• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于PSO的LSTM神經(jīng)網(wǎng)絡(luò)門診量預(yù)測研究

    2020-12-01 03:15:00覃智威宓軼群陸允敏劉釗朱平
    軟件導(dǎo)刊 2020年10期
    關(guān)鍵詞:深度學(xué)習(xí)

    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)科室門診量歷史記錄數(shù)據(jù),構(gòu)建基于長短期記憶神經(jīng)網(wǎng)絡(luò)的門診量預(yù)測模型,借助粒子群優(yōu)化算法對長短期記憶網(wǎng)絡(luò)進行參數(shù)優(yōu)化,并使用優(yōu)化后的模型對門診量進行預(yù)測。月度門診量預(yù)測結(jié)果表明,經(jīng)過粒子群優(yōu)化的長短期記憶神經(jīng)網(wǎng)絡(luò)模型在測試集上的預(yù)測誤差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)測模型,可使模型較好地預(yù)測出門診量變化趨勢,從而為醫(yī)務(wù)人員門診管理工作提供決策支持。

    關(guān)鍵詞:門診量預(yù)測;長短期記憶神經(jīng)網(wǎng)絡(luò);粒子群優(yōu)化;深度學(xué)習(xí)

    DOI:10. 11907/rjdk. 192823

    中圖分類號:TP319 文獻標識碼:A 文章編號: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、醫(yī)學(xué)研究等過程數(shù)據(jù)被越來越多地記錄與存儲,由此形成的醫(yī)療大數(shù)據(jù)蘊含著大量有價值的信息,而傳統(tǒng)數(shù)據(jù)處理方式難以對這些醫(yī)療數(shù)據(jù)進行有效處理[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。針對各級診療機構(gòu),尤其是三甲醫(yī)院累積的包括門診量歷史記錄等醫(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)潛藏的價值。

    醫(yī)院門診統(tǒng)計量體現(xiàn)了醫(yī)院運行情況,為醫(yī)院管理提供了重要參考。對門診量進行合理、準確的預(yù)測,可幫助醫(yī)院管理者優(yōu)化醫(yī)療資源配置,方便醫(yī)院進行精細化管理,對提高醫(yī)院效益和診療能力具有重要意義。醫(yī)院門診服務(wù)面廣,門診人次統(tǒng)計數(shù)據(jù)具有較強的隨機性。同時,門診人次又受多種因素影響,既體現(xiàn)出中長期周期性變化的趨勢,又具有較明顯的季節(jié)效應(yīng)[5-7]。應(yīng)用傳統(tǒng)時間序列預(yù)測方法如灰色系統(tǒng)GM(1,1)模型[8]、差分自回歸滑動平均(Auto-Regressive Integrated Moving Average,ARIMA)模型[9]、季節(jié)性差分自回歸滑動平均(Seasonal Auto-RegressiveIntegratedMoving Average,SARIMA)模型[10]等對門診量進行預(yù)測面臨較多限制。隨著機器學(xué)習(xí),尤其是深度學(xué)習(xí)技術(shù)的不斷發(fā)展[11-12],針對門診量這類時間序列問題的預(yù)測精度不斷提升。如楊旭華等[13]首次使用基于深度信念網(wǎng)絡(luò)(Deep Belief Networks,DBN)的門診量預(yù)測方法,完成門診量數(shù)據(jù)特征提取,提升門診量預(yù)測精度;桑發(fā)文等[14]按照相似日原理對歷史門診量進行分類,并建立極限學(xué)習(xí)機(Extreme Learning Machine,ELM)預(yù)測模型對醫(yī)院門診量進行短期預(yù)測,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、時間特征及門診量特征,基于XGBoost算法對醫(yī)院精神科門診量進行較為精確的預(yù)測。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方法構(gòu)建針對性的預(yù)測模型。如李琳等[16]基于長短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)[17],研究不同步長下模型對月度門診量的預(yù)測精度變化;陳渝等[18]在單一LSTM網(wǎng)絡(luò)預(yù)測模型基礎(chǔ)上,融合經(jīng)驗?zāi)B(tài)分解對非平穩(wěn)數(shù)據(jù)進行預(yù)處理,實驗結(jié)果表明,組合模型取得了比單一模型更好的預(yù)測精度;盧鵬飛等[19]構(gòu)建基于SARIMA-LSTM的門診量預(yù)測模型,對節(jié)假日、法定上班天數(shù)、平均最高氣溫等多個指標進行綜合建模,相比主流預(yù)測方法可獲得更高的預(yù)測精度。

