[发明专利]基于循环神经网络构建预测模型的方法

说明书

技术领域

本发明涉及人工智能和深度学习领域，特别涉及一种基于循环神经网络构建预测模型的方法。

背景技术

随着计算机技术的发展，其中人工智能作为一项核心技术已经被广泛应用到了很多具体问题中去，人工智能技术的出现使得机器能够胜任一些通常需要人类智能才能完成的复杂工作，为人们提供了更高效的生活。人工神经网络作为人工智能领域兴起的研究热点，它从信息处理的角度对人脑的神经元网络进行抽象，建立了某种简单模型，按不同的连接方式组成了不同的网络。人工神经网络是一种运算模型，由大量节点(或者称神经元)之间的相互联接构成。每个节点都代表了一种特定输出的函数，称为激励函数。每两个节点之间的连接都代表一个对于通过此连接信号的加权值，称为权重，这相当于神经网络中的记忆。网络输出则根据网络连接的方式，权重值与激励函数之间的不同而不同。网络自身通常都是对自然界某种算法或函数的逼近，也可能是对一种对逻辑策略的表达。深度学习的概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。

近年来，互联网的飞速发展促使医疗行业也想着该领域推进，移动医疗是近年来全球的一个市场热点，涉及到利用人工智能和大数据等一系列计算机领域技术对健康数据分析和预测。基于上述共识，本发明开发并建立有关用户血压数据序列的预测算法和模型，将深度学习中的循环神经网络模型(Recurrent Neural Network,RNN)运用到数据挖掘的工作中。力争为个性化用户提供最优化策略和直观量化引导，协助实现最大效果的干预措施，为用户提供个性化的血压健康监测服务，改善其高血压的健康状况。

发明内容

(一)要解决的技术问题

针对背景技术中的问题，本发明提出了一种基于循环神经网络构建预测模型的方法，以实现上述为用户提供个性化血压健康监测服务的目的。

(二)技术方案

本发明的一个方面提供了一种基于循环神经网络构建血压序列预测模型的方法，包括：

获取多组特征数据，所述特征数据包括血压特征、月份特征、月份间隔特征以及用户个人信息特征；

将所述多组特征数据依次输入到循环神经网络模型中进行训练，其中：

根据输入每组特征数据得到的输出血压预测结果更新所述循环神经网络模型的参数；以及

用下一组特征数据训练更新后的循环神经网络模型，直到所述循环神经网络模型的参数收敛。

上述方案中，所述获取多组特征数据包括：

获取多组用户数据；

清洗所述多组用户数据；

选取多组特征数据。

上述方案中，所述用户数据包括用户个人信息数据和血压观测数据。

上述方案中，所述清洗所述多组用户数据包括删去异常值点。

上述方案中，所述将所述多组特征数据依次输入到循环神经网络模型中进行训练包括将所述多组特征数据根据时间先后依次输入到循环神经网络模型中进行训练。

上述方案中，所述根据所述输出血压预测结果更新所述循环神经网络模型的参数包括：

根据输出血压预测结果与用户血压真实值构建损失函数；

根据损失函数更新所述循环神经网络模型的参数。

上述方案中，所述循环神经网络的初始参数是随机设置的。

(三)有益效果

本发明涉及基于循环神经网络的血压序列预测模型，将大数据和深度循环神经网络建模序列信息，应用于血压健康信息的预测中。同时将干预情境进行建模，得到用户血压序列更准确的预测效果。

附图说明

图1是根据本发明实施例的基于循环神经网络构建预测模型的方法流程图。

图2是根据本发明实施例的循环神经网络模型图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

根据本发明实施例，基于循环神经网络模型来解决序列预测问题，将时序信息充分利用，通过将其输入到同一隐含层来获得更高维度的表达，以此提高模型预测的准确度。该神经网络模型能对健康数据(血压数据)信息进行建模，并利用时间序列信息更好地预测未来健康趋势。在本发明实施例中，基于循环神经网络的血压序列预测模型，将大数据和深度循环神经网络建模序列信息，应用于血压健康信息的预测中。

图1是根据本发明实施例的基于循环神经网络构建预测模型的方法流程图。