CN116523146B - 一种基于神经网络的医院污水量预测方法及装置 - Google Patents
一种基于神经网络的医院污水量预测方法及装置 Download PDFInfo
- Publication number
- CN116523146B CN116523146B CN202310786705.XA CN202310786705A CN116523146B CN 116523146 B CN116523146 B CN 116523146B CN 202310786705 A CN202310786705 A CN 202310786705A CN 116523146 B CN116523146 B CN 116523146B
- Authority
- CN
- China
- Prior art keywords
- data
- sewage
- historical
- model
- neural network
- 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
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 239000002351 wastewater Substances 0.000 claims description 27
- 230000002285 radioactive effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000011010 flushing procedure Methods 0.000 claims description 18
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 16
- 238000005202 decontamination Methods 0.000 claims description 16
- 230000003588 decontaminative effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- ZKQDCIXGCQPQNV-UHFFFAOYSA-N Calcium hypochlorite Chemical compound [Ca+2].Cl[O-].Cl[O-] ZKQDCIXGCQPQNV-UHFFFAOYSA-N 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000007844 bleaching agent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002906 medical waste Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004065 wastewater treatment 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Child & Adolescent Psychology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明提供了一种基于神经网络的医院污水量预测方法及装置，包括以下步骤：S1、采集医院历史就诊及对应的历史污水产出量数据形成历史数据库；S2、将历史数据库中数据按照时间顺序进行排序并进行归一化处理；S3、搭建LSTM神经网络模型；S4、使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；S5、使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；S6、采集医院实时就诊数据，将医院实时就诊数据输入至污水量预测模型得到理论污水产量。本发明有益效果：可以根据实时就诊数据预测出污水量。
Description
技术领域
本发明属于污水量预测技术领域，尤其是涉及一种基于神经网络的医院污水量预测方法及装置。
背景技术
医院的运行过程中会产升大料的污水，医院污水的类型包括：第一，医疗废水：来自医院内医学实验室、手术室、器材清洗处等处所产生的含有化学药品、细菌、病毒等有害物质的废水；第而，洗消污水：来自医院内感染病房、手术室、医疗废物处置室等处洗消工作时产生的含有漂白粉、过氧化氢、甲醛等消毒剂的污水；第三，冲洗污水：来自医院内摆放医疗器械、药品等容器的冲洗污水，其中含有部分癌性物质；第四，放射性污水，由放射性设备的维护和运行过程中产生，具有一定的放射性；由于医院污水中含有大量的有害物质，如果不经过有效的处理就直接排放到自然环境中，将会对环境和人类健康造成威胁。
在医院污水处理方法如下：医疗废水、洗消污水及冲洗污水是通过专门的密闭式排放管路导流至污水处理设备中进行处理；放射性污水放置在防辐射容器中进行储存，积攒到一定的量后由第三方污水处理公司进行统一处理。
在实际的经常会发生以下问题：第一，污水排放管泄露或堵塞的问题，当排放管发生泄露或堵塞时，污水会泄露到外部不仅会污染环境，还有可能对人类健康造成威胁，此时污水处理设备处理量减少，污水处理人员却无法得知排放管发生了泄露或堵塞，导致管理不便捷；第二，医务人员的污水排放管路选择错误，导致生活污水进入医疗废水的排放管路中，导致污水处理设备处理量增大，增加了污水处理设备的工作符合；第三，放射性设备的维护和运行过程中出现问题，导致放射性污水量发生波动，设备维护人员无法得知放射性设备的维护状态，导致放射性设备损坏。因此，亟需一种通过就诊量来预测污水量的方法，将预测污水量与实际污水量进行对比及时发现污水处理过程中的存在的问题。
