覃智威 宓軼群 陸允敏 劉釗 朱平
摘 要:研究基于粒子群優(yōu)化算法的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型構(gòu)建方法及其在醫(yī)院門(mén)診管理中的應(yīng)用,選取三甲醫(yī)院中醫(yī)慢病相關(guān)科室門(mén)診量歷史記錄數(shù)據(jù),構(gòu)建基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的門(mén)診量預(yù)測(cè)模型,借助粒子群優(yōu)化算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化,并使用優(yōu)化后的模型對(duì)門(mén)診量進(jìn)行預(yù)測(cè)。月度門(mén)診量預(yù)測(cè)結(jié)果表明,經(jīng)過(guò)粒子群優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型在測(cè)試集上的預(yù)測(cè)誤差RMSE,相比未優(yōu)化的模型減小了48.5%。粒子群優(yōu)化算法能高效地優(yōu)化預(yù)測(cè)模型,可使模型較好地預(yù)測(cè)出門(mén)診量變化趨勢(shì),從而為醫(yī)務(wù)人員門(mén)診管理工作提供決策支持。
關(guān)鍵詞:門(mén)診量預(yù)測(cè);長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò);粒子群優(yōu)化;深度學(xué)習(xí)
DOI:10. 11907/rjdk. 192823
中圖分類(lèi)號(hào):TP319 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2020)010-0029-05
Abstract: To investigate the construction method of long short-term memory (LSTM) neural network model based on particle swarm optimization (PSO) algorithm and its application in hospital outpatient management, the historical outpatient quantity data of the department related to Chinese medicine chronic disease in the tertiary hospital are selected to establish an outpatient quantity prediction model by means of the long short-term memory neural network, and particle swarm optimization algorithm is used to optimize the parameters of the prediction model. The prediction results of monthly outpatient quantity show that the prediction error RMSE of the LSTM neural network model optimized by PSO on the test set is 48.5% lower than that of the unoptimized model. Particle swarm optimization algorithm can optimize the prediction model efficiently, so that the model can better predict the trends of outpatient quantity and provide decision support for the outpatient management of medical staff.
Key Words: outpatient quantity prediction; long short-term memory neural network; particle swarm optimization; deep learning
0 引言
