医疗检查设备使用量预测方法、系统、装置及存储介质

本发明涉及人工智能，尤其涉及一种医疗检查设备使用量预测方法、系统、装置及存储介质。

背景技术：

1、医院在进行医疗检查设备的规划配置时，通常需要基于医疗检查设备的历史使用情况来预测未来的检测需求量或者使用量，基于未来使用量形成合理的配置规划。示例性地，单台ct的理论扫描量阈值的90%，为144例/天，在当年ct日均扫描量超过144例/d时，则意味着下一年的ct量应当对应增长，即下一年增长后的理论ct台数应当使ct的日均扫描量保持为144例/d以下。医疗检查设备配置规划的合理性取决于是否能够准确预测未来检测需求量，相关技术中，在建筑等其他领域的设备使用量由于其使用数量较为稳定，为减少运算量，通常使用线性分析模型来预测未来使用量，但是在医疗检查设备领域，其使用量容易受流感季节、节假日看病人数影响而出现波动，单采用线性分析模型不能准确预测医疗检查设备使用量。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种医疗检查设备使用量预测方法、系统、装置及存储介质，能够提高医疗检查设备使用量的准确性。

2、一方面，本发明实施例提供了一种医疗检查设备使用量预测方法，包括以下步骤：

3、获取待预测时间；

4、将所述待预测时间输入使用量预测模型，得到医疗检查设备的使用量预测结果；

5、其中，所述使用量预测模型包括依次连接的特征提取网络、差分整合移动平均自回归网络和时间循环神经网络，所述使用量预测模型通过以下步骤获得：

6、获取历史使用量数据样本；

7、将所述历史使用量数据样本输入特征提取网络得到使用量特征数据；

8、将所述使用量特征数据输入差分整合移动平均自回归网络得到第一预测结果；

9、根据所述第一预测结果与真实使用量得到误差信号；

10、将所述误差信号输入时间循环神经网络得到误差预测结果；

11、利用bp神经网络融合所述误差预测结果和所述第一预测结果得到第二预测结果；

12、根据所述第二预测结果反向更新所述使用量预测模型。

13、根据本发明一些实施例，所述将所述历史使用量数据样本输入特征提取网络得到使用量特征数据包括以下步骤：

14、提取所述历史使用量数据样本中影响设备使用的多个特征指标；

15、基于随机森林算法分别对多个所述特征指标进行权重分配，得到使用量特征数据。

16、根据本发明一些实施例，多个特征指标包括单位时间下的门诊量、急诊量、出院量和手术次数。

17、根据本发明一些实施例，所述将所述使用量特征数据输入差分整合移动平均自回归网络得到第一预测结果包括以下步骤：

18、基于自回归算法，对时间相关的使用量特征数据进行回归分析，得到关于t时刻的前期值；

19、基于移动平均算法，对使用量特征数据中的时间关系进行分析，得到关于t时刻的白噪声序列；

20、根据t时刻的前期值和t时刻的白噪声序列，得到t时刻的第一预测结果。

21、根据本发明一些实施例，所述将所述误差信号输入时间循环神经网络得到误差预测结果包括以下步骤：

22、分别将所述误差信号输入遗忘门和输入门，得到状态更新值，其中，所述遗忘门用于保留上一时刻的状态值，所述输入门用于根据所述误差信号和上一时刻的状态值进行状态更新得到状态更新值；

23、将所述状态更新值输入输出门进行输出控制，得到误差预测结果。

24、根据本发明一些实施例，所述根据所述第二预测结果反向更新所述使用量预测模型包括以下步骤：

25、根据所述第二预测结果和真实使用量确定使用量预测模型的损失值；

26、基于萤火虫算法和粒子群算法的混合优化算法，根据所述损失值确定所述使用量预测模型的参数和学习率，并根据所述参数和学习率更新所述使用量预测模型。

27、根据本发明一些实施例，所述基于萤火虫算法和粒子群算法的混合优化算法，根据所述损失值确定所述使用量预测模型的参数和学习率，并根据所述参数和学习率更新所述使用量预测模型包括以下步骤：

28、基于萤火虫算法，根据特征提取网络的损失值确定所述特征提取网络的参数和学习率，并根据所述参数和学习率更新所述特征提取网络；

29、基于萤火虫算法和粒子群算法的混合优化算法，根据时间循环神经网络的损失值确定所述时间循环神经网络的参数和学习率，并根据所述参数和学习率更新所述时间循环神经网络。

30、另一方面，本发明实施例还提供一种医疗检查设备使用量预测系统，包括：

31、第一模块，用于获取待预测时间；

32、第二模块，用于将所述待预测时间输入使用量预测模型，得到医疗检查设备的使用量预测结果；

33、其中，所述使用量预测模型包括依次连接的特征提取网络、差分整合移动平均自回归网络和时间循环神经网络，所述使用量预测模型通过以下步骤获得：

34、获取历史使用量数据样本；

35、将所述历史使用量数据样本输入特征提取网络得到使用量特征数据；

36、将所述使用量特征数据输入差分整合移动平均自回归网络得到第一预测结果；

37、根据所述第一预测结果与真实使用量得到误差信号；

38、将所述误差信号输入时间循环神经网络得到误差预测结果；

39、利用bp神经网络融合所述误差预测结果和所述第一预测结果得到第二预测结果；

40、根据所述第二预测结果反向更新所述使用量预测模型。

41、另一方面，本发明实施例还提供一种医疗检查设备使用量预测装置，包括：

42、至少一个处理器；

43、至少一个存储器，用于存储至少一个程序；

44、当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如前面所述的医疗检查设备使用量预测方法。

45、另一方面，本发明实施例还提供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可执行指令，所述计算机可执行指令用于使计算机执行如前面所述的医疗检查设备使用量预测方法。

46、本发明上述的技术方案至少具有如下优点或有益效果之一：在使用量预测模型训练和预测过程中，首先将历史使用量数据样本输入特征提取网络进行相关特征筛选得到使用量特征数据，将使用量特征数据输入差分整合移动平均自回归网络以分析输入数据中的线性关系得到第一预测结果，然后根据第一预测结果与真实使用量得到误差信号，将误差信号输入时间循环神经网络以分析输入数据中的非线性关系得到误差预测结果，利用bp神经网络融合误差预测结果和第一预测结果得到第二预测结果，以对误差预测结果和第一预测结果进行权重分配提高第二预测结果准确性，再根据第二预测结果反向更新使用量预测模型以获取模型的最优参数，将参数最优的使用量预测模型用于未来某一个时间的医疗设备使用量预测，得到的使用量预测结果准确性高。