[发明专利]基于多头CNN网络的医院门诊人流量预测及分诊系统

权利要求书

1.基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：包括以下步骤：

ST100、从医院挂号系统和门诊系统获取历史数据实时传输到该系统中，所述一条历史信息包括挂号信息的发生时间、对应科室的人流量数据；

ST200、传入系统的数据转化，将时间序列的人流量数据转化为监督学习中带标签的数据；

ST300、对系统中模型的训练和调优；

ST400、系统的应用。

2.根据权利要求1所述的基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：步骤ST200包括如下子步骤：

ST201、按某个时间步长汇总各科室的人流量和医院门诊总人流量将汇总的人流量实时的传入系统的输入端；

ST202、将输入的数据生成表示时间、科室人流量关系的二维矩阵；

ST203、将生成的二维矩阵归一化，输出一类样本矩阵，其中所述一类样本矩阵的维度包括时间和科室，其取值为归一化各科室人流量以及总人流量，所述归一化人流量的取值范围位于0到1000；

ST204、将一类样本矩阵分别滑动相同的时间步长并截取一个时间步长，依次得到一系列长度为M*N的二类样本矩阵，其中所述二类样本矩阵维度包括时间和科室，其中M表示时间步长，N表示科室数量；

ST205、将一系列的二类矩阵划分为80％的训练样本集和20％的测试样本集。

3.根据权利要求1所述的基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：步骤ST300的包括如下子步骤：

ST301、在系统中定义一个多头CNN网络，其中该网络包含与科室数相同的子CNN网络模型，其中每个子CNN网络模型包含卷积层1、卷积层2、池化层1，同时多头CNN网络包含两个全连接层以及一个输出层；

ST302、提取80％的二类样本矩阵，按照科室对应输入到多头CNN网络中子CNN网络模型的卷积层1；

ST303、在每个子CNN网络模型的卷积层1，定义32个步长为1，各维长度为2*2*1的卷积核矩阵M1，用M1对卷积层1的输入执行ReLU激活，其中padding＝0；

ST304、在每个子CNN网络模型的卷积层2，定义32个步长为1，各维长度为2*2*1的卷积核矩阵M2，用M2对卷积层1的输出执行ReLU激活，其中padding＝1；

ST305、在每个子CNN网络模型的池化层1，定义各维长度为2*2*1的池化矩阵P1，用P1对卷积层2的输出执行MaxPooling；

ST306、合并每个子CNN网络模型的池化层1展平后的输出；

ST307、在多头CNN网络的全连接层1和全连接层2分别定义神经元数为200和100，对合并后的输出执行ReLU激活；

ST308、在多头CNN网络的输出层，定义神经元是为1对多头CNN网络的预测门诊总人流量执行输出；

ST309、在多头CNN网络模型中，定义损失函数为mse，优化算法为adam算法；

ST310、将定义好的多头CNN网络模型应用于20％的测试样本集，对每个测试样本输出一个门诊总人流量，与实际总人流量对比，得到平均相对误差MRE，其中MRE的计算公式如下：

其中：y_i和分别表示第i天医院门诊的实际总人流量和预测总人流量I表示测试样本集中的样本个数；

ST311、判断MRE是否满足要求，如满足要求则只需步骤ST312，否则如不满足要求则执行步骤ST313；

ST312、视为多头CNN网络模型搭建成功，训练以及调优过程结束；

ST313、判断迭代次数是否超过规定次数，如果超过则修改迭代次数，如果没超过则执行ST314；

ST314、视为多头CNN模型的搭建不成功，修改卷积核矩阵M1和卷积核矩阵M2以及池化矩阵P1，重复执行ST310，直到MRE满足要求。

4.根据权利要求3所述的基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：步骤ST303、步骤ST304和步骤ST307所述ReLU激活函数f(x)算法为：

5.根据权利要求1所述的基于多头CNN网络的医院门诊人流量预测及分诊系统，其特征在于：步骤ST400包括如下子步骤：

ST401、从医院挂号系统，实时获取各科室每一天的人流量以及医院门诊每一天的总人流量并传入系统的输入端；

ST402、应用系统中搭建好的多头CNN网络模型，预测未来一天的医院门诊总人流量数；

ST403、对步骤ST402预测门诊的总人流量进行分析并做出决策，然后根据决策进行分诊，同时通过5G网络将系统输出的预测人流量和分诊信息发送至移动App。