隨著現(xiàn)代信息技術(shù)的發(fā)展,醫(yī)療活動(dòng)、醫(yī)學(xué)研究等過(guò)程數(shù)據(jù)被越來(lái)越多地記錄與存儲(chǔ),由此形成的醫(yī)療大數(shù)據(jù)蘊(yùn)含著大量有價(jià)值的信息,而傳統(tǒng)數(shù)據(jù)處理方式難以對(duì)這些醫(yī)療數(shù)據(jù)進(jìn)行有效處理[1-4]。人工智能與醫(yī)療領(lǐng)域的深度融合是大數(shù)據(jù)背景下醫(yī)療信息化的核心技術(shù)之一。針對(duì)各級(jí)診療機(jī)構(gòu),尤其是三甲醫(yī)院累積的包括門(mén)診量歷史記錄等醫(yī)療管理數(shù)據(jù),利用數(shù)據(jù)挖掘方法可以有效挖掘這些數(shù)據(jù)潛藏的價(jià)值。
醫(yī)院門(mén)診統(tǒng)計(jì)量體現(xiàn)了醫(yī)院運(yùn)行情況,為醫(yī)院管理提供了重要參考。對(duì)門(mén)診量進(jìn)行合理、準(zhǔn)確的預(yù)測(cè),可幫助醫(yī)院管理者優(yōu)化醫(yī)療資源配置,方便醫(yī)院進(jìn)行精細(xì)化管理,對(duì)提高醫(yī)院效益和診療能力具有重要意義。醫(yī)院門(mén)診服務(wù)面廣,門(mén)診人次統(tǒng)計(jì)數(shù)據(jù)具有較強(qiáng)的隨機(jī)性。同時(shí),門(mén)診人次又受多種因素影響,既體現(xiàn)出中長(zhǎng)期周期性變化的趨勢(shì),又具有較明顯的季節(jié)效應(yīng)[5-7]。應(yīng)用傳統(tǒng)時(shí)間序列預(yù)測(cè)方法如灰色系統(tǒng)GM(1,1)模型[8]、差分自回歸滑動(dòng)平均(Auto-Regressive Integrated Moving Average,ARIMA)模型[9]、季節(jié)性差分自回歸滑動(dòng)平均(Seasonal Auto-RegressiveIntegratedMoving Average,SARIMA)模型[10]等對(duì)門(mén)診量進(jìn)行預(yù)測(cè)面臨較多限制。隨著機(jī)器學(xué)習(xí),尤其是深度學(xué)習(xí)技術(shù)的不斷發(fā)展[11-12],針對(duì)門(mén)診量這類(lèi)時(shí)間序列問(wèn)題的預(yù)測(cè)精度不斷提升。如楊旭華等[13]首次使用基于深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN)的門(mén)診量預(yù)測(cè)方法,完成門(mén)診量數(shù)據(jù)特征提取,提升門(mén)診量預(yù)測(cè)精度;桑發(fā)文等[14]按照相似日原理對(duì)歷史門(mén)診量進(jìn)行分類(lèi),并建立極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)預(yù)測(cè)模型對(duì)醫(yī)院門(mén)診量進(jìn)行短期預(yù)測(cè),獲得了較高精度;劉健等[15]構(gòu)造搜索關(guān)鍵字的百度指數(shù)特征、時(shí)間特征及門(mén)診量特征,基于XGBoost算法對(duì)醫(yī)院精神科門(mén)診量進(jìn)行較為精確的預(yù)測(cè)。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)適合于處理序列數(shù)據(jù),因此許多研究者利用這類(lèi)方法構(gòu)建針對(duì)性的預(yù)測(cè)模型。如李琳等[16]基于長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)[17],研究不同步長(zhǎng)下模型對(duì)月度門(mén)診量的預(yù)測(cè)精度變化;陳渝等[18]在單一LSTM網(wǎng)絡(luò)預(yù)測(cè)模型基礎(chǔ)上,融合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)非平穩(wěn)數(shù)據(jù)進(jìn)行預(yù)處理,實(shí)驗(yàn)結(jié)果表明,組合模型取得了比單一模型更好的預(yù)測(cè)精度;盧鵬飛等[19]構(gòu)建基于SARIMA-LSTM的門(mén)診量預(yù)測(cè)模型,對(duì)節(jié)假日、法定上班天數(shù)、平均最高氣溫等多個(gè)指標(biāo)進(jìn)行綜合建模,相比主流預(yù)測(cè)方法可獲得更高的預(yù)測(cè)精度。
