行业人流量的预测研究方法主要基于传统的预测方法，如ARIMA模型、LSTM算法、视频分析等，它们针对不同应用场景选择不同算法以提高预测的准确性，但是医疗方面能精确预测到科室粒度人流量的研究则完全没有。
在专利201810032586.8《基于视频的医院人流量测算系统及方法》提供了一种基于视频的医院人流量测算系统及方法，其方法包括如下步骤：从医疗机构的每个入口所安装的拍摄装置获取视频；对每个入口所拍摄的视频进行实时分析以确定该入口的人的数量；基于将每个入口所拍摄的视频所分析出的人的数量计算患者的总数量；将总数量发送给用户终端。其基于医院入口的摄像装置所拍摄的视频来实时监测医疗机构的人流量，并及时发送给患者，方便用户做出判断。该技术的不足是：仅能判断当时的人流量，从摄像机安装位置到各科室有一定路径而且存在分流、合流的情况，摄像机得到的实时数据不覆盖大批患者到达具体科室后的人流量，从而不具有预测未来一段时间人流量变化；同时，每个入口安装拍摄装置，带来的实施成本高。
卷积神经网络在池化层中丢失了大量信息，降低了空间分辨率，同时丢失了空间等特征，而最新的胶囊网络作为一种热门新型神经网络结构，它克服卷积神经网络的缺点，需要更少的训练数据，还能处理时间、空间、姿态等模糊性，为处理医疗方面精确预测到科室粒度人流量的研究带来了新的希望。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于胶囊网络的医院门诊人流量预测方法，首先从从医院挂号系统和门诊系统提取历史数据，然后进行数据转化、模型训练和调优，得到平均相对误差MRE满足规定指标要求的胶囊网络模型，再根据提取的某一时刻各科室的实时人流量，预测未来一段时间的各科室人流量，以达到基于医院挂号系统和门诊系统提供的挂号量与人流量，精确预测未来一段时间各科室人流量，从而节约摄像机投资，利于医院合理利用资源、患者自主决定就医时段、提高就医体验的技术目的。
为此，本发明提供一种基于胶囊网络的医院门诊人流量预测方法，其特征在于，包括如下步骤：
S100、从医院挂号系统和门诊系统提取历史数据，所述一条历史数据包括挂号信息的发生时间、对应科室和科室门诊的人流量数据；
S200、数据转化；
S300、模型训练和调优；
S400、模型应用；
其中：步骤S200包括如下子步骤：
S201、按某个时间步长汇总各科室的挂号量和人流量，其中：所述时间步长的取值范围为1至10分钟；
S202、生成表示时间、科室、科室挂号量和人流量关系的二维矩阵；
S203、将二维矩阵归一化，输出一类样本矩阵，其中：所述一类样本矩阵的维度包括时间和科室，其取值为归一化科室挂号量和归一化人流量，所述归一化科室挂号量和归一化人流量的取值范围位于0到255；
S204、将一类样本矩阵分别滑动不同的时间步长并截取1个时间步长，依次得到一系列长度为N*N的二类样本矩阵，其中：所述二类样本矩阵的维度包括时间和科室，N表示科室数量；
S205、将一系列二类样本矩阵划分为80％的训练样本集和20％的测试样本集；步骤S300包括如下子步骤：
S301、定义一个包含卷积层1、卷积层2、主胶囊层和数字胶囊层的胶囊网络；
S302、提取80％的二类样本矩阵，输入到胶囊网络的卷积层1；
S303、在卷积层1，定义256个步长为1、各维长度为9*9*1的卷积核矩阵M1，用M1对卷积层1的输入执行ReLU激活，其中padding＝0；
S304、在卷积层2，定义256个步长为1、各维长度为3*3*1的卷积核矩阵M2，用M2对卷积层1的输出执行ReLU激活，其中padding＝1；
S305、在主胶囊层，定义8个步长为1、各维长度为9*9*256的卷积核矩阵M3，用M3对卷积层2的输出执行ReLU激活，输出32个胶囊共6*6*8*32张量，其中padding＝1；