发明内容
有鉴于此，本发明旨在提出一种基于神经网络的医院污水量预测方法及装置，以期解决上述部分技术问题中的至少之一。
为达到上述目的，本发明的技术方案是这样实现的：
本发明第一方面提供了一种基于神经网络的医院污水量预测方法，包括以下步骤：
S1、采集医院历史就诊及对应的历史污水产出量数据形成历史数据库；
S2、将历史数据库中数据按照时间顺序进行排序并进行归一化处理，将数据库中的数据分为训练集和数据集；
S3、搭建LSTM神经网络模型；
S4、使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；
S5、使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；
S6、采集医院实时就诊数据，将医院实时就诊数据输入至污水量预测模型得到理论污水产量。
进一步的，所述医院历史就诊数据包括：
历史手术室就诊数据，所述历史手术室就诊数据的特征信息包括手术类型、手术时间、手术次数；
历史门诊就诊数据，所述历史门诊就诊数据的特征信息包括门诊就诊人数、门诊就诊时间、门诊就诊科室；
历史医学检查数据，所述历史医学检查数据的特征信息包括医学检查类型、医学检查人数、医学检查时间；
历史放射检查数据，所述历史放射检查数据的特征信息包括放射检查类型、放射检查人数、放射检查时间；
所述历史污水产出量数据包括：
历史医疗废水数据，所述历史医疗废水数据的特征信息包括医疗废水体积、医疗废水产生时间；
历史洗消污水数据，所述历史洗消污水数据的特征信息包括洗消污水体积、洗消污水产生时间；
历史冲洗污水数据，所述历史冲洗污水数据的特征信息包括冲洗污水体积、冲洗污水产生时间；
历史放射性污水数据，所述历史放射性污水数据的特征信息包括放射性污水体积、放射性污水产生时间。
进一步的，所述步骤S1包括以下步骤：
S11、将一天内的医院历史就诊数据和历史污水产出量数据作为一个自然历史数据组；
S12、将一天内上午的医院历史就诊数据和历史污水产出量数据与某天内下午的医院历史就诊数据和历史污水产出量数据组成为多个生成历史数据组；
S13、将所有的自然历史数据组和生成历史数据组储存入历史数据库。
进一步的，所述步骤S2包括以下步骤：
S21、使用标准差规范化的方法对数据进行归一化处理：
公式为：Xnorm=（X-u）/σ，其中Xnorm为归一化处理后的值，X为原数据，u为数据库数据的均值，σ为数据库数据的标准差；
S22、按照时间顺序将数据库内的数据进行排序；
S23、将70%数据库数据作为训练集，将30%数据库数据作为测试集。
进一步的，所述步骤S4中，LSTM神经网络模型的反向传播算法优化中利用Adam算法求出误差函数相对于权重的梯度，并将梯度用于更新权重，调整下一次前向传送生成预测结果的参数；
所述损失函数为均方误差函数，均方误差函数的公式如下：
M=(1/n)×sum(i=1～n)[(yi-t-yi)2]
其中，M为预测值与真实值之间平方差的平均值，yi-t为污水产出量的真实值，yi为污水产出量的预测值。
进一步的，利用Adam算法求出误差函数相对于权重的梯度公式如下：
gt=▽θJ(θt-1)；
mt=β1mt-1+(1-β1)gt；
vt=β2vt-1+(1-β2)gt 2；
mt2=mt/（1-β1 t）；
Vt2=vt/（1-β2 t）；
调整下一次前向传送生成预测结果的参数的计算公式如下：
；
其中，gt为损失函数关于参数θ的梯度，mt和vt分别为一阶动量估计和二阶动量估计，mt2和Vt2分别为mt和vt的偏差校正值，β1和β2为指数衰减率；
β1的取值为0.85至0.95，β2取值为0.95至1，Adam算法的学习率α的取值范围为0.0008-0.0009，β1用于控制梯度一阶动量的平滑程度，β2用于控制梯度二阶动量的平滑程度，ε为避免分母为0而引入的一个小量，取值10-8。
本发明第二方面提供了一种基于神经网络的医院污水量预测装置，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集医院历史就诊及对应的历史污水产出量数据以及医院实时就诊数据；
数据处理模块，所述数据处理模块历史数据库中数据按照时间顺序进行排序并进行归一化处理，将数据库中的数据分为训练集和数据集；
训练模块，所述训练模块使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；
使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；
预测模块，所预测模块将医院实时就诊数据输入至污水量预测模型得到理论污水产量。
本发明第三方面提供了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述第一方面所述的基于神经网络的医院污水量预测方法。
本发明第四方面提供了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如第一方面所述的基于神经网络的医院污水量预测方法。