    循環(huán)神經(jīng)網(wǎng)絡(luò),特別是長短期記憶網(wǎng)絡(luò)已被許多研究者證實適合于處理長序列數(shù)據(jù)[20],對醫(yī)院門診量的預(yù)測也有越來越多研究以長短期記憶網(wǎng)絡(luò)為基礎(chǔ)。然而,長短期記憶網(wǎng)絡(luò)構(gòu)建過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知識或研究經(jīng)驗進行超參數(shù)設(shè)置,缺乏一定的探索過程,面對不同問題時可能需要反復(fù)進行人工調(diào)參,而利用優(yōu)化算法進行自動的神經(jīng)網(wǎng)絡(luò)超參數(shù)優(yōu)化則少有研究。針對這種情況,本文提出使用簡單、高效的粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法[21]對長短期記憶網(wǎng)絡(luò)關(guān)鍵超參數(shù)進行優(yōu)化的流程,將基于粒子群優(yōu)化的長短期記憶網(wǎng)絡(luò)用于三甲醫(yī)院慢性病相關(guān)科室的門診量月度預(yù)測。實驗結(jié)果表明,優(yōu)化后的預(yù)測模型能夠較好地預(yù)測門診量變化趨勢。整套建模與預(yù)測流程可以方便地應(yīng)用到門診管理工作中,為醫(yī)院的精細化管理提供技術(shù)支持。

    1 基于PSO的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建

    1.1 LSTM神經(jīng)網(wǎng)絡(luò)

    針對三甲醫(yī)院門診量歷史記錄數(shù)據(jù),利用深度學(xué)習(xí)方法搭建預(yù)測模型,對中短期門診量變化進行合理預(yù)測。本例中各時期門診量屬于時間序列數(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隱藏層中加入長短期記憶單元,從而能夠更有效地利用長距離序列數(shù)據(jù),避免常規(guī)RNN在處理長序列數(shù)據(jù)時的梯度消失問題。LSTM記憶單元結(jié)構(gòu)如圖1所示。

    在前向傳播階段,t時刻記憶單元接收該時刻的輸入[xt]與上一時刻隱藏層的輸出[ht-1]作為遺忘門的輸入,遺忘門通過激活函數(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實現(xiàn),輸入門計算分為兩部分:使用sigmoid函數(shù)計算更新值[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胞狀態(tài)。

    細胞狀態(tài)更新包含遺忘門輸出與t-1時刻細胞輸出的乘積,加上輸入門輸出與候選值的乘積。

    最終輸出門的更新,即t時刻的隱藏層輸出[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)的步長等參數(shù),使得該網(wǎng)絡(luò)預(yù)測模型的超參數(shù)設(shè)置與優(yōu)化變得較為困難。本文采用啟發(fā)式優(yōu)化算法對模型中的超參數(shù)進行優(yōu)化,粒子群優(yōu)化(PSO)算法[21]由于具有原理簡單、計算資源消耗小、收斂性較好、計算效率高等優(yōu)點,成為最常用的啟發(fā)式優(yōu)化算法之一。

    粒子群優(yōu)化算法是受鳥群合作行為啟發(fā)而提出的,算法使用一個包含若干粒子的種群,每個粒子都有自身位置與速度,算法迭代過程即是所有粒子在設(shè)計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)值的過程。在標準粒子群優(yōu)化算法中,對于一個D維優(yōu)化問題,[x(t)i]表示第[ith]個粒子的位置,[v(t)i]表示速度。[p(t)i]、[p(t)g]分別表示粒子歷史最優(yōu)位置與整個群體尋找到的最優(yōu)位置。每個粒子都將通過不斷迭代在設(shè)計空間中尋找自身最優(yōu)解與全局最優(yōu)解。整個種群通過式(7)、式(8)進行速度與位置更新。

    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體搜索行為,激勵粒子不斷尋找個體最優(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]分別是個體學(xué)習(xí)因子和社會學(xué)習(xí)因子,[r1]、[r2]為[0,1]之間的隨機數(shù)。

    1.3 基于PSO優(yōu)化的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型

    本研究通過構(gòu)建LSTM網(wǎng)絡(luò)預(yù)測模型,并使用PSO算法對LSTM模型中的關(guān)鍵參數(shù)進行優(yōu)化,最終將模型應(yīng)用于醫(yī)院科室門診量預(yù)測中。建模與優(yōu)化流程如圖2所示。

    LSTM模型中,使用前一時刻數(shù)據(jù)對下一時刻數(shù)據(jù)進行預(yù)測,可選擇不同數(shù)量的前一時刻數(shù)據(jù),如利用前兩個月的門診量對下個月門診量進行預(yù)測,這一參數(shù)為回溯時間步長n。同時,將LSTM中每層網(wǎng)絡(luò)的神經(jīng)元個數(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。將目標函數(shù)設(shè)置為LSTM模型的門診量預(yù)測誤差,通過算法迭代使預(yù)測誤差最小,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模型用于門診量預(yù)測任務(wù)。

