吴磊，徐凯

(1.重庆医科大学附属第一医院 信息中心，重庆 400016；2.重庆交通大学 信息科学与工程学院，重庆 400074)

0 引言

随着信息科技的快速发展，医院诊疗工作趋向于智能化、精细化和高效化，人们在享受医疗服务的同时，对就医体验要求更高。准确有效地预测医院门诊量可以为医疗资源配置等活动提供科学依据和决策支持，因此，门诊量的精准预测为开展医疗工作和提高服务质量有重要作用。

合理的预测方法和预测模型是提高门诊量预测准确度的关键因素。在早期的研究中，ARIMA模型[1]、移动平均季节指数模型[2]、灰色GM(1,1)模型[3]和模糊时间序列模型[4]等方法在门诊量预测领域得到广泛应用。这些模型及方法相对简单，都是通过对历史门诊量数据进行取样拟合实现预测功能，在时间序列预测领域效果较好，然而在处理非线性数据时不能较好地模拟和获取数据的非线性特征，导致预测结果稳定性较差。

门诊量预测不是一个简单的时间序列问题，而是包含空气质量、天气和时间等各种非线性因素[5]。为了更好地获取门诊量数据非线性特征和提高预测精度，神经网络和组合预测方法[6-7]在门诊量预测方面具有强大的优势。

本研究提出一种深度神经网络(Deep Neural Net-work，DNN)预测模型，由RBM层和预测层组成，采用无监督学习方法预训练网络模型初始参数和提取数据特征，预测层引入残差结构使信息跨层传输，防止梯度消失，最后使用梯度下降法对整个网络模型的参数进行微调。……