基于集成学习的门诊量预测方法及装置制造方法及图纸

本发明专利技术公开了基于集成学习的门诊量预测方法及装置。该方法包括：获取门诊衍生数据，其中，门诊衍生数据包括至少一个训练数据集和测试数据集；基于各训练数据集分别对集成学习模型的子学习模型进行训练，得到至少一个中间模型，并基于中间模型对训练数据的预测结果与对应的训练数据进行融合，得到第一融合数据，根据第一融合数据对集成学习模型中待训练子学习模型进行训练，得到目标门诊量预测模型；基于中间模型对门诊衍生数据中的测试数据的预测结果与测试数据进行融合，得到第二融合数据，将所述第二融合数据输入至所述目标门诊量预测模型，得到预测门诊量。通过上述技术方案，提高了模型的门诊量预测的准确度。提高了模型的门诊量预测的准确度。提高了模型的门诊量预测的准确度。

【技术实现步骤摘要】
基于集成学习的门诊量预测方法及装置


[0001]本专利技术涉及数据处理
，尤其涉及一种基于集成学习的门诊量预测方法及装置。

技术介绍

[0002]近年来随着人工智能和深度学习的兴起，人们开始尝试使用机器学习的方法来对医院的门诊量进行预测并取得了一定的成功。
[0003]但是目前在该领域，现有技术所使用的神经网络可以拟合大规模的数据，通过调整非线性激活函数和网络层数极大的提高模型精度，但是存在容易过拟合的问题，将会降低门诊量的预测准确度。

技术实现思路

[0004]本专利技术提供了一种基于集成学习的门诊量预测方法及装置，以实现提高模型的门诊量预测准确度。
[0005]根据本专利技术的一方面，提供了一种基于集成学习的门诊量预测方法，包括：
[0006]获取门诊衍生数据，其中，所述门诊衍生数据包括至少一个训练数据集和测试数据集；
[0007]基于各所述训练数据集分别对集成学习模型的子学习模型进行训练，得到至少一个中间模型，并基于中间模型对训练数据的预测结果与对应的训练数据进行融合，得到第一融合数据，根据第一融合数据对集成学习模型中待训练子学习模型进行训练，得到目标门诊量预测模型；
[0008]基于中间模型对所述测试数据集的预测结果与所述测试数据集进行融合，得到第二融合数据，将所述第二融合数据输入至所述目标门诊量预测模型，得到预测门诊量。
[0009]根据本专利技术的另一方面，提供了一种基于集成学习的门诊量预测装置，包括：
[0010]衍生数据获取模块，用于获取门诊衍生数据，其中，所述门诊衍生数据包括至少一个训练数据集和测试数据集；
[0011]目标模型生成模块，用于基于各所述训练数据集分别对集成学习模型的子学习模型进行训练，得到至少一个中间模型，并基于中间模型对训练数据的预测结果与对应的训练数据进行融合，得到第一融合数据，根据第一融合数据对集成学习模型中待训练子学习模型进行训练，得到目标门诊量预测模型；
[0012]门诊量预测模块，用于基于中间模型对所述测试数据集的预测结果与所述测试数据集进行融合，得到第二融合数据，将所述第二融合数据输入至所述目标门诊量预测模型，得到预测门诊量。
[0013]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0014]至少一个处理器；以及
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的基于集成学习的门诊量预测方法。
[0017]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的基于集成学习的门诊量预测方法。
[0018]本专利技术实施例的技术方案，通过获取门诊衍生数据，其中，门诊衍生数据包括至少一个训练数据集和测试数据集；基于各训练数据集分别对集成学习模型的子学习模型进行训练，得到至少一个中间模型，并基于中间模型对训练数据的预测结果与对应的训练数据进行融合，得到第一融合数据，根据第一融合数据对集成学习模型中待训练子学习模型进行训练，得到目标门诊量预测模型；基于中间模型对门诊衍生数据中的测试数据的预测结果与测试数据进行融合，得到第二融合数据，将第二融合数据输入至目标门诊量预测模型，得到预测门诊量。通过将含有预测结果的融合数据对集成学习模型训练及预测，使模型可以学习到更多的特征信息，从而提高模型的门诊量预测的准确度。
[0019]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是根据本专利技术实施例一提供的一种基于集成学习的门诊量预测方法的流程图；
[0022]图2是根据本专利技术实施例二提供的一种基于集成学习的门诊量预测方法的流程图；
[0023]图3是根据本专利技术实施例二提供的一种集成学习模型的门诊量预测方法的流程图；
[0024]图4是根据本专利技术实施例三提供的一种基于集成学习的门诊量预测方法的流程图；
[0025]图5是根据本专利技术实施例三提供的一种集成学习模型的门诊量预测方法的流程图；
[0026]图6是根据本专利技术实施例四提供的一种基于集成学习的门诊量预测装置的结构示意图；
[0027]图7是实现本专利技术实施例的基于集成学习的门诊量预测方法的电子设备的结构示意图。
具体实施方式
[0028]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的
附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0029]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0030]实施例一
[0031]图1为本专利技术实施例一提供了一种基于集成学习的门诊量预测方法的流程图，本实施例可适用于通过集成学习模型自动预测门诊量的情况，该方法可以由基于集成学习的门诊量预测装置来执行，该基于集成学习的门诊量预测装置可以采用硬件和/或软件的形式实现，该基于集成学习的门诊量预测装置可配置于电子设备中，例如终端和/或服务器。如图1所示，该方法包括：
[0032]S110、获取门诊衍生数据，其中，所述门诊衍生数据包括至少一个训练数据集和测试数据集。
[0033]其中，门诊衍生数据指的是原始门诊数据经过数据处理得到的新特征数据，可以用于模型训练及测试。数据处理方法可以包括以下方法中的一种或多种：数据清洗、数据筛选、数据重构和特征工程等。门诊衍生数据可以包括但不限于至少一个训练数据集和测试数据集。训练数据集可以用于对集成学习模型进行训练，测试数据集可以用于对训练完成的模型进行测试。需要说明的是，训练数据集与测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的门诊量预测方法，其特征在于，包括：获取门诊衍生数据，其中，所述门诊衍生数据包括至少一个训练数据集和测试数据集；基于各所述训练数据集分别对集成学习模型的子学习模型进行训练，得到至少一个中间模型，并基于中间模型对训练数据的预测结果与对应的训练数据进行融合，得到第一融合数据，根据第一融合数据对集成学习模型中待训练子学习模型进行训练，得到目标门诊量预测模型；基于中间模型对所述测试数据集的预测结果与所述测试数据集进行融合，得到第二融合数据，将所述第二融合数据输入至所述目标门诊量预测模型，得到预测门诊量。2.根据权利要求1所述的方法，其特征在于，所述获取门诊衍生数据，包括：获取原始门诊数据，对所述原始门诊数据进行数据筛选，得到筛选门诊数据；基于所述筛选门诊数据进行特征工程处理，得到初始门诊衍生数据；对所述初始门诊衍生数据进行划分，得到所述门诊衍生数据。3.根据权利要求1所述的方法，其特征在于，所述门诊衍生数据包括时间戳衍生特征、时序值衍生特征和属性变量衍生特征；其中，所述时间戳衍生特征包括时间戳特征、布尔特征和时间差特征；所述时序值衍生特征包括滞后特征、滑动窗口统计特征和扩展窗口统计特征；所述属性变量衍生特征包括非门诊量特征。4.根据权利要求3所述的方法，其特征在于，所述时序值衍生特征的确定方法包括：确定各科室门诊量之间的相关性信息；基于所述各科室门诊量之间的相关性信息确定时序值衍生特征。5.根据权利要求1所述的方法，其特征在于，所述集成学习模型包括第一子学习模型和第三子学习模型；所述基于各所述训练数据集分别对集成学习模型的子学习模型进行训练，得到至少一个中间模型，并基于中间模型对训练数据的预测结果与对应的训练数据进行融合，得到第一融合数据，根据第一融合数据对集成学习模型中待训练子学习模型进行训练，得到目标门诊量预测模型，包括：基于第一训练数据集对所述第一子学习模型进行训练，得到第一中间模型，将第二训练数据集输入至所述第一中间模型，得到第一预测结果；将所述第一预测结果和所述第二训练数据集进行融合，得到第一融合数据；基于所述第一融合数据对所述第三子学习模型进行训练，得到目标门诊量预测模型。6.根据权利要求5所述的方法，其特征在于，所述集成学习模型还包括第二子学习模型，所述基于中间模型对所述测试数据集的预测结果与所述测试数据集进行融合，得到第二融合数据，将所述第二融合数据输入至所述目标门诊量预测模型，得到预测门诊量，包括：基于所述第二训练数据集对所述第二子学习模型进行训练，得到第二中间模型，将所述测试数据集输入至所述第二中间模型，得到第二预测结果；将所述第二预测结果和所述测试数据集进行融合，得到第...

【专利技术属性】
技术研发人员：刘新辉，华宗楠，
申请(专利权)人：上海柯林布瑞信息技术有限公司，
类型：发明
国别省市：