    2 門診量預(yù)測

    2.1 數(shù)據(jù)集與數(shù)據(jù)預(yù)處理

    門診量預(yù)測數(shù)據(jù)來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)的骨科門診。骨科同時也是所有科室里門診量最大的科室之一,因此對骨科門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月各月的門診量數(shù)據(jù),該數(shù)據(jù)為一個長度為82個月的連續(xù)時間序列。圖3展示了骨科門診量在這段時間內(nèi)的變化。從折線變化趨勢可以看出,骨科門診量按年度呈現(xiàn)出一定的周期性變化規(guī)律,這是由于假期對門診量的影響比較顯著,如每年春節(jié)期間都是門診量的一個低谷,而諸如國慶節(jié)等假期也會導(dǎo)致該月份門診量較小。

    從圖3可以看出,該門診量數(shù)據(jù)為非平穩(wěn)序列,波動較大,從最小值20 194人次到最大值54 070人次,并且在各個年份都有多個波峰與波谷。因此在進行預(yù)測之前,首先進行數(shù)據(jù)預(yù)處理工作。采用式(9)對數(shù)據(jù)進行歸一化處理,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)練集和測試集。其中,選取最后12個月(2017年10月-2018年10月)門診量作為最終的測試數(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)練集進行訓(xùn)練,并用測試集進行門診量預(yù)測。

    2.2 評價指標

    為檢驗?zāi)P妥罱K預(yù)測效果,采用均方根誤差(Root Mean Square Error,RMSE)對預(yù)測結(jié)果進行評價。如式(10)所示,RMSE是預(yù)測值[yi]和真實值[yi]偏差的平方與樣本數(shù)n比值的平方根。該評價指標反映了預(yù)測值偏離真實值的程度,對大誤差非常敏感,能夠較好地反映預(yù)測精度。

    2.3 實驗結(jié)果與分析

    本算例測試選擇進行粒子群優(yōu)化的LSTM模型參數(shù),包括回溯時間步長n,以及三層神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個數(shù)[k1]、[k2]、[k3]共4個關(guān)鍵參數(shù),粒子群算法優(yōu)化目標為最小化LSTM網(wǎng)絡(luò)預(yù)測誤差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迭代過程最優(yōu)值變化曲線。

    選取迭代次數(shù)為1、25及50時的LSTM關(guān)鍵參數(shù)分別進行門診量預(yù)測曲線繪制,如圖5所示。圖中將訓(xùn)練集與測試集數(shù)據(jù)共同繪制在同一幅圖上(圖5中實線),并且分別繪制出模型在訓(xùn)練集和測試集上的預(yù)測曲線(圖5中的虛線和點劃線)。圖中預(yù)測曲線并沒有完全覆蓋原始數(shù)據(jù)曲線的時間范圍,這是因為LSTM模型中的回溯時間步長n大于0,算法需要n個月份的門診量數(shù)據(jù)預(yù)測后續(xù)月份門診量。

    在LSTM模型參數(shù)優(yōu)化初始階段,模型對訓(xùn)練集數(shù)據(jù)擬合效果很好,但在測試集上預(yù)測效果不佳,模型存在過擬合現(xiàn)象。當優(yōu)化迭代到25次時,雖然訓(xùn)練集擬合不如剛開始的擬合效果,但測試集上的預(yù)測曲線開始接近測試集數(shù)據(jù);而當?shù)?0次時,訓(xùn)練集預(yù)測曲線在2015年之后與原始曲線非常接近,測試集上的預(yù)測值也與真實值更加接近。

    經(jīng)過粒子群算法的優(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)測模型。基于骨科門診量數(shù)據(jù)的優(yōu)化LSTM模型訓(xùn)練與測試預(yù)測曲線和真實值曲線對比如圖6所示。由圖6可以看出,隨著訓(xùn)練的進行,模型在訓(xùn)練后期具有越來越高的擬合精度,預(yù)測曲線與真實值曲線幾乎重合,模型準確地擬合出各個年份波動。模型在測試集上的預(yù)測也效果較好。其中,預(yù)測曲線很好地捕捉到2018年1-2月門診量的斷崖式下跌,2018年2月為春節(jié),因此造成門診量減少。尤其在門診量回升階段預(yù)測效果顯著,幾乎與原曲線重合。另外,預(yù)測曲線還成功預(yù)測出2018年骨科門診量的幾次波峰波谷變化趨勢,以及最終10月門診量受國慶假期影響而減少的趨勢。總體而言,在測試集上,模型預(yù)測值雖然與真實值存在一定誤差,但誤差控制在10%以內(nèi)。模型能夠很好地把握門診量整體變化趨勢,對于預(yù)測將來門診量增減趨勢具有一定應(yīng)用價值。

    表1列出了不同PSO迭代次數(shù)下LSTM在訓(xùn)練集與測試集上的RMSE值??梢钥闯?,由于優(yōu)化目標為最小化測試集的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)化過程使測試集RMSE不斷減小。最終優(yōu)化LSTM模型在測試集上的RMSE相比最初減小了2 927.64,優(yōu)化效果較為顯著。