S306、在数字胶囊层，定义8*N权重矩阵M4；将来自主胶囊层的所有胶囊通过权重矩阵M4映射到N个数字胶囊，其中：N表示科室数量，每个胶囊对应一个向量，向量模长表示对应科室人流量的预测结果；
S307、将计算的模型应用于20％测试样本集，对每一测试样本得到一组表示各个科室预测人流量的向量，与实际人流量比对，得到平均相对误差MRE，其中MRE的计算式为：
其中：和yi分别表示第i个科室的人流量预测值和实际值，I表示测试样本集集中的样本个数；
S308、判断MRE是否满足要求，如满足要求，则只需步骤S309，否则如不满足要求，则执行到步骤S310；
S309、视为计算成功，训练过程结束并且转到步骤S400；
S310、判断迭代次数是否超过规定次数，如超过，则执行到步骤S11，否则执行步骤S312；
S311、视为计算失败，训练过程结束；
S312、修改卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4，重复执行步骤S303-S312；
步骤S4包括如下子步骤：
S401、从医院挂号系统，提取某一时刻各科室的实时挂号量和科室人流量；
S402、应用计算好的胶囊网络模型，预测未来一段时间的各科室人流量。
进一步地，S303、S304和S305所述ReLU激活函数f(x)的算法为：
更优地，步骤S400还包括以下子步骤：
S403、将模型应用阶段预测的各科室人流量与后续实际的人流量做比对，当误差范围超过规定数值后，自动停止模型应用，而重复执行步骤S100至S400模型训练、调优与应用对应的各过程；所述误差范围区间为1％至5％。
进一步地，所述卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4的初始值为全1矩阵。
更优地，S402所预测的人流量数据通过4G网络发送到移动App。
本发明具有如下有益效果：
首先，本发明从医院挂号系统和门诊系统提取历史数据用于模型训练，并提取实时数据用于人流量预测，使用胶囊网络需要的训练样本少，还能处理时间、空间路径的模糊性，所处理人流量可精确到科室，从而节约摄像机投资，提高患者就医体验。
其次，由于胶囊网络模型基于大量历史样本进行训练和调优，与卷积神经网络相比，更能处理由于科室之间复杂路径导致的模糊性，从而具有更好的实用价值和模型适用性。
本发明的医院门诊人流量预测方法，通过构建医院历史门诊人流量在时间和空间上的灰度图像，将胶囊网络的方法运用到医院门诊人流量数据图像的处理和预测，准确预测下一时间医院门诊人流量，合理利用预测数据，医院可根据预测结果合理分配人力物力，患者可参考预测结果选择就诊时间和医院，从而最大范围的优化资源配置，缓解紧张的医患关系。
附图说明
图1是一种基于胶囊网络的医院门诊人流量预测方法的流程图，
图2是S200数据转化的流程图，
图3是S300模型训练和调试的流程图，
图4是S400模型应用的流程图；
图5为步骤S400的另一个实施例的流程图。
具体实施方式
为了加深对本发明的理解，下面结合附图和实施例对本发明进一步说明，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
本发明涉及一种基于胶囊网络的医院门诊人流量预测方法，其执行流程如图1所述，包括如下步骤：
S100、从医院挂号系统和门诊系统提取历史数据，所述一条历史数据包括挂号信息的发生时间、对应科室和科室门诊的人流量数据；
S200、数据转化；
S300、模型训练和调优；
S400、模型应用。
实施例1
步骤S200的执行流程如图2所示，包括如下子步骤：