本发明第五方面提供了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于神经网络的医院污水量预测方法。
相对于现有技术，本发明所述的一种基于神经网络的医院污水量预测方法及装置具有以下有益效果：
（1）本发明所述的一种基于神经网络的医院污水量预测方法，根据医院实时就诊数据输入至预测模型可以得到理论污水产量，将理论污水产量与实际产生的污水量进行对比，如果误差过大，则认为污水管路发生了泄露或者堵塞，或反射性设备未进行及时维护，便于管理人员监督和管理医院的污水排放。
（2）本发明所述的一种基于神经网络的医院污水量预测方法，将一天内上午的医院历史就诊数据和历史污水产出量数据与某天内下午的医院历史就诊数据和历史污水产出量数据组成为多个生成历史数据组，通过组成多个生成历史数据组，可以避免数据数量不足的缺陷。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的预测方法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例一：
如图1所示，一种基于神经网络的医院污水量预测方法，包括以下步骤：
S1、采集医院历史就诊及对应的历史污水产出量数据形成历史数据库；
所述步骤S1包括以下步骤：
S11、将一天内的医院历史就诊数据和历史污水产出量数据作为一个自然历史数据组；
S12、将一天内上午的医院历史就诊数据和历史污水产出量数据与某天内下午的医院历史就诊数据和历史污水产出量数据组成为多个生成历史数据组；
S13、将所有的自然历史数据组和生成历史数据组储存入历史数据库。
通过组成多个生成历史数据组，可以避免数量不足的缺陷。
所述医院历史就诊数据包括：
历史手术室就诊数据，所述历史手术室就诊数据的特征信息包括手术类型、手术时间、手术次数；
历史门诊就诊数据，所述历史门诊就诊数据的特征信息包括门诊就诊人数、门诊就诊时间、门诊就诊科室；
历史医学检查数据，所述历史医学检查数据的特征信息包括医学检查类型、医学检查人数、医学检查时间；
历史放射检查数据，所述历史放射检查数据的特征信息包括放射检查类型、放射检查人数、放射检查时间；
医院历史就诊数据通过采集医院就诊软件的数据计算汇总得来。
所述历史污水产出量数据包括：
历史医疗废水数据，所述历史医疗废水数据的特征信息包括医疗废水体积、医疗废水产生时间；医疗废水数据通过医疗废水排放管道的流量表累计计量得到。
历史洗消污水数据，所述历史洗消污水数据的特征信息包括洗消污水体积、洗消污水产生时间；洗消污水数据通过洗消污水排放管道的流量表累计计量得到。
历史冲洗污水数据，所述历史冲洗污水数据的特征信息包括冲洗污水体积、冲洗污水产生时间；冲洗污水数据通过冲洗污水排放管道的流量表累计计量得到。
历史放射性污水数据，所述历史放射性污水数据的特征信息包括放射性污水体积、放射性污水产生时间。放射性污水数据通过放射性污水收集罐的读数得到。
S2、将历史数据库中数据按照时间顺序进行排序并进行归一化处理，将数据库中的数据分为训练集和数据集；
所述步骤S2包括以下步骤：
S21、使用标准差规范化的方法对数据进行归一化处理：
公式为：Xnorm=（X-u）/σ，其中Xnorm为归一化处理后的值，X为原数据，u为数据库数据的均值，σ为数据库数据的标准差；
S22、按照时间顺序将数据库内的数据进行排序；
S23、将70%数据库数据作为训练集，将30%数据库数据作为测试集。进行归一化处理可以有效的避免将统计信息从训练数据泄露到测试数据，并且能够减少训练和计算时间，进而有效提升LSTM神经网络模型学习的性能。
S3、搭建LSTM神经网络模型；
S4、使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；所述步骤S4中，LSTM神经网络模型的反向传播算法优化中利用Adam算法求出误差函数相对于权重的梯度，并将梯度用于更新权重，调整下一次前向传送生成预测结果的参数；
所述损失函数为均方误差函数，均方误差函数的公式如下：
M=(1/n)×sum(i=1～n)[(yi-t-yi)2]
其中，M为预测值与真实值之间平方差的平均值，yi-t为污水产出量的真实值，yi为污水产出量的预测值。根据均方误差，并基于反向传播算法更新模型的权重参数，以最小化均方误差，进而提高了预测模型的准确性。
利用Adam算法求出误差函数相对于权重的梯度公式如下：
gt=▽θJ(θt-1)；
mt=β1mt-1+(1-β1)gt；
vt=β2vt-1+(1-β2)gt 2；
mt2=mt/（1-β1 t）；
Vt2=vt/（1-β2 t）；
调整下一次前向传送生成预测结果的参数的计算公式如下：
其中，gt为损失函数关于参数θ的梯度，mt和vt分别为一阶动量估计和二阶动量估计，mt2和Vt2分别为mt和vt的偏差校正值，β1和β2为指数衰减率；
β1的取值为0.85至0.95，β2取值为0.95至1，Adam算法的学习率α的取值范围为0.0008-0.0009，β1用于控制梯度一阶动量的平滑程度，β2用于控制梯度二阶动量的平滑程度，ε为避免分母为0而引入的一个小量，取值10-8。Adam算法通过对梯度的一阶动量和二阶动量进行估计，在模型训练过程中控制参数更新的速度和抑制大幅波动的情况，从而加速收敛速度、提高网络的稳定性和效果。