    3 結(jié)語

    門診量預(yù)測作為門診管理的重要部分,影響著醫(yī)院對醫(yī)療資源的合理配置與優(yōu)化。本研究針對三甲醫(yī)院骨科歷年的月度門診量記錄,使用深度學(xué)習(xí)方法,構(gòu)建長短期記憶網(wǎng)絡(luò)模型進行門診量預(yù)測。為解決網(wǎng)絡(luò)模型超參數(shù)較多、優(yōu)化困難的問題,結(jié)合粒子群優(yōu)化算法,開發(fā)了一套基于粒子群優(yōu)化的長短期記憶網(wǎng)絡(luò)模型。算例測試結(jié)果表明,雖然在最終的預(yù)測精度上仍有提升空間,但通過粒子群優(yōu)化,模型預(yù)測RMSE減小了2 928,比原模型預(yù)測誤差減小了48.5%。優(yōu)化后的預(yù)測模型能夠較好地預(yù)測出門診量變化趨勢,對于門診量急劇變化的情形也有著較強的捕捉能力。綜合來看,本研究提出的這套基于優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)的時序數(shù)據(jù)預(yù)測流程能夠應(yīng)用于醫(yī)院各個科室的門診量預(yù)測,也能很方便地擴展到各級醫(yī)療機構(gòu)對序列數(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。下一步研究將會在預(yù)測模型中納入更多門診量影響因素,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)測模型,提供更精確的預(yù)測,以進一步深入挖掘醫(yī)療時序數(shù)據(jù)的實際應(yīng)用價值。

    參考文獻:

    [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]. 圖書情報知識,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)研究進展[J].? 中國醫(yī)學(xué)裝備,2019,16(1):149-153.

    [5] 陶源,高旸昉,劉玲.? 自回歸滑動平均求和季節(jié)乘積模型在某醫(yī)院門診量預(yù)測中的應(yīng)用[J].? 中國醫(yī)院統(tǒng)計,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)院門診量變化動態(tài)分析及預(yù)測[J].? 中國衛(wèi)生統(tǒng)計,2018(4):590-592.

    [7] 張洪彬.? 2010年-2016年某院門診人次季節(jié)趨勢預(yù)測[J].? 中國病案,2018(6):38-40.

    [8] 王琦,鄭靜,吳清香,等.? 灰色GM(1,1)預(yù)測模型在門診量預(yù)測中的應(yīng)用[J].? 中國醫(yī)院管理,2007,27(2):26-27.

    [9] 向前,陳平雁.? 預(yù)測醫(yī)院門診量的ARIMA模型構(gòu)建及應(yīng)用[J].? 南方醫(yī)科大學(xué)學(xué)報,2009,29(5):1076-1078.

    [10] 李小升,馬春柳,雷???,等.? SARIMA模型在醫(yī)院門診量預(yù)測中的應(yīng)用[J].? 中國病案,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,許陽明,等.? 深度學(xué)習(xí)研究綜述[J].? 計算機應(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)院門診量預(yù)測[J].? 計算機科學(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)機方法的醫(yī)院門診量短期預(yù)測[J].? 中國數(shù)字醫(yī)學(xué),2018,13(2):119-121.

    [15] 劉健,張翼飛,李寶娟,等.? 基于XGBoost的精神科門診量預(yù)測模型[J].? 華南國防醫(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)的月門診量預(yù)測精度研究[J].? 中國數(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)的門診量預(yù)測模型研究[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的門診量預(yù)測研究[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)