循環(huán)神經(jīng)網(wǎng)絡(luò),特別是長(zhǎng)短期記憶網(wǎng)絡(luò)已被許多研究者證實(shí)適合于處理長(zhǎng)序列數(shù)據(jù)[20],對(duì)醫(yī)院門(mén)診量的預(yù)測(cè)也有越來(lái)越多研究以長(zhǎng)短期記憶網(wǎng)絡(luò)為基礎(chǔ)。然而,長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建過(guò)程中涉及到許多超參數(shù)確定,研究者往往只是憑借著先驗(yàn)知識(shí)或研究經(jīng)驗(yàn)進(jìn)行超參數(shù)設(shè)置,缺乏一定的探索過(guò)程,面對(duì)不同問(wèn)題時(shí)可能需要反復(fù)進(jìn)行人工調(diào)參,而利用優(yōu)化算法進(jìn)行自動(dòng)的神經(jīng)網(wǎng)絡(luò)超參數(shù)優(yōu)化則少有研究。針對(duì)這種情況,本文提出使用簡(jiǎn)單、高效的粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法[21]對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)關(guān)鍵超參數(shù)進(jìn)行優(yōu)化的流程,將基于粒子群優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)用于三甲醫(yī)院慢性病相關(guān)科室的門(mén)診量月度預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,優(yōu)化后的預(yù)測(cè)模型能夠較好地預(yù)測(cè)門(mén)診量變化趨勢(shì)。整套建模與預(yù)測(cè)流程可以方便地應(yīng)用到門(mén)診管理工作中,為醫(yī)院的精細(xì)化管理提供技術(shù)支持。
1 基于PSO的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建
1.1 LSTM神經(jīng)網(wǎng)絡(luò)
針對(duì)三甲醫(yī)院門(mén)診量歷史記錄數(shù)據(jù),利用深度學(xué)習(xí)方法搭建預(yù)測(cè)模型,對(duì)中短期門(mén)診量變化進(jìn)行合理預(yù)測(cè)。本例中各時(shí)期門(mén)診量屬于時(shí)間序列數(shù)據(jù),深度學(xué)習(xí)方法中循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)[17]作為一種特殊的RNN模型,主要是在常規(guī)RNN隱藏層中加入長(zhǎng)短期記憶單元,從而能夠更有效地利用長(zhǎng)距離序列數(shù)據(jù),避免常規(guī)RNN在處理長(zhǎng)序列數(shù)據(jù)時(shí)的梯度消失問(wèn)題。LSTM記憶單元結(jié)構(gòu)如圖1所示。
在前向傳播階段,t時(shí)刻記憶單元接收該時(shí)刻的輸入[xt]與上一時(shí)刻隱藏層的輸出[ht-1]作為遺忘門(mén)的輸入,遺忘門(mén)通過(guò)激活函數(shù)層決定要舍棄與保留的信息,輸出[ft]。
神經(jīng)元需要保留的信息由輸入門(mén)實(shí)現(xiàn),輸入門(mén)計(jì)算分為兩部分:使用sigmoid函數(shù)計(jì)算更新值[it],以及使用tanh函數(shù)生成新的候選值[C],二者乘積用于更新細(xì)胞狀態(tài)。
細(xì)胞狀態(tài)更新包含遺忘門(mén)輸出與t-1時(shí)刻細(xì)胞輸出的乘積,加上輸入門(mén)輸出與候選值的乘積。
最終輸出門(mén)的更新,即t時(shí)刻的隱藏層輸出[ht]由式(6)決定。
1.2 PSO算法
基于深度神經(jīng)網(wǎng)絡(luò)建立的LSTM網(wǎng)絡(luò)預(yù)測(cè)模型包含多層網(wǎng)絡(luò),每層網(wǎng)絡(luò)包含一定數(shù)目的神經(jīng)元,加上LSTM網(wǎng)絡(luò)的步長(zhǎng)等參數(shù),使得該網(wǎng)絡(luò)預(yù)測(cè)模型的超參數(shù)設(shè)置與優(yōu)化變得較為困難。本文采用啟發(fā)式優(yōu)化算法對(duì)模型中的超參數(shù)進(jìn)行優(yōu)化,粒子群優(yōu)化(PSO)算法[21]由于具有原理簡(jiǎn)單、計(jì)算資源消耗小、收斂性較好、計(jì)算效率高等優(yōu)點(diǎn),成為最常用的啟發(fā)式優(yōu)化算法之一。