S5、使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；使用均方误差测试LSTM神经网络模型结果的准确性，如果预测值与真实值之间平方差的平均值小于0.8，则将LSTM神经网络模型作为污水量预测模型使用，如果预测值与真实值之间平方差的平均值大于0.8，则增加训练集数据比例至90%，重新训练LSTM神经网络模型。
S6、采集医院实时就诊数据，将医院实时就诊数据输入至污水量预测模型得到理论污水产量。
在步骤S6的持续使用过程中，进行如下步骤：
S61、监控模型性能：定期评估模型在实际应用环境中的性能表现；比较模型预测结果与实际观测值，并计算模型预测准确率；
若模型性能、模型预测准确率下降，执行步骤S62，否则继续使用模型；
S62、收集新的数据样本，覆盖实际应用环境中的各种情况，并确保新数据与原始训练数据具有相似的特征分布和统计特性，将新数据与旧数据合并，构建新的数据集；
S63、使用增量学习的方法，将新的数据集添加到原有训练数据中进行补充训练；
S64、检测模型性能、模型预测准确率，若达标，则使用新训练后的模型，否则对模型进行调整。
对模型的调整过程如下：
当模型欠拟合或无法捕捉到数据中复杂的时序关系时，增加LSTM层，增加LSTM层可以增加模型的容量和学习能力，使其能够更好地适应数据集；
当模型过拟合或训练时间较长时，减少LSTM层，减少LSTM层可以降低模型的复杂性，提高模型的泛化能力，并减少训练和推理的时间成本；
当模型出现过拟合时，减少隐藏层单元数量，以降低模型的复杂性，当模型欠拟合时，增加隐藏层单元数量，以提高模型的表达能力；
对模型进行正则化处理，减少过拟合的风险，并使用新的数据集来比较调整后的模型性能以及模型预测准确率。
使用弹性网络正则化方法对L1正则化方法和L2正则化方法进行整合，并对模型进行正则化处理，其公式如下：
优化目标=损失函数+λ1*∑|w|+λ2*∑w2，其中λ1和λ2是正则化参数，控制L1和L2正则化的权重；
L1正则化方法和L2正则化方法如下：
L1正则化：在损失函数中添加权重参数的绝对值之和来对模型进行惩罚，其公式为：
优化目标=损失函数+λ*∑|w|，其中λ是正则化参数，控制着正则化的强度；L1正则化倾向于生成稀疏的权重矩阵，即将一些不重要的特征的权重设为0，从而实现特征选择的效果。
L2正则化：在损失函数中添加权重参数的平方和来对模型进行惩罚，其公式为：
优化目标=损失函数+λ*∑w2，其中λ是正则化参数；
L2正则化鼓励权重参数趋向于较小的值，但不会让它们严格为0，因此不具备L1正则化的稀疏性效果。
医院实时就诊数据可以是一天内的就诊数据，也可以是一月内的就诊数据，根据医院实时就诊数据输入至预测模型可以得到理论污水产量，将理论污水产量与实际产生的污水量进行对比，如果误差大于10%，则认为污水管路发生了泄露或者堵塞，或反射性设备未进行及时维护，便于管理人员监督和管理医院的污水排放。
实施例二：
一种基于神经网络的医院污水量预测装置，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集医院历史就诊及对应的历史污水产出量数据以及医院实时就诊数据；
数据处理模块，所述数据处理模块历史数据库中数据按照时间顺序进行排序并进行归一化处理，将数据库中的数据分为训练集和数据集；
训练模块，所述训练模块使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；
使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；
预测模块，所预测模块将医院实时就诊数据输入至污水量预测模型得到理论污水产量。
实施例三：
一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述实施例一所述的基于神经网络的医院污水量预测方法。
实施例四：
一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如实施例一所述的基于神经网络的医院污水量预测方法。
实施例五：
一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述的基于神经网络的医院污水量预测方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的医院污水量预测方法，其特征在于，包括以下步骤：
S1、采集医院历史就诊及对应的历史污水产出量数据形成历史数据库；
S2、将历史数据库中数据按照时间顺序进行排序并进行归一化处理，将数据库中的数据分为训练集和数据集；
S3、搭建LSTM神经网络模型；
S4、使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；
S5、使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；
S6、采集医院实时就诊数据，将医院实时就诊数据输入至污水量预测模型得到理论污水产量；
所述步骤S1包括以下步骤：
S11、将一天内的医院历史就诊数据和历史污水产出量数据作为一个自然历史数据组；
S12、将一天内上午的医院历史就诊数据和历史污水产出量数据与某天内下午的医院历史就诊数据和历史污水产出量数据组成成为多个生成历史数据组；
S13、将所有的自然历史数据组和生成历史数据组储存入历史数据库；
在LSTM神经网络模型持续使用过程中，进行如下步骤：
S61、监控模型性能：定期评估模型在实际应用环境中的性能表现；比较模型预测结果与实际观测值，并计算模型预测准确率；