S201、按某个时间步长汇总各科室的挂号量和人流量，其中：所述时间步长的取值范围为1至10分钟；科室人流量变化的主要来源是新挂号和诊疗结束，故而提取挂号量数据和实时人流量数据能保留未来人流量演变的主要动力来源；
S202、生成表示时间、科室、科室挂号量和人流量关系的二维矩阵；
S203、将二维矩阵归一化，输出一类样本矩阵，其中：所述一类样本矩阵的维度包括时间和科室，其取值为归一化科室挂号量和归一化人流量，所述归一化科室挂号量和归一化人流量的取值范围位于0到255；
S204、将一类样本矩阵分别滑动不同的时间步长并截取1个时间步长，依次得到一系列长度为N*N的二类样本矩阵，其中：所述二类样本矩阵的维度包括时间和科室，取值的范围位于0到255，N表示科室数量；
S205、将一系列二类样本矩阵划分为80％的训练样本集和20％的测试样本集。
步骤S300的执行流程如图3所示，包括如下子步骤：
S301、定义一个包含卷积层1、卷积层2、主胶囊层和数字胶囊层的胶囊网络；
S302、提取80％的二类样本矩阵作为训练样本集，输入到胶囊网络的卷积层1；
S303、在卷积层1，定义256个步长为1、各维长度为9*9*1的卷积核矩阵M1，用M1对卷积层1的输入执行ReLU激活，其中padding＝0；
S304、在卷积层2，定义256个步长为1、各维长度为3*3*1的卷积核矩阵M2，用M2对卷积层1的输出执行ReLU激活，其中padding＝1；
S305、在主胶囊层，定义8个步长为1、各维长度为9*9*256的卷积核矩阵M3，用M3对卷积层2的输出执行ReLU激活，输出32个胶囊共6*6*8*32张量，其中padding＝1；
S306、在数字胶囊层，定义8*N权重矩阵M4；将来自主胶囊层的所有胶囊通过权重矩阵M4映射到N个数字胶囊，其中：N表示科室数量，每个胶囊对应一个向量，向量模长表示对应科室人流量的预测结果；
S307、将计算的模型应用于20％测试样本集，对每一测试样本得到一组表示各个科室预测人流量的向量，与实际人流量比对，得到平均相对误差MRE，其中MRE的计算式为：
其中：和yi分别表示第i个科室的人流量预测值和实际值，I表示测试样本集集中的样本个数；
S308、判断MRE是否满足要求，如满足要求，则只需步骤S309，否则如不满足要求，则执行到步骤S310；
S309、视为计算成功，训练过程结束；
S310、判断迭代次数是否超过规定次数，如超过，则执行到步骤S311，否则执行步骤S312；
S311、视为计算失败，训练过程结束；
S312、修改卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4，重复执行S303-S312；
步骤S400的执行流程如图4所示，包括如下子步骤：
S401、从医院挂号系统，提取某一时刻各科室的实时挂号量和科室人流量；
S402、应用计算好的胶囊网络模型，预测未来一段时间的各科室人流量。
其中：S303、S304和S305所述ReLU激活函数f(x)的算法为：
其中：所述卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4的初始值为全1矩阵。
实施例2
步骤S400还包括以下子步骤，如图5所示：
S403、将模型应用阶段预测的各科室人流量与后续实际的人流量做比对，当误差MRE范围超过规定数值后，自动停止模型应用，而重复执行步骤S100至S400模型训练、调优与应用各过程；所述误差范围区间为1％至5％。
实施例3
S402所预测的人流量数据通过4G网络发送到移动App。
本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。