粒子群優(yōu)化算法是受鳥(niǎo)群合作行為啟發(fā)而提出的,算法使用一個(gè)包含若干粒子的種群,每個(gè)粒子都有自身位置與速度,算法迭代過(guò)程即是所有粒子在設(shè)計(jì)空間中不斷更新自身位置并互相交換位置信息,直至搜索到全局最優(yōu)值的過(guò)程。在標(biāo)準(zhǔn)粒子群優(yōu)化算法中,對(duì)于一個(gè)D維優(yōu)化問(wèn)題,[x(t)i]表示第[ith]個(gè)粒子的位置,[v(t)i]表示速度。[p(t)i]、[p(t)g]分別表示粒子歷史最優(yōu)位置與整個(gè)群體尋找到的最優(yōu)位置。每個(gè)粒子都將通過(guò)不斷迭代在設(shè)計(jì)空間中尋找自身最優(yōu)解與全局最優(yōu)解。整個(gè)種群通過(guò)式(7)、式(8)進(jìn)行速度與位置更新。
式(7)包含3部分的加和:第一部分為上一代粒子速度與慣性因子[ω]的乘積;第二部分表征粒子個(gè)體搜索行為,激勵(lì)粒子不斷尋找個(gè)體最優(yōu)解;第三部分表征粒子間的信息交互,共同尋找全局最優(yōu)值。其中[c1]、[c2]分別是個(gè)體學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子,[r1]、[r2]為[0,1]之間的隨機(jī)數(shù)。
1.3 基于PSO優(yōu)化的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
本研究通過(guò)構(gòu)建LSTM網(wǎng)絡(luò)預(yù)測(cè)模型,并使用PSO算法對(duì)LSTM模型中的關(guān)鍵參數(shù)進(jìn)行優(yōu)化,最終將模型應(yīng)用于醫(yī)院科室門(mén)診量預(yù)測(cè)中。建模與優(yōu)化流程如圖2所示。
LSTM模型中,使用前一時(shí)刻數(shù)據(jù)對(duì)下一時(shí)刻數(shù)據(jù)進(jìn)行預(yù)測(cè),可選擇不同數(shù)量的前一時(shí)刻數(shù)據(jù),如利用前兩個(gè)月的門(mén)診量對(duì)下個(gè)月門(mén)診量進(jìn)行預(yù)測(cè),這一參數(shù)為回溯時(shí)間步長(zhǎng)n。同時(shí),將LSTM中每層網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)設(shè)為參數(shù)[ki],并將這些參數(shù)作為粒子群優(yōu)化的候選解向量。將目標(biāo)函數(shù)設(shè)置為L(zhǎng)STM模型的門(mén)診量預(yù)測(cè)誤差,通過(guò)算法迭代使預(yù)測(cè)誤差最小,從而求得一組模型的最優(yōu)參數(shù),最終得到基于粒子群優(yōu)化的LSTM模型用于門(mén)診量預(yù)測(cè)任務(wù)。
2 門(mén)診量預(yù)測(cè)
2.1 數(shù)據(jù)集與數(shù)據(jù)預(yù)處理
門(mén)診量預(yù)測(cè)數(shù)據(jù)來(lái)源于上海市第六人民醫(yī)院,選取與膝骨關(guān)節(jié)炎等中醫(yī)慢病相關(guān)的骨科門(mén)診。骨科同時(shí)也是所有科室里門(mén)診量最大的科室之一,因此對(duì)骨科門(mén)診的管理工作非常重要。數(shù)據(jù)包含骨科2012年1月-2018年10月各月的門(mén)診量數(shù)據(jù),該數(shù)據(jù)為一個(gè)長(zhǎng)度為82個(gè)月的連續(xù)時(shí)間序列。圖3展示了骨科門(mén)診量在這段時(shí)間內(nèi)的變化。從折線(xiàn)變化趨勢(shì)可以看出,骨科門(mén)診量按年度呈現(xiàn)出一定的周期性變化規(guī)律,這是由于假期對(duì)門(mén)診量的影響比較顯著,如每年春節(jié)期間都是門(mén)診量的一個(gè)低谷,而諸如國(guó)慶節(jié)等假期也會(huì)導(dǎo)致該月份門(mén)診量較小。
