[发明专利]预测模型构建方法、门诊量预测方法及装置

权利要求书

1.一种预测模型构建方法，其特征在于，包括：

获取待预测量的历史时间序列，根据所述历史时间序列生成BP神经网络的训练集；

确定所述BP神经网络的初始连接权值和阈值；

对所述初始连接权值和阈值进行优化，得到所述BP神经网络的最优初始连接权值和阈值；

将所述最优初始连接权值和阈值作为所述BP神经网络的初始参数，对所述训练集进行模型训练，构建待预测量预测模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采用预设的验证集对所述待预测量预测模型进行测试。

3.根据权利要求1所述的方法，其特征在于，所述根据所述历史时间序列生成BP神经网络的训练集包括：

确定所述历史时间序列的时间延迟δ和关联维数D；

根据所述时间延迟δ和关联维数D对所述历史时间序列进行重构，并将得到的数据集作为所述BP神经网络的训练集。

4.根据权利要求3所述的方法，其特征在于，所述确定所述历史时间序列的时间延迟δ和关联维数D包括：

通过互信息法确定所述历史时间序列的时间延迟δ；

通过关联维法确定所述历史时间序列的关联维数D。

5.根据权利要求1所述的方法，其特征在于，所述对所述初始连接权值和阈值进行优化包括：

采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化，以确定所述BP神经网络的最优初始连接权值和阈值。

6.根据权利要求5所述的方法，其特征在于，所述采用布谷鸟搜索算法对所述初始连接权值和阈值进行优化包括：

步骤一、随机产生n个鸟巢位置，得到第一组鸟巢位置，其中每一鸟巢位置对应所述BP神经网络的一组初始连接权值和阈值；

步骤二、所述BP神经网络根据第一组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第一预测精度，查找第一预测精度最高的鸟巢，将其作为当前最优鸟巢；

步骤三、根据鸟巢的路径和位置更新规则对剩余的非最优鸟巢进行位置更新，得到第二组鸟巢位置，所述BP神经网络根据第二组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第二预测精度；

步骤四、比较所述第二组鸟巢位置中鸟巢位置对应的第二预测精度与该鸟巢位置未更新前对应的第一预测精度，用第二组鸟巢位置中较优鸟巢位置替换剩余的非最优鸟巢中与之对应的较差鸟巢位置，得到第三组鸟巢位置；

步骤五、保留第三组鸟巢位置中被发现概率小于随机阈值的鸟巢，随机改变其他鸟巢位置，得到第四组鸟巢位置，所述BP神经网络根据第四组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第三预测精度；

步骤六、比较所述第四组鸟巢位置中鸟巢位置对应的第三预测精度与该鸟巢位置未进行随机改变前对应的预测精度，用第四组鸟巢位置中较优鸟巢位置替换第三组鸟巢位置中与之对应的较差鸟巢位置，得到第五组鸟巢位置；

步骤七、对所述第五组鸟巢位置进行高斯扰动，得到第六组鸟巢位置，所述BP神经网络根据第六组鸟巢位置中每一鸟巢位置对应的始连接权值和阈值对所述训练集进行训练，计算每一鸟巢位置对应的第四预测精度；

步骤八、比较所述第六组鸟巢位置中鸟巢位置对应的第四预测精度与该鸟巢位置未进行高斯扰动前对应的预测精度，用第六组鸟巢位置中较优鸟巢位置替换第五组鸟巢位置中与之对应的较差鸟巢位置，得到第七组鸟巢位置；

步骤九、查找所述第七组鸟巢位置中对应的预测精度最高的鸟巢，将其作为当前最优鸟巢，判断当前最优鸟巢对应的预测精度是否满足预设预测精度，若是，则停止搜索，并将当前最优鸟巢位置对应的初始连接权值和阈值作为所述BP神经网络的最优初始连接权值和阈值，否则，返回步骤三，继续搜索。

7.一种门诊量预测方法，其特征在于，包括：

获取历史门诊量的时间序列数据；

根据所述历史门诊量的时间序列数据，采用如权利要求1～6任一项所述的预测模型构建方法构建门诊量预测模型；

采用所述门诊量预测模型进行门诊量预测。