[发明专利]一种基于神经网络的呼吸系统疾病患病人次动态预测方法

权利要求书

1.一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：该方法整合多源数据；多源数据包括大气污染的主要污染物PM2.5、PM10、NO₂、SO₂、CO、O₃浓度数据，每天的日均温度和相对湿度气象数据，区域社会经济水平数据，区域疾病住院人次数据和门急诊就诊人次数据；采用LSTM神经网络来构建呼吸系统疾病患病人次的预测模型；随着时间的变化，模型中不断加入最新真实数据，反复迭代优化模型，达到增量学习和动态预测的目的；具有如下步骤：

步骤一：多源数据整合；

步骤二：数据预处理；该方法需要先对多维数据关联整合与预处理，所述的预处理包括以下子步骤：

S101：数据清洗，修正填写不规范的字段；

S102：在多源数据关联整合的过程中，字段进行统一标准化处理；

S103：样本筛选：选择数据质量高、信息量全的呼吸系统疾病数据；

S104：序列构建：通过序列图分析以及自相关性检验，判断序列的平稳性，对非平稳时间序列采用差分的方式进行平稳化处理；

步骤三：构建LSTM神经网络模型；基于LSTM神经网络患病人次的预测模型构建，包括以下子步骤：

S201：序列选取：选择时间序列，加入事件变量，构建预测模型；

S202：模型验证与评价：采用回顾性验证和前瞻性验证相结合的方式；

S203：模型调优：模型调优分两块，一是数据优化即输入时间序列的选取，二是模型参数调优，通过这两部分调整最终训练出一个可靠的预测模型；

步骤四：模型验证与调优；

步骤五：增量学习与动态预测；所述的动态预测包括以下子步骤：

S301：模型增量学习：随着时间的变化，模型中不断加入最新真实数据供模型学习和优化；

S302：通过时间序列的变化，反复迭代优化模型，动态预测下一周期的患病人次。

2.根据权利要求1所述的一种基于神经网络的呼吸系统疾病患病人次动态预测方法，其特征在于：所述的预测周期以周或日为佳。