從圖3可以看出,該門(mén)診量數(shù)據(jù)為非平穩(wěn)序列,波動(dòng)較大,從最小值20 194人次到最大值54 070人次,并且在各個(gè)年份都有多個(gè)波峰與波谷。因此在進(jìn)行預(yù)測(cè)之前,首先進(jìn)行數(shù)據(jù)預(yù)處理工作。采用式(9)對(duì)數(shù)據(jù)進(jìn)行歸一化處理,將原始數(shù)據(jù)等比例縮放至[0,1]之間。其中,[Xnorm]為歸一化后的數(shù)據(jù),[Xmax]為樣本中的最大值,[Xmin]為樣本中的最小值。
經(jīng)過(guò)數(shù)據(jù)預(yù)處理之后,將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。其中,選取最后12個(gè)月(2017年10月-2018年10月)門(mén)診量作為最終的測(cè)試數(shù)據(jù),剩下部分作為訓(xùn)練數(shù)據(jù)。優(yōu)化的LSTM模型將利用訓(xùn)練集進(jìn)行訓(xùn)練,并用測(cè)試集進(jìn)行門(mén)診量預(yù)測(cè)。
2.2 評(píng)價(jià)指標(biāo)
為檢驗(yàn)?zāi)P妥罱K預(yù)測(cè)效果,采用均方根誤差(Root Mean Square Error,RMSE)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。如式(10)所示,RMSE是預(yù)測(cè)值[yi]和真實(shí)值[yi]偏差的平方與樣本數(shù)n比值的平方根。該評(píng)價(jià)指標(biāo)反映了預(yù)測(cè)值偏離真實(shí)值的程度,對(duì)大誤差非常敏感,能夠較好地反映預(yù)測(cè)精度。
2.3 實(shí)驗(yàn)結(jié)果與分析
本算例測(cè)試選擇進(jìn)行粒子群優(yōu)化的LSTM模型參數(shù),包括回溯時(shí)間步長(zhǎng)n,以及三層神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)[k1]、[k2]、[k3]共4個(gè)關(guān)鍵參數(shù),粒子群算法優(yōu)化目標(biāo)為最小化LSTM網(wǎng)絡(luò)預(yù)測(cè)誤差RMSE。在粒子群算法中,設(shè)置粒子數(shù)為20,最大迭代次數(shù)為50。圖4展示了PSO迭代過(guò)程最優(yōu)值變化曲線(xiàn)。
選取迭代次數(shù)為1、25及50時(shí)的LSTM關(guān)鍵參數(shù)分別進(jìn)行門(mén)診量預(yù)測(cè)曲線(xiàn)繪制,如圖5所示。圖中將訓(xùn)練集與測(cè)試集數(shù)據(jù)共同繪制在同一幅圖上(圖5中實(shí)線(xiàn)),并且分別繪制出模型在訓(xùn)練集和測(cè)試集上的預(yù)測(cè)曲線(xiàn)(圖5中的虛線(xiàn)和點(diǎn)劃線(xiàn))。圖中預(yù)測(cè)曲線(xiàn)并沒(méi)有完全覆蓋原始數(shù)據(jù)曲線(xiàn)的時(shí)間范圍,這是因?yàn)長(zhǎng)STM模型中的回溯時(shí)間步長(zhǎng)n大于0,算法需要n個(gè)月份的門(mén)診量數(shù)據(jù)預(yù)測(cè)后續(xù)月份門(mén)診量。
在LSTM模型參數(shù)優(yōu)化初始階段,模型對(duì)訓(xùn)練集數(shù)據(jù)擬合效果很好,但在測(cè)試集上預(yù)測(cè)效果不佳,模型存在過(guò)擬合現(xiàn)象。當(dāng)優(yōu)化迭代到25次時(shí),雖然訓(xùn)練集擬合不如剛開(kāi)始的擬合效果,但測(cè)試集上的預(yù)測(cè)曲線(xiàn)開(kāi)始接近測(cè)試集數(shù)據(jù);而當(dāng)?shù)?0次時(shí),訓(xùn)練集預(yù)測(cè)曲線(xiàn)在2015年之后與原始曲線(xiàn)非常接近,測(cè)試集上的預(yù)測(cè)值也與真實(shí)值更加接近。