若模型性能、模型预测准确率下降，执行步骤S62，否则继续使用模型；
S62、收集新的数据样本，覆盖实际应用环境中的各种情况，并确保新数据与原始训练数据具有相似的特征分布和统计特性，将新数据与旧数据合并，构建新的数据集；
S63、使用增量学习的方法，将新的数据集添加到原有训练数据中进行补充训练；
S64、检测模型性能、模型预测准确率，若达标，则使用新训练后的模型，否则对模型进行调整；
对模型的调整过程如下：
当模型欠拟合或无法捕捉到数据中复杂的时序关系时，增加LSTM层；
当模型过拟合或训练时间较长时，减少LSTM层；
当模型出现过拟合时，减少隐藏层单元数量，以降低模型的复杂性，当模型欠拟合时，增加隐藏层单元数量，以提高模型的表达能力；
对模型进行正则化处理，减少过拟合的风险，并使用新的数据集来比较调整后的模型性能以及模型预测准确率；
使用弹性网络正则化方法对L1正则化方法和L2正则化方法进行整合，并对模型进行正则化处理，其公式如下：
优化目标=损失函数+λ1*∑|w|+λ2*∑w2，其中λ1和λ2是正则化参数，控制L1和L2正则化的权重；
L1正则化方法和L2正则化方法如下：
L1正则化：在损失函数中添加权重参数的绝对值之和来对模型进行惩罚，其公式为：
优化目标=损失函数+λ*∑|w|，其中λ是正则化参数，控制着正则化的强度；
L1正则化倾向于生成稀疏的权重矩阵，即将一些不重要的特征的权重设为0，从而实现特征选择的效果；
L2正则化：在损失函数中添加权重参数的平方和来对模型进行惩罚，其公式为：
优化目标=损失函数+λ*∑w2，其中λ是正则化参数；
L2正则化鼓励权重参数趋向于较小的值，但不会让它们严格为0，因此不具备L1正则化的稀疏性效果；
所述医院历史就诊数据包括：
历史手术室就诊数据，所述历史手术室就诊数据的特征信息包括手术类型、手术时间、手术次数；
历史门诊就诊数据，所述历史门诊就诊数据的特征信息包括门诊就诊人数、门诊就诊时间、门诊就诊科室；
历史医学检查数据，所述历史医学检查数据的特征信息包括医学检查类型、医学检查人数、医学检查时间；
历史放射检查数据，所述历史放射检查数据的特征信息包括放射检查类型、放射检查人数、放射检查时间；
所述历史污水产出量数据包括：
历史医疗废水数据，所述历史医疗废水数据的特征信息包括医疗废水体积、医疗废水产生时间；
历史洗消污水数据，所述历史洗消污水数据的特征信息包括洗消污水体积、洗消污水产生时间；
历史冲洗污水数据，所述历史冲洗污水数据的特征信息包括冲洗污水体积、冲洗污水产生时间；
历史放射性污水数据，所述历史放射性污水数据的特征信息包括放射性污水体积、放射性污水产生时间。
2.根据权利要求1所述的一种基于神经网络的医院污水量预测方法，其特征在于：所述步骤S2包括以下步骤：
S21、使用标准差规范化的方法对数据进行归一化处理：
公式为：Xnorm=（X-u）/σ，其中Xnorm为归一化处理后的值，X为原数据，u为数据库数据的均值，σ为数据库数据的标准差；
S22、按照时间顺序将数据库内的数据进行排序；
S23、将70%数据库数据作为训练集，将30%数据库数据作为测试集。
3.根据权利要求1所述的一种基于神经网络的医院污水量预测方法，其特征在于：所述步骤S4中，LSTM神经网络模型的反向传播算法优化中利用Adam算法求出误差函数相对于权重的梯度，并将梯度用于更新权重，调整下一次前向传送生成预测结果的参数；
所述损失函数为均方误差函数，均方误差函数的公式如下：
M=(1/n)×sum(i=1～n)[(yi-t-yi)2]
其中，M为预测值与真实值之间平方差的平均值，yi-t为污水产出量的真实值，yi为污水产出量的预测值。
4.根据权利要求3所述的一种基于神经网络的医院污水量预测方法，其特征在于：利用Adam算法求出误差函数相对于权重的梯度公式如下：
gt=∇θJ(θt−1)；
mt=β1mt−1+(1−β1)gt；
vt=β2vt-1+(1-β2)gt 2；
mt2=mt/（1-β1 t）；
Vt2=vt/（1-β2 t）；
调整下一次前向传送生成预测结果的参数的计算公式如下：
；
其中，gt为损失函数关于参数θ的梯度，mt和vt分别为一阶动量估计和二阶动量估计，mt2和Vt2分别为mt和vt的偏差校正值，β1和β2为指数衰减率；
β1的取值为0.85至0.95，β2取值为0.95至1，Adam算法的学习率α的取值范围为0.0008-0.0009，β1用于控制梯度一阶动量的平滑程度，β2用于控制梯度二阶动量的平滑程度，ε为避免分母为0而引入的一个小量，取值10-8。
5.一种应用权利要求1-4任一所述的基于神经网络的医院污水量预测方法的装置，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集医院历史就诊及对应的历史污水产出量数据以及医院实时就诊数据；
数据处理模块，所述数据处理模块历史数据库中数据按照时间顺序进行排序并进行归一化处理，将数据库中的数据分为训练集和数据集；
训练模块，所述训练模块使用训练集数据中的历史就诊数据作为自变量，历史污水产出量作为因变量训练LSTM神经网络模型；
使用测试集数据测试训练完毕的LSTM神经网络模型，验证LSTM神经网络模型的准确性，如果预测结果准确，则将LSTM神经网络模型作为污水量预测模型使用；
预测模块，所预测模块将医院实时就诊数据输入至污水量预测模型得到理论污水产量。
6.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-4任一所述的基于神经网络的医院污水量预测方法。