Claims (5)

1.基于胶囊网络的医院门诊人流量预测方法，其特征在于，包括如下步骤：S100、从医院挂号系统和门诊系统提取历史数据，所述一条历史数据包括挂号信息的发生时间、对应科室和科室门诊的人流量数据；
S200、数据转化；
S300、模型训练和调优；
S400、模型应用；
其中：步骤S200包括如下子步骤：
S201、按某个时间步长汇总各科室的挂号量和人流量，其中：所述时间步长的取值范围为1至10分钟；
S202、生成表示时间、科室、科室挂号量和人流量关系的二维矩阵；
S203、将二维矩阵归一化，输出一类样本矩阵，其中：所述一类样本矩阵的维度包括时间和科室，其取值为归一化科室挂号量和归一化人流量，所述归一化科室挂号量和归一化人流量的取值范围位于0到255；
S204、将一类样本矩阵分别滑动不同的时间步长并截取1个时间步长，依次得到一系列长度为N*N的二类样本矩阵，其中：所述二类样本矩阵的维度包括时间和科室，N表示科室数量；
S205、将一系列二类样本矩阵划分为80％的训练样本集和20％的测试样本集；
步骤S300包括如下子步骤：
S301、定义一个包含卷积层1、卷积层2、主胶囊层和数字胶囊层的胶囊网络；
S302、提取80％的二类样本矩阵，输入到胶囊网络的卷积层1；
S303、在卷积层1，定义256个步长为1、各维长度为9*9*1的卷积核矩阵M1，用M1对卷积层1的输入执行ReLU激活，其中padding＝0；
S304、在卷积层2，定义256个步长为1、各维长度为3*3*1的卷积核矩阵M2，用M2对卷积层1的输出执行ReLU激活，其中padding＝1；
S305、在主胶囊层，定义8个步长为1、各维长度为9*9*256的卷积核矩阵M3，用M3对卷积层2的输出执行ReLU激活，输出32个胶囊共6*6*8*32张量，其中padding＝1；
S306、在数字胶囊层，定义8*N权重矩阵M4；将来自主胶囊层的所有胶囊通过权重矩阵M4映射到N个数字胶囊，其中：N表示科室数量，每个胶囊对应一个向量，向量模长表示对应科室人流量的预测结果；
S307、将计算的模型应用于20％测试样本集，对每一测试样本得到一组表示各个科室预测人流量的向量，与实际人流量比对，得到平均相对误差MRE，其中MRE的计算式为：
其中：和yi分别表示第i个科室的人流量预测值和实际值，I表示测试样本集集中的样本个数；
S308、判断MRE是否满足要求，如满足要求，则只需步骤S309，否则如不满足要求，则执行到步骤S310；其中：MRE的规定合格范围位于1％至5％；
S309、视为计算成功，训练过程结束；
S310、判断迭代次数是否超过规定次数，如超过，则执行到步骤S311，否则执行步骤S312；
S311、视为计算失败，训练过程结束；
S312、修改卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4，重复执行S303-S312；
步骤S400包括如下子步骤：
S401、从医院挂号系统，提取某一时刻各科室的实时挂号量和科室人流量；
S402、应用计算好的胶囊网络模型，预测未来一段时间的各科室人流量。
2.根据权利要求1所述的医院门诊人流量预测方法，其特征在于，步骤S303、S304和S305所述的ReLU激活函数f(x)的算法为：
3.根据权利要求1所述的医院门诊人流量预测方法，其特征在于，步骤S400还包括以下子步骤：
S403、将模型应用阶段预测的各科室人流量与后续实际的人流量做比对，当误差范围超过规定数值后，自动停止模型应用，而重复执行步骤S100至S400对应的过程；所述误差范围区间为1％至5％。
4.根据权利要求1所述的医院门诊人流量预测方法，其特征在于，所述卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4的初始值为全1矩阵。
5.根据权利要求1-4任意一项所述的医院门诊人流量预测方法，其特征在于，S402所预测的人流量数据通过4G网络发送到移动App。
CN202011116042.3A 2020-10-19 2020-10-19 基于胶囊网络的医院门诊人流量预测方法 Active CN112257915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011116042.3A CN112257915B (zh) 2020-10-19 2020-10-19 基于胶囊网络的医院门诊人流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011116042.3A CN112257915B (zh) 2020-10-19 2020-10-19 基于胶囊网络的医院门诊人流量预测方法