經(jīng)過(guò)粒子群算法的優(yōu)化,最終選取優(yōu)化參數(shù)n= 6、[k1=69]、[k2=128]、[k3=58]訓(xùn)練LSTM預(yù)測(cè)模型?;诠强崎T(mén)診量數(shù)據(jù)的優(yōu)化LSTM模型訓(xùn)練與測(cè)試預(yù)測(cè)曲線(xiàn)和真實(shí)值曲線(xiàn)對(duì)比如圖6所示。由圖6可以看出,隨著訓(xùn)練的進(jìn)行,模型在訓(xùn)練后期具有越來(lái)越高的擬合精度,預(yù)測(cè)曲線(xiàn)與真實(shí)值曲線(xiàn)幾乎重合,模型準(zhǔn)確地?cái)M合出各個(gè)年份波動(dòng)。模型在測(cè)試集上的預(yù)測(cè)也效果較好。其中,預(yù)測(cè)曲線(xiàn)很好地捕捉到2018年1-2月門(mén)診量的斷崖式下跌,2018年2月為春節(jié),因此造成門(mén)診量減少。尤其在門(mén)診量回升階段預(yù)測(cè)效果顯著,幾乎與原曲線(xiàn)重合。另外,預(yù)測(cè)曲線(xiàn)還成功預(yù)測(cè)出2018年骨科門(mén)診量的幾次波峰波谷變化趨勢(shì),以及最終10月門(mén)診量受?chē)?guó)慶假期影響而減少的趨勢(shì)??傮w而言,在測(cè)試集上,模型預(yù)測(cè)值雖然與真實(shí)值存在一定誤差,但誤差控制在10%以?xún)?nèi)。模型能夠很好地把握門(mén)診量整體變化趨勢(shì),對(duì)于預(yù)測(cè)將來(lái)門(mén)診量增減趨勢(shì)具有一定應(yīng)用價(jià)值。
表1列出了不同PSO迭代次數(shù)下LSTM在訓(xùn)練集與測(cè)試集上的RMSE值??梢钥闯?,由于優(yōu)化目標(biāo)為最小化測(cè)試集的RMSE,因此在粒子群優(yōu)化初始階段,LSTM模型傾向于在訓(xùn)練集上擁有小的RMSE,但是優(yōu)化過(guò)程使測(cè)試集RMSE不斷減小。最終優(yōu)化LSTM模型在測(cè)試集上的RMSE相比最初減小了2 927.64,優(yōu)化效果較為顯著。
3 結(jié)語(yǔ)
門(mén)診量預(yù)測(cè)作為門(mén)診管理的重要部分,影響著醫(yī)院對(duì)醫(yī)療資源的合理配置與優(yōu)化。本研究針對(duì)三甲醫(yī)院骨科歷年的月度門(mén)診量記錄,使用深度學(xué)習(xí)方法,構(gòu)建長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行門(mén)診量預(yù)測(cè)。為解決網(wǎng)絡(luò)模型超參數(shù)較多、優(yōu)化困難的問(wèn)題,結(jié)合粒子群優(yōu)化算法,開(kāi)發(fā)了一套基于粒子群優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)模型。算例測(cè)試結(jié)果表明,雖然在最終的預(yù)測(cè)精度上仍有提升空間,但通過(guò)粒子群優(yōu)化,模型預(yù)測(cè)RMSE減小了2 928,比原模型預(yù)測(cè)誤差減小了48.5%。優(yōu)化后的預(yù)測(cè)模型能夠較好地預(yù)測(cè)出門(mén)診量變化趨勢(shì),對(duì)于門(mén)診量急劇變化的情形也有著較強(qiáng)的捕捉能力。綜合來(lái)看,本研究提出的這套基于優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)的時(shí)序數(shù)據(jù)預(yù)測(cè)流程能夠應(yīng)用于醫(yī)院各個(gè)科室的門(mén)診量預(yù)測(cè),也能很方便地?cái)U(kuò)展到各級(jí)醫(yī)療機(jī)構(gòu)對(duì)序列數(shù)據(jù)的應(yīng)用研究中,為醫(yī)務(wù)工作人員更好地利用醫(yī)療數(shù)據(jù)提供技術(shù)支持。下一步研究將會(huì)在預(yù)測(cè)模型中納入更多門(mén)診量影響因素,如節(jié)假日、天氣、醫(yī)院地理位置等,建立更完善的綜合預(yù)測(cè)模型,提供更精確的預(yù)測(cè),以進(jìn)一步深入挖掘醫(yī)療時(shí)序數(shù)據(jù)的實(shí)際應(yīng)用價(jià)值。
參考文獻(xiàn):
[1] 王若佳,魏思儀,趙怡然,等. 數(shù)據(jù)挖掘在健康醫(yī)療領(lǐng)域中的應(yīng)用研究綜述[J]. 圖書(shū)情報(bào)知識(shí),2018,185(5):116-125.
[2] 孟琳,馬金剛,劉靜,等. 醫(yī)療大數(shù)據(jù)的應(yīng)用與挑戰(zhàn)[J].? 醫(yī)療衛(wèi)生裝備,2018,39(10):77-80,94.
[3] 盧友敏.? 醫(yī)療大數(shù)據(jù)及其面臨的機(jī)遇與挑戰(zhàn)[J].? 信息與電腦(理論版),2018,415(21):10-11.