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學(xué)習(xí)的三級階梯
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    午夜福利影视在线免费观看| 国产伦人伦偷精品视频| 欧美av亚洲av综合av国产av| 亚洲精品在线美女| 水蜜桃什么品种好| 国产精品久久久久成人av| 亚洲欧美日韩高清在线视频| 丰满人妻熟妇乱又伦精品不卡| 欧美乱妇无乱码| 免费观看人在逋| 长腿黑丝高跟| 亚洲激情在线av| 两个人免费观看高清视频| 在线视频色国产色| 国产精品综合久久久久久久免费 | 午夜福利在线免费观看网站| 久久亚洲精品不卡| 亚洲国产精品sss在线观看 | 亚洲av电影在线进入| 亚洲av电影在线进入| av有码第一页| 国产精品一区二区三区四区久久 | 高清毛片免费观看视频网站 | 日韩欧美在线二视频| 欧美日韩亚洲国产一区二区在线观看| 99久久精品国产亚洲精品| 久99久视频精品免费| 精品一区二区三区四区五区乱码| 这个男人来自地球电影免费观看| 1024视频免费在线观看| 国产伦人伦偷精品视频| 欧美在线黄色| 精品久久久久久,| 亚洲一区二区三区色噜噜 | 成人精品一区二区免费| 婷婷丁香在线五月| 免费在线观看亚洲国产| 久久香蕉激情| 很黄的视频免费| 美女 人体艺术 gogo| 97超级碰碰碰精品色视频在线观看| 国产色视频综合| 欧美日韩视频精品一区| 成人手机av| 成人黄色视频免费在线看| 99riav亚洲国产免费| 黄片大片在线免费观看| 久久久精品国产亚洲av高清涩受| 免费不卡黄色视频| 十分钟在线观看高清视频www| av片东京热男人的天堂| 午夜91福利影院| 日韩有码中文字幕| 在线观看免费午夜福利视频| 波多野结衣一区麻豆| 又大又爽又粗| 久久精品91无色码中文字幕| 亚洲一区二区三区欧美精品| 国产精品 国内视频| 亚洲五月天丁香| 免费搜索国产男女视频| 亚洲精华国产精华精| 免费搜索国产男女视频| 亚洲国产欧美一区二区综合| 免费搜索国产男女视频| 久久天躁狠狠躁夜夜2o2o| 日日干狠狠操夜夜爽| а√天堂www在线а√下载| 久久精品国产亚洲av高清一级| 在线看a的网站| 一个人观看的视频www高清免费观看 | 日本 av在线| 国产在线观看jvid| 波多野结衣高清无吗| 国产三级在线视频| 亚洲欧美日韩无卡精品| 国产野战对白在线观看| 亚洲自拍偷在线| 国产精品久久久人人做人人爽| 日韩精品免费视频一区二区三区| 巨乳人妻的诱惑在线观看| 久久狼人影院| 欧美午夜高清在线| 丰满饥渴人妻一区二区三| 亚洲精品在线美女| 999精品在线视频| 97碰自拍视频| 久久亚洲精品不卡| 1024香蕉在线观看| 亚洲精品美女久久av网站| 国产一区二区激情短视频| 亚洲av日韩精品久久久久久密| 色综合站精品国产| 亚洲性夜色夜夜综合| 免费观看人在逋| 中亚洲国语对白在线视频| 在线观看日韩欧美| 嫁个100分男人电影在线观看| 日韩高清综合在线| 一区二区三区精品91| 高清毛片免费观看视频网站 | 精品久久蜜臀av无| 精品欧美一区二区三区在线| 色综合欧美亚洲国产小说| 午夜成年电影在线免费观看| 性少妇av在线| 午夜成年电影在线免费观看| 亚洲 欧美一区二区三区| 欧美日韩国产mv在线观看视频| 高清欧美精品videossex| 超碰成人久久| 国产精品免费视频内射| ponron亚洲| 韩国精品一区二区三区| 99久久久亚洲精品蜜臀av| 国产精品免费视频内射| 亚洲国产欧美日韩在线播放| 久久欧美精品欧美久久欧美| 国产不卡一卡二| 亚洲av成人av| 黄色视频,在线免费观看| 黄色视频,在线免费观看| 精品免费久久久久久久清纯| 国产精品久久视频播放| 成人手机av| 精品国产一区二区久久| 91麻豆av在线| 夜夜躁狠狠躁天天躁| 国产激情欧美一区二区| 亚洲国产精品合色在线| 欧美日韩黄片免| 国产三级在线视频| 一区二区日韩欧美中文字幕| www.999成人在线观看| 露出奶头的视频| av超薄肉色丝袜交足视频| av福利片在线| 免费久久久久久久精品成人欧美视频| 亚洲欧美日韩高清在线视频| 国产免费男女视频| 国产99白浆流出| 99国产极品粉嫩在线观看| 精品一区二区三卡| 在线免费观看的www视频| 精品免费久久久久久久清纯| 在线观看免费午夜福利视频| 成人亚洲精品av一区二区 | 国产精品久久久av美女十八| 亚洲av美国av| 