7.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-4任一所述的基于神经网络的医院污水量预测方法。
8.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-4任一项所述的基于神经网络的医院污水量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310786705.XA CN116523146B (zh) | 2023-06-30 | 2023-06-30 | 一种基于神经网络的医院污水量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310786705.XA CN116523146B (zh) | 2023-06-30 | 2023-06-30 | 一种基于神经网络的医院污水量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523146A CN116523146A (zh) | 2023-08-01 |
| CN116523146B true CN116523146B (zh) | 2023-09-26 |
Family
ID=87399789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310786705.XA Active CN116523146B (zh) | 2023-06-30 | 2023-06-30 | 一种基于神经网络的医院污水量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523146B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757341B (zh) * | 2023-08-23 | 2023-10-31 | 天津建城基业集团有限公司 | 基于神经网络的混凝土预应力空心桩干燥时间预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
| CN110110916A (zh) * | 2019-04-29 | 2019-08-09 | 哈尔滨哲锡数据科技合伙企业(有限合伙) | 一种医院门诊就诊量的预测方法及系统 |
| CN113128754A (zh) * | 2021-03-31 | 2021-07-16 | 西安理工大学 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
| CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
| CN114673246A (zh) * | 2022-03-31 | 2022-06-28 | 成都工贸职业技术学院 | 一种污水管道防堵塞测量方法及其测量系统 |
| CN115376672A (zh) * | 2022-10-21 | 2022-11-22 | 安徽省伟木软件科技有限公司 | 一种医疗废弃物监控方法及系统 |
-
2023
- 2023-06-30 CN CN202310786705.XA patent/CN116523146B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110890A (zh) * | 2019-03-28 | 2019-08-09 | 杭州电子科技大学 | 基于elman神经网络的日污水量预测方法 |
| CN110110916A (zh) * | 2019-04-29 | 2019-08-09 | 哈尔滨哲锡数据科技合伙企业(有限合伙) | 一种医院门诊就诊量的预测方法及系统 |
| CN113743971A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种数据处理方法和装置 |
| CN113128754A (zh) * | 2021-03-31 | 2021-07-16 | 西安理工大学 | 一种基于gru神经网络的居民用水预测系统及预测方法 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN113837356A (zh) * | 2021-08-24 | 2021-12-24 | 华南师范大学 | 基于融合神经网络的污水处理智能预测方法 |
| CN114673246A (zh) * | 2022-03-31 | 2022-06-28 | 成都工贸职业技术学院 | 一种污水管道防堵塞测量方法及其测量系统 |
| CN115376672A (zh) * | 2022-10-21 | 2022-11-22 | 安徽省伟木软件科技有限公司 | 一种医疗废弃物监控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523146A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116523146B (zh) | 一种基于神经网络的医院污水量预测方法及装置 | |
| Gamerman | Dynamic Bayesian models for survival data | |
| CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
| CN112070284A (zh) | 用于件量预测的筛选方法、装置、设备和存储介质 | |
| Sun et al. | Reference prior Bayesian analysis for normal mean products | |
| Frauen et al. | Estimating average causal effects from patient trajectories | |
| Mishra et al. | Generalized likelihood uncertainty estimation and Markov chain Monte Carlo simulation to prioritize TMDL pollutant allocations | |
| Nosrati-Abarghooee et al. | Designing reverse logistics network for healthcare waste management considering epidemic disruptions under uncertainty | |
| Wu et al. | Optimal control of total chlorine and free ammonia levels in a water transmission pipeline using artificial neural networks and genetic algorithms | |
| Gordeev et al. | Backtesting the predictability of COVID-19 | |
| Kommer | A waiting list model for residential care for the mentally disabled in The Netherlands | |
| Bonvini et al. | Causal inference for the effect of mobility on COVID-19 deaths | |
| Viana-Ferreira et al. | Pattern recognition for cache management in distributed medical imaging environments | |
| Mummolo et al. | A fuzzy approach for medical equipment replacement planning | |
| Mishra | Assigning probability distributions to input parameters of performance assessment models | |
| Castillo et al. | Symbolic propagation and sensitivity analysis in Gaussian Bayesian networks with application to damage assessment | |
| CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及系统 | |
| CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
| KR20090089677A (ko) | 신경회로망을 이용한 간이상수도 모니터링 제어시스템 및그 제어방법 | |
| Power et al. | A modelling framework for analyzing anthropogenic stresses on brook trout (Salvelinus fontinalis) populations | |
| Loftis et al. | Cost-effective selection of sampling frequencies for regulatory water quality monitoring | |
| Chang et al. | A structural design of clinical decision support system for chronic diseases risk management | |
| Sadek | Simulating the response of ionization chamber system to 137 Cs irradiator using the artificial neural network modeling algorithm | |
| CN116627774B (zh) | 一种过氧化氢消毒机工作过程中的数据信息处理方法 | |
| Malhotra et al. | A metric suite for predicting software maintainability in data intensive applications |
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 |