[4] 舒影嵐,陳艷萍,吉臻宇,等.? 健康醫(yī)療大數(shù)據(jù)研究進(jìn)展[J].? 中國(guó)醫(yī)學(xué)裝備,2019,16(1):149-153.
[5] 陶源,高旸昉,劉玲.? 自回歸滑動(dòng)平均求和季節(jié)乘積模型在某醫(yī)院門(mén)診量預(yù)測(cè)中的應(yīng)用[J].? 中國(guó)醫(yī)院統(tǒng)計(jì),2017,24(5):391-393.
[6] 張宇斐,申思,蓋小榮,等.? 北京市某大型綜合醫(yī)院門(mén)診量變化動(dòng)態(tài)分析及預(yù)測(cè)[J].? 中國(guó)衛(wèi)生統(tǒng)計(jì),2018(4):590-592.
[7] 張洪彬.? 2010年-2016年某院門(mén)診人次季節(jié)趨勢(shì)預(yù)測(cè)[J].? 中國(guó)病案,2018(6):38-40.
[8] 王琦,鄭靜,吳清香,等.? 灰色GM(1,1)預(yù)測(cè)模型在門(mén)診量預(yù)測(cè)中的應(yīng)用[J].? 中國(guó)醫(yī)院管理,2007,27(2):26-27.
[9] 向前,陳平雁.? 預(yù)測(cè)醫(yī)院門(mén)診量的ARIMA模型構(gòu)建及應(yīng)用[J].? 南方醫(yī)科大學(xué)學(xué)報(bào),2009,29(5):1076-1078.
[10] 李小升,馬春柳,雷海科,等.? SARIMA模型在醫(yī)院門(mén)診量預(yù)測(cè)中的應(yīng)用[J].? 中國(guó)病案,2013(3):37-40.
[11] LECUN Y,BENGIO Y,HINTON G. Deep learning[J].? Nature,2015,521(7553):436-444.
[12] 孫志軍,薛磊,許陽(yáng)明,等.? 深度學(xué)習(xí)研究綜述[J].? 計(jì)算機(jī)應(yīng)用研究,2012(8):11-15.
[13] 楊旭華,鐘楠祎.? 基于深度信念網(wǎng)絡(luò)的醫(yī)院門(mén)診量預(yù)測(cè)[J].? 計(jì)算機(jī)科學(xué),2016(z2):26-30.
[14] 桑發(fā)文,韋哲,陳輝,等.? 基于相似日和極限學(xué)習(xí)機(jī)方法的醫(yī)院門(mén)診量短期預(yù)測(cè)[J].? 中國(guó)數(shù)字醫(yī)學(xué),2018,13(2):119-121.
[15] 劉健,張翼飛,李寶娟,等.? 基于XGBoost的精神科門(mén)診量預(yù)測(cè)模型[J].? 華南國(guó)防醫(yī)學(xué)雜志,2019,33(4):56-59.
[16] 李琳,王哲,張學(xué)良,等. 基于LSTM深度神經(jīng)網(wǎng)絡(luò)的月門(mén)診量預(yù)測(cè)精度研究[J].? 中國(guó)數(shù)字醫(yī)學(xué),2019,14(1):14-17.
[17] HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J].? Neural Computation,1997,9(8):1735-1780.
[18] 陳渝,任正軍. 融合EMD與LSTM神經(jīng)網(wǎng)絡(luò)的門(mén)診量預(yù)測(cè)模型研究[J]. 軟件導(dǎo)刊,2019,18(3):133-138.
[19] 盧鵬飛,須成杰,張敬誼,等. 基于SARIMA-LSTM的門(mén)診量預(yù)測(cè)研究[J]. 大數(shù)據(jù),2019,5(6):1-10.
[20] SUTSKEVER I,VINYALS O,LE Q V. Sequence to sequence learning with neural networks[C]. The 27th Internation Conference on Neural Information Processing Systems,2014:3104-3112.
[21] KENNEDY J,EBERHART R. Particle swarm optimization[C].? IEEE International Conference on Neural Networks,1995:1942-1948.
(責(zé)任編輯:黃 健)