如日韩欧美国产精品一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| av超薄肉色丝袜交足视频| 视频区图区小说| 高清在线国产一区| 91在线观看av| 中文亚洲av片在线观看爽| 新久久久久国产一级毛片| 男人舔女人下体高潮全视频| 久久久国产精品麻豆| 亚洲精华国产精华精| 操出白浆在线播放| 午夜成年电影在线免费观看| 窝窝影院91人妻| 两性午夜刺激爽爽歪歪视频在线观看 | 久久久国产一区二区| 欧美最黄视频在线播放免费 | 午夜福利一区二区在线看| 久久精品影院6| 99国产精品一区二区蜜桃av| 久久午夜亚洲精品久久| 色综合欧美亚洲国产小说| 久久青草综合色| 亚洲色图av天堂| 精品人妻1区二区| 亚洲精品美女久久久久99蜜臀| 亚洲七黄色美女视频| 免费在线观看黄色视频的| 黑人猛操日本美女一级片| 男男h啪啪无遮挡| 亚洲精品成人av观看孕妇| 99re在线观看精品视频| 91成年电影在线观看| 中国美女看黄片| 可以免费在线观看a视频的电影网站| 亚洲 欧美一区二区三区| 777久久人妻少妇嫩草av网站| 神马国产精品三级电影在线观看 | 午夜福利在线免费观看网站| 成人手机av| 熟女少妇亚洲综合色aaa.| 国产亚洲精品一区二区www| 999精品在线视频| 精品乱码久久久久久99久播| 日本a在线网址| 三级毛片av免费| 精品国产乱子伦一区二区三区| 又黄又爽又免费观看的视频| 波多野结衣高清无吗| 国产91精品成人一区二区三区| 啪啪无遮挡十八禁网站| 国产麻豆69| 最新美女视频免费是黄的| 又黄又爽又免费观看的视频| 日韩欧美国产一区二区入口| 亚洲成av片中文字幕在线观看| 日韩欧美免费精品| 69精品国产乱码久久久| 国产精品永久免费网站| 一本大道久久a久久精品| 成人特级黄色片久久久久久久| 在线视频色国产色| 欧美日韩中文字幕国产精品一区二区三区 | 在线观看舔阴道视频| 97人妻天天添夜夜摸| 久久欧美精品欧美久久欧美| 久久精品国产清高在天天线| 国产一区二区三区在线臀色熟女 | 美女国产高潮福利片在线看| 精品久久久久久,| 一个人免费在线观看的高清视频| 超色免费av| 精品日产1卡2卡| 久99久视频精品免费| av网站在线播放免费| 国产成+人综合+亚洲专区| 精品电影一区二区在线| 亚洲精品一二三| 国产黄色免费在线视频| 狂野欧美激情性xxxx| 成人精品一区二区免费| 国产一区二区三区视频了| 国产免费av片在线观看野外av| 日本免费a在线| 日本vs欧美在线观看视频| av国产精品久久久久影院| 亚洲三区欧美一区| 两个人免费观看高清视频| 欧美在线一区亚洲| 女人被狂操c到高潮| 一区二区三区国产精品乱码| 99久久久亚洲精品蜜臀av| 久久中文看片网| 欧美+亚洲+日韩+国产| 亚洲精品在线观看二区| 久久精品影院6| tocl精华| 正在播放国产对白刺激| 国产精品98久久久久久宅男小说| 国产在线观看jvid| 亚洲九九香蕉| 国产精品秋霞免费鲁丝片| 亚洲情色 制服丝袜| 久久中文字幕一级| 国产精品偷伦视频观看了| 国产精品 欧美亚洲| 热99国产精品久久久久久7| 亚洲伊人色综图| 国产成人精品在线电影| 亚洲人成电影免费在线| 99精品在免费线老司机午夜| 欧美精品亚洲一区二区| 亚洲美女黄片视频| 亚洲九九香蕉| www国产在线视频色| av电影中文网址| 午夜免费成人在线视频| 国产成人精品在线电影| tocl精华| 怎么达到女性高潮| 精品一区二区三区视频在线观看免费 | 久热爱精品视频在线9| 亚洲第一av免费看| 极品教师在线免费播放| aaaaa片日本免费| 精品久久久精品久久久| 精品人妻1区二区| 日韩视频一区二区在线观看| 精品久久久久久电影网| 久久国产亚洲av麻豆专区| 老熟妇仑乱视频hdxx| 19禁男女啪啪无遮挡网站| 国产熟女午夜一区二区三区| xxxhd国产人妻xxx| 亚洲精品国产区一区二| 亚洲av美国av| 午夜精品久久久久久毛片777| 看免费av毛片| 伊人久久大香线蕉亚洲五| 琪琪午夜伦伦电影理论片6080| 国产成人av教育| 中文字幕高清在线视频| 午夜免费成人在线视频| 亚洲狠狠婷婷综合久久图片| 亚洲人成伊人成综合网2020| 精品国产国语对白av| 涩涩av久久男人的天堂| 香蕉丝袜av| 精品久久蜜臀av无| 9热在线视频观看99| 国产高清激情床上av| 欧美成人性av电影在线观看| 国产亚洲欧美精品永久| 亚洲av五月六月丁香网| 在线观看一区二区三区| 