Publications (2)

Publication Number Publication Date
CN112257915A CN112257915A (zh) 2021-01-22
CN112257915B true CN112257915B (zh) 2023-10-17

Family

ID=74245394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011116042.3A Active CN112257915B (zh) 2020-10-19 2020-10-19 基于胶囊网络的医院门诊人流量预测方法

Country Status (1)

Country Link
CN (1) CN112257915B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674844A (zh) * 2021-08-19 2021-11-19 浙江远图互联科技股份有限公司 基于多头cnn网络的医院门诊人流量预测及分诊系统
CN118245853B (zh) * 2024-05-28 2024-07-19 云上广济(贵州)信息技术有限公司 医疗云数据的分类分级识别方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326634A (zh) * 2016-08-09 2017-01-11 浙江工业大学 一种基于深度信念网络的医院门诊量预测方法
CN108712292A (zh) * 2018-05-29 2018-10-26 广州大学 一种基于深度学习的网络流类型预测方法
CN109002904A (zh) * 2018-06-21 2018-12-14 中南大学 一种基于Prophet-ARMA的医院门诊就诊量预测方法
CN111755106A (zh) * 2019-03-28 2020-10-09 株式会社日立制作所 一种门诊量的预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410575B (zh) * 2018-10-29 2020-05-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326634A (zh) * 2016-08-09 2017-01-11 浙江工业大学 一种基于深度信念网络的医院门诊量预测方法
CN108712292A (zh) * 2018-05-29 2018-10-26 广州大学 一种基于深度学习的网络流类型预测方法
CN109002904A (zh) * 2018-06-21 2018-12-14 中南大学 一种基于Prophet-ARMA的医院门诊就诊量预测方法
CN111755106A (zh) * 2019-03-28 2020-10-09 株式会社日立制作所 一种门诊量的预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LSTM递归神经网络医院门诊量预测方法;张标标;吴俊宏;马仕强;柯飚挺;;自动化应用(第07期);全文 *

Also Published As

Publication number Publication date
CN112257915A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN112257915B (zh) 基于胶囊网络的医院门诊人流量预测方法
WO2021000856A1 (zh) 骨龄检测方法、系统、设备及可读存储介质
WO2021180244A1 (zh) 一种疾病风险预测系统、方法、装置、设备及介质
CN113191479B (zh) 联合学习的方法、系统、节点及存储介质
WO2024001806A1 (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
CN111428854A (zh) 一种结构搜索方法及结构搜索装置
US20210192365A1 (en) Computer device, system, readable storage medium and medical data analysis method
CN107257419B (zh) 一种基于贝叶斯分析人际关系量化估值方法
CN113570162B (zh) 基于人工智能的住院费用预测方法、装置及计算机设备
US11508466B2 (en) Methods, systems, and devices for determining multi-party collocation
CN117012380A (zh) 事件预估方法、装置、设备、存储介质及程序产品
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
Manoharan et al. A novel CNN-TLSTM approach for dengue disease identification and prevention using IoT-fog cloud architecture
CN117252362A (zh) 基于人工智能的调度方法、装置、计算机设备及存储介质
CN110647926B (zh) 医学影像流识别方法、装置、电子设备和存储介质
WO2021134810A1 (zh) 支撑点并行枚举负载均衡方法、装置、设备及介质
WO2023185541A1 (zh) 一种模型训练方法及其相关设备
WO2023125090A1 (zh) 一种小区负载的调整方法及其相关设备
CN116310677A (zh) 一种图像处理方法及其相关设备
CN110909706A (zh) 一种昼伏夜出人员判定方法、装置、电子设备及存储介质
CN111402975A (zh) 一种基于智慧云平台的院外药学监护系统及方法
US20230409926A1 (en) Index for risk of non-adherence in geographic region with patient-level projection
CN109961060A (zh) 用于生成人群密度信息的方法和装置
CN117746047A (zh) 一种图像处理方法及其相关设备
CN114358186A (zh) 一种数据处理方法、装置及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant