基于胶囊网络的医院门诊人流量预测方法

技术领域

本发明涉及智慧医疗和流量预测技术领域，具体涉及基于胶囊网络的医院门 诊人流量预测方法。

背景技术

目前我国由于医疗资源配置失衡，大型医院人流量巨大，社区医院资源限制， 导致“看病难”，医患关系持续紧张，不断发生“医患冲突”事件；同时，患者 不了解医院人流量，大型医院常出现人流量爆满的情况，患者体验较差。为此， 高效的人流量预测是解决问题的有效方法：一方面，医院根据预测的人流量调整 内部人员配置，以合理利用资源；另一方面，患者可根据预测的人流量，结合自 评健康水平选择合适的医院就诊，从而节省就医时间。

目前国内外对服务行业人流量的预测研究方法主要基于传统的预测方法，如ARIMA模型、LSTM算法、视频分析等，它们针对不同应用场景选择不同算法以提 高预测的准确性，但是医疗方面能精确预测到科室粒度人流量的研究则完全没有。

在专利201810032586.8《基于视频的医院人流量测算系统及方法》提供了 一种基于视频的医院人流量测算系统及方法，其方法包括如下步骤：从医疗机构 的每个入口所安装的拍摄装置获取视频；对每个入口所拍摄的视频进行实时分析 以确定该入口的人的数量；基于将每个入口所拍摄的视频所分析出的人的数量计 算患者的总数量；将总数量发送给用户终端。其基于医院入口的摄像装置所拍摄 的视频来实时监测医疗机构的人流量，并及时发送给患者，方便用户做出判断。 该技术的不足是：仅能判断当时的人流量，从摄像机安装位置到各科室有一定路 径而且存在分流、合流的情况，摄像机得到的实时数据不覆盖大批患者到达具体 科室后的人流量，从而不具有预测未来一段时间人流量变化；同时，每个入口安 装拍摄装置，带来的实施成本高。

卷积神经网络在池化层中丢失了大量信息，降低了空间分辨率，同时丢失了 空间等特征，而最新的胶囊网络作为一种热门新型神经网络结构，它克服卷积神 经网络的缺点，需要更少的训练数据，还能处理时间、空间、姿态等模糊性，为 处理医疗方面精确预测到科室粒度人流量的研究带来了新的希望。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于胶囊网络的医院门诊 人流量预测方法，首先从从医院挂号系统和门诊系统提取历史数据，然后进行数 据转化、模型训练和调优，得到平均相对误差MRE满足规定指标要求的胶囊网络 模型，再根据提取的某一时刻各科室的实时人流量，预测未来一段时间的各科室 人流量，以达到基于医院挂号系统和门诊系统提供的挂号量与人流量，精确预测 未来一段时间各科室人流量，从而节约摄像机投资，利于医院合理利用资源、患 者自主决定就医时段、提高就医体验的技术目的。

为此，本发明提供一种基于胶囊网络的医院门诊人流量预测方法，其特征在 于，包括如下步骤：

S100、从医院挂号系统和门诊系统提取历史数据，所述一条历史数据包括挂 号信息的发生时间、对应科室和科室门诊的人流量数据；

S200、数据转化；

S300、模型训练和调优；

S400、模型应用；

其中：步骤S200包括如下子步骤：

S201、按某个时间步长汇总各科室的挂号量和人流量，其中：所述时间步长的取值范围为1至10分钟；

S202、生成表示时间、科室、科室挂号量和人流量关系的二维矩阵；

S203、将二维矩阵归一化，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，其取值为归一化科室挂号量和归一化人流量，所述归一化科室 挂号量和归一化人流量的取值范围位于0到255；

S204、将一类样本矩阵分别滑动不同的时间步长并截取1个时间步长，依次得到一系列长度为N*N的二类样本矩阵，其中：所述二类样本矩阵的维度包括时间和 科室，N表示科室数量；

S205、将一系列二类样本矩阵划分为80％的训练样本集和20％的测试样本集； 步骤S300包括如下子步骤：

S301、定义一个包含卷积层1、卷积层2、主胶囊层和数字胶囊层的胶囊网络；

S302、提取80％的二类样本矩阵，输入到胶囊网络的卷积层1；

S303、在卷积层1，定义256个步长为1、各维长度为9*9*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；

S304、在卷积层2，定义256个步长为1、各维长度为3*3*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；

S305、在主胶囊层，定义8个步长为1、各维长度为9*9*256的卷积核矩阵M3， 用M3对卷积层2的输出执行ReLU激活，输出32个胶囊共6*6*8*32张量，其中 padding＝1；

S306、在数字胶囊层，定义8*N权重矩阵M4；将来自主胶囊层的所有胶囊通过 权重矩阵M4映射到N个数字胶囊，其中：N表示科室数量，每个胶囊对应一个 向量，向量模长表示对应科室人流量的预测结果；

S307、将计算的模型应用于20％测试样本集，对每一测试样本得到一组表示各个科室预测人流量的向量，与实际人流量比对，得到平均相对误差MRE，其中MRE 的计算式为：

其中：

S308、判断MRE是否满足要求，如满足要求，则只需步骤S309，否则如不满足 要求，则执行到步骤S310；

S309、视为计算成功，训练过程结束并且转到步骤S400；

S310、判断迭代次数是否超过规定次数，如超过，则执行到步骤S11，否则执行 步骤S312；

S311、视为计算失败，训练过程结束；

S312、修改卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4， 重复执行步骤S303-S312；

步骤S4包括如下子步骤：

S401、从医院挂号系统，提取某一时刻各科室的实时挂号量和科室人流量；

S402、应用计算好的胶囊网络模型，预测未来一段时间的各科室人流量。

进一步地，S303、S304和S305所述ReLU激活函数f(x)的算法为：

更优地，步骤S400还包括以下子步骤：

S403、将模型应用阶段预测的各科室人流量与后续实际的人流量做比对，当 误差范围超过规定数值后，自动停止模型应用，而重复执行步骤S100至S400 模型训练、调优与应用对应的各过程；所述误差范围区间为1％至5％。

进一步地，所述卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩 阵M4的初始值为全1矩阵。

更优地，S402所预测的人流量数据通过4G网络发送到移动App。

本发明具有如下有益效果：

首先，本发明从医院挂号系统和门诊系统提取历史数据用于模型训练，并提 取实时数据用于人流量预测，使用胶囊网络需要的训练样本少，还能处理时间、 空间路径的模糊性，所处理人流量可精确到科室，从而节约摄像机投资，提高患 者就医体验。

其次，由于胶囊网络模型基于大量历史样本进行训练和调优，与卷积神经网 络相比，更能处理由于科室之间复杂路径导致的模糊性，从而具有更好的实用价 值和模型适用性。

本发明的医院门诊人流量预测方法，通过构建医院历史门诊人流量在时间和空间上的灰度图像，将胶囊网络的方法运用到医院门诊人流量数据图像的处理和预测，准确预测 下一时间医院门诊人流量，合理利用预测数据，医院可根据预测结果合理分配人力物力，患 者可参考预测结果选择就诊时间和医院，从而最大范围的优化资源配置，缓解紧张的医患关 系。

附图说明

图1是一种基于胶囊网络的医院门诊人流量预测方法的流程图，

图2是S200数据转化的流程图，

图3是S300模型训练和调试的流程图，

图4是S400模型应用的流程图；

图5为步骤S400的另一个实施例的流程图。

具体实施方式

为了加深对本发明的理解，下面结合附图和实施例对本发明进一步说明，该 实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

本发明涉及一种基于胶囊网络的医院门诊人流量预测方法，其执行流程如图 1所述，包括如下步骤：

S100、从医院挂号系统和门诊系统提取历史数据，所述一条历史数据包括挂 号信息的发生时间、对应科室和科室门诊的人流量数据；

S200、数据转化；

S300、模型训练和调优；

S400、模型应用。

实施例1

步骤S200的执行流程如图2所示，包括如下子步骤：

S201、按某个时间步长汇总各科室的挂号量和人流量，其中：所述时间步长 的取值范围为1至10分钟；科室人流量变化的主要来源是新挂号和诊疗结束， 故而提取挂号量数据和实时人流量数据能保留未来人流量演变的主要动力来源；

S202、生成表示时间、科室、科室挂号量和人流量关系的二维矩阵；

S203、将二维矩阵归一化，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，其取值为归一化科室挂号量和归一化人流量，所述归一化 科室挂号量和归一化人流量的取值范围位于0到255；

S204、将一类样本矩阵分别滑动不同的时间步长并截取1个时间步长，依次 得到一系列长度为N*N的二类样本矩阵，其中：所述二类样本矩阵的维度包括时 间和科室，取值的范围位于0到255，N表示科室数量；

S205、将一系列二类样本矩阵划分为80％的训练样本集和20％的测试样本集。

步骤S300的执行流程如图3所示，包括如下子步骤：

S301、定义一个包含卷积层1、卷积层2、主胶囊层和数字胶囊层的胶囊网 络；

S302、提取80％的二类样本矩阵作为训练样本集，输入到胶囊网络的卷积层 1；

S303、在卷积层1，定义256个步长为1、各维长度为9*9*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；

S304、在卷积层2，定义256个步长为1、各维长度为3*3*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；

S305、在主胶囊层，定义8个步长为1、各维长度为9*9*256的卷积核矩阵 M3，用M3对卷积层2的输出执行ReLU激活，输出32个胶囊共6*6*8*32张量， 其中padding＝1；

S306、在数字胶囊层，定义8*N权重矩阵M4；将来自主胶囊层的所有胶囊 通过权重矩阵M4映射到N个数字胶囊，其中：N表示科室数量，每个胶囊对应 一个向量，向量模长表示对应科室人流量的预测结果；

S307、将计算的模型应用于20％测试样本集，对每一测试样本得到一组表示 各个科室预测人流量的向量，与实际人流量比对，得到平均相对误差MRE，其中 MRE的计算式为：

其中：

S308、判断MRE是否满足要求，如满足要求，则只需步骤S309，否则如不 满足要求，则执行到步骤S310；

S309、视为计算成功，训练过程结束；

S310、判断迭代次数是否超过规定次数，如超过，则执行到步骤S311，否 则执行步骤S312；

S311、视为计算失败，训练过程结束；

S312、修改卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵 M4，重复执行S303-S312；

步骤S400的执行流程如图4所示，包括如下子步骤：

S401、从医院挂号系统，提取某一时刻各科室的实时挂号量和科室人流量；

S402、应用计算好的胶囊网络模型，预测未来一段时间的各科室人流量。

其中：S303、S304和S305所述ReLU激活函数f(x)的算法为：

其中：所述卷积核矩阵M1、卷积核矩阵M2、卷积核矩阵M3以及权重矩阵M4 的初始值为全1矩阵。

实施例2

步骤S4还包括以下子步骤，如图5所示：

S403、将模型应用阶段预测的各科室人流量与后续实际的人流量做比对，当 误差MRE范围超过规定数值后，自动停止模型应用，而重复执行步骤S100至S400 模型训练、调优与应用各过程；所述误差范围区间为1％至5％。

实施例3

S402所预测的人流量数据通过4G网络发送到移动App。

本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技 术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化， 但只要不脱离本发明的精神，都在本发明的保护范围内。