18美女黄网站色大片免费观看| 国产精品 欧美亚洲| 老司机深夜福利视频在线观看| 国产精品99久久99久久久不卡| 国产精品乱码一区二三区的特点 | 国产一区二区在线av高清观看| 国产成人精品在线电影| 99久久国产精品久久久| 人人妻人人添人人爽欧美一区卜| 黄色毛片三级朝国网站| 国产精品久久电影中文字幕| 美女福利国产在线| 亚洲成人免费电影在线观看| 午夜福利,免费看| 在线观看日韩欧美| 亚洲国产欧美网| 日本五十路高清| 中文字幕人妻丝袜制服| 大码成人一级视频| 国产乱人伦免费视频| 久久亚洲精品不卡| 这个男人来自地球电影免费观看| 久久午夜综合久久蜜桃| 黄色 视频免费看| 免费高清在线观看日韩| 久久久久国产一级毛片高清牌| 777久久人妻少妇嫩草av网站| 99热只有精品国产| 久久香蕉激情| 精品卡一卡二卡四卡免费| 人人妻,人人澡人人爽秒播| 国产伦人伦偷精品视频| 国产亚洲欧美精品永久| 一级黄色大片毛片| 亚洲熟妇中文字幕五十中出 | 精品国产超薄肉色丝袜足j| 19禁男女啪啪无遮挡网站| 极品人妻少妇av视频| 欧美乱码精品一区二区三区| 91成人精品电影| 在线看a的网站| 久99久视频精品免费| av国产精品久久久久影院| 久久久久亚洲av毛片大全| 国内毛片毛片毛片毛片毛片| 桃红色精品国产亚洲av| 亚洲avbb在线观看| a级毛片黄视频| 成人特级黄色片久久久久久久| 国产精品二区激情视频| 国产麻豆69| 一边摸一边抽搐一进一出视频| 午夜免费观看网址| 别揉我奶头~嗯~啊~动态视频| 亚洲午夜理论影院| 久久国产精品男人的天堂亚洲| 又大又爽又粗| 成人精品一区二区免费| 国产一区在线观看成人免费| 色精品久久人妻99蜜桃| 免费在线观看日本一区| 久久欧美精品欧美久久欧美| а√天堂www在线а√下载| 高清在线国产一区| 亚洲专区中文字幕在线| 51午夜福利影视在线观看| 午夜久久久在线观看| 少妇 在线观看| 女生性感内裤真人,穿戴方法视频| 97超级碰碰碰精品色视频在线观看| 午夜激情av网站| 啦啦啦 在线观看视频| 性少妇av在线| 老熟妇乱子伦视频在线观看| 亚洲精品美女久久久久99蜜臀| 久久久国产成人精品二区 | 久久久久久久精品吃奶| 国产成人精品久久二区二区91| 黑人猛操日本美女一级片| 精品国产亚洲在线| 叶爱在线成人免费视频播放| 久久影院123| 好男人电影高清在线观看| 国产成人精品无人区| 91老司机精品| 国产男靠女视频免费网站| 中亚洲国语对白在线视频| 免费在线观看日本一区| 亚洲成人精品中文字幕电影 | 成人影院久久| 亚洲成人久久性| 大型av网站在线播放| 我的亚洲天堂| 亚洲国产精品999在线| 91国产中文字幕| 成人永久免费在线观看视频| 男人舔女人下体高潮全视频| 后天国语完整版免费观看| 久久久久国产精品人妻aⅴ院| 黄色视频不卡| 成熟少妇高潮喷水视频| 超碰97精品在线观看| 少妇裸体淫交视频免费看高清 | 美女 人体艺术 gogo| 岛国在线观看网站| 国产欧美日韩精品亚洲av| 少妇的丰满在线观看| 亚洲人成电影观看| 黄色a级毛片大全视频| 新久久久久国产一级毛片| 久久精品成人免费网站| 国产成人精品久久二区二区免费| 久久国产精品男人的天堂亚洲| 国产欧美日韩一区二区精品| 午夜日韩欧美国产| 久久亚洲精品不卡| 黄色片一级片一级黄色片| 亚洲av五月六月丁香网| 亚洲中文av在线| 精品久久久久久成人av| 免费在线观看影片大全网站| 国产成人精品在线电影| 免费久久久久久久精品成人欧美视频| 国产高清视频在线播放一区| 男女之事视频高清在线观看| 丰满人妻熟妇乱又伦精品不卡| 黑人巨大精品欧美一区二区蜜桃| 亚洲国产欧美一区二区综合| 欧美最黄视频在线播放免费 | 日韩欧美免费精品| xxx96com| 国产xxxxx性猛交| av福利片在线| 757午夜福利合集在线观看| 亚洲熟妇熟女久久| 国产成人啪精品午夜网站| 成人国产一区最新在线观看| 高清毛片免费观看视频网站 | 亚洲美女黄片视频| 麻豆国产av国片精品| 亚洲午夜精品一区,二区,三区| 嫩草影院精品99| 夜夜躁狠狠躁天天躁| 色在线成人网| 亚洲五月婷婷丁香| 日韩国内少妇激情av| 88av欧美| 久久久国产一区二区| av天堂在线播放| 成年人黄色毛片网站| 亚洲午夜精品一区,二区,三区| 成人免费观看视频高清| 成人18禁在线播放| 久久久国产欧美日韩av| 一区在线观看完整版| 欧美日韩av久久| 亚洲九九香蕉| 免费在线观看日本一区| 