基于PSO的LSTM神经网络门诊量预测研究.docx

?

?

基于PSO的LSTM神经网络门诊量预测研究

?

?

覃智威宓轶群陆允敏刘钊朱平

摘要：研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用，选取三甲医院中医慢病相关科室门诊量历史记录数据，构建基于长短期记忆神经网络的门诊量预测模型，借助粒子群优化算法对长短期记忆网络进行参数优化，并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明，经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE，相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型，可使模型较好地预测出门诊量变化趋势，从而为医务人员门诊管理工作提供决策支持。

关键词：门诊量预测;长短期记忆神经网络;粒子群优化;深度学习

DOI：10.11907/rjdk.192823

：TP319：A：1672-7800（2020）010-0029-05

Abstract：Toinvestigatetheconstructionmethodoflongshort-termmemory（LSTM）neuralnetworkmodelbasedonparticleswarmoptimization（PSO）algorithmanditsapplicationinhospitaloutpatientmanagement，thehistoricaloutpatientquantitydataofthedepartmentrelatedtoChinesemedicinechronicdiseaseinthetertiaryhospitalareselectedtoestablishanoutpatientquantitypredictionmodelbymeansofthelongshort-termmemoryneuralnetwork，andparticleswarmoptimizationalgorithmisusedtooptimizetheparametersofthepredictionmodel.ThepredictionresultsofmonthlyoutpatientquantityshowthatthepredictionerrorRMSEoftheLSTMneuralnetworkmodeloptimizedbyPSOonthetestsetis48.5%lowerthanthatoftheunoptimizedmodel.Particleswarmoptimizationalgorithmcanoptimizethepredictionmodelefficiently，sothatthemodelcanbetterpredictthetrendsofoutpatientquantityandprovidedecisionsupportfortheoutpatientmanagementofmedicalstaff.

KeyWords：outpatientquantityprediction;longshort-termmemoryneuralnetwork;particleswarmoptimization;deeplearning

0引言

随着现代信息技术的发展，医疗活动、医学研究等过程数据被越来越多地记录与存储，由此形成的医疗大数据蕴含着大量有价值的信息，而传统数据处理方式难以对这些医疗数据进行有效处理[1-4]。人工智能与医疗领域的深度融合是大数据背景下医疗信息化的核心技术之一。针对各級诊疗机构，尤其是三甲医院累积的包括门诊量历史记录等医疗管理数据，利用数据挖掘方法可以有效挖掘这些数据潜藏的价值。

医院门诊统计量体现了医院运行情况，为医院管理提供了重要参考。对门诊量进行合理、准确的预测，可帮助医院管理者优化医疗资源配置，方便医院进行精细化管理，对提高医院效益和诊疗能力具有重要意义。医院门诊服务面广，门诊人次统计数据具有较强的随机性。同时，门诊人次又受多种因素影响，既体现出中长期周期性变化的趋势，又具有较明显的季节效应[5-7]。应用传统时间序列预测方法如灰色系统GM（1，1）模型[8]、差分自回归滑动平均（Auto-RegressiveIntegratedMovingAverage，ARIMA）模型[9]、季节性差分自回归滑动平均（Seasonal