日韩欧美一区二区三区在线观看| 亚洲精品国产精品久久久不卡| 18禁美女被吸乳视频| 欧美最黄视频在线播放免费 | 交换朋友夫妻互换小说| 午夜日韩欧美国产| 99热只有精品国产| 亚洲avbb在线观看| 日韩成人在线观看一区二区三区| 国产极品粉嫩免费观看在线| 久久香蕉精品热| 18禁美女被吸乳视频| 精品高清国产在线一区| 91精品三级在线观看| 亚洲avbb在线观看| 午夜影院日韩av| 国产成人av教育| 亚洲国产欧美日韩在线播放| 亚洲一区二区三区欧美精品| 无限看片的www在线观看| 国产午夜精品久久久久久| 制服人妻中文乱码| 99re在线观看精品视频| 欧美丝袜亚洲另类 | 国产亚洲精品久久久久5区| 可以在线观看毛片的网站| 国产精品久久久人人做人人爽| 日韩一卡2卡3卡4卡2021年| 每晚都被弄得嗷嗷叫到高潮| 亚洲五月天丁香| 老司机深夜福利视频在线观看| 久久久久久久午夜电影 | 在线永久观看黄色视频| 亚洲第一欧美日韩一区二区三区| 自线自在国产av| 欧美精品一区二区免费开放| 久热爱精品视频在线9| 性色av乱码一区二区三区2| 夜夜躁狠狠躁天天躁| av视频免费观看在线观看| 十分钟在线观看高清视频www| 成人国产一区最新在线观看| 欧美日韩一级在线毛片| 亚洲精品在线美女| 国产黄色免费在线视频| 美女国产高潮福利片在线看| 久久人妻福利社区极品人妻图片| 丝袜美足系列| 窝窝影院91人妻| 亚洲男人天堂网一区| 黑人猛操日本美女一级片| 啦啦啦免费观看视频1| 老司机午夜十八禁免费视频| 国产高清视频在线播放一区| 黄片大片在线免费观看| 亚洲av五月六月丁香网| 琪琪午夜伦伦电影理论片6080| 精品久久久久久久久久免费视频 | 午夜福利在线观看吧| 欧美激情久久久久久爽电影 | 亚洲性夜色夜夜综合| 丁香六月欧美| 亚洲视频免费观看视频| 亚洲男人的天堂狠狠| 亚洲国产精品999在线| 极品人妻少妇av视频| 每晚都被弄得嗷嗷叫到高潮| 男人的好看免费观看在线视频 | 亚洲熟女毛片儿| 久久精品国产亚洲av高清一级| 亚洲中文日韩欧美视频| 国产精品二区激情视频| 久久影院123| 两个人免费观看高清视频| 欧美日韩亚洲国产一区二区在线观看| 99国产极品粉嫩在线观看| 国产精品秋霞免费鲁丝片| 亚洲专区中文字幕在线| 青草久久国产| 国产高清激情床上av| 日本精品一区二区三区蜜桃| 男女高潮啪啪啪动态图| 日韩精品免费视频一区二区三区| 精品午夜福利视频在线观看一区| 国产精品久久久av美女十八| 性欧美人与动物交配| 亚洲美女黄片视频| 亚洲成国产人片在线观看| 国产亚洲精品第一综合不卡| 国产97色在线日韩免费| 久久久久亚洲av毛片大全| 99久久精品国产亚洲精品| 精品人妻1区二区| 久久久久久亚洲精品国产蜜桃av| 日韩精品青青久久久久久| aaaaa片日本免费| 新久久久久国产一级毛片| av片东京热男人的天堂| av天堂在线播放| 97超级碰碰碰精品色视频在线观看| 国产男靠女视频免费网站| 日本vs欧美在线观看视频| 好男人电影高清在线观看| 国产成人一区二区三区免费视频网站| 韩国精品一区二区三区| 日韩一卡2卡3卡4卡2021年| 国产野战对白在线观看| 桃色一区二区三区在线观看| 亚洲国产毛片av蜜桃av| 性欧美人与动物交配| 国产成人系列免费观看| www国产在线视频色| 久久亚洲精品不卡| 国产精品一区二区在线不卡| a级片在线免费高清观看视频| 正在播放国产对白刺激| 久久中文看片网| 人人妻人人添人人爽欧美一区卜| 日本黄色日本黄色录像| 亚洲 欧美一区二区三区| 国产精品爽爽va在线观看网站 | 日韩国内少妇激情av| 男女之事视频高清在线观看| 欧美不卡视频在线免费观看 | 国产成人av教育| 韩国精品一区二区三区| 国产成人欧美在线观看| 精品一区二区三卡| 夫妻午夜视频| 两个人免费观看高清视频| 久久久久精品国产欧美久久久| 免费av毛片视频| 精品一区二区三区av网在线观看| 久久精品影院6| 久久精品国产综合久久久| 国产亚洲精品久久久久5区| 亚洲色图av天堂| 十八禁人妻一区二区| 每晚都被弄得嗷嗷叫到高潮| 人人妻人人澡人人看| 国产精品影院久久| 久久精品国产99精品国产亚洲性色 | 欧美日韩一级在线毛片| 韩国精品一区二区三区| 狂野欧美激情性xxxx| 一区福利在线观看| 最近最新中文字幕大全电影3 | 狂野欧美激情性xxxx| 久热这里只有精品99| 久久久久久久久免费视频了| 亚洲精品粉嫩美女一区| 咕卡用的链子| 久久久久久久精品吃奶|