張雅+宋耀蓮+章凡

摘要：疾病癥狀上報數(shù)量反映了當(dāng)?shù)鼐用窠】禒顩r，準(zhǔn)確預(yù)測疾病上報的總條數(shù)對于預(yù)防傳染病的發(fā)生至關(guān)重要。目前，疾病癥狀的上報、誤報、重報問題突出，為了得到準(zhǔn)確的患病人數(shù)，通過對某地區(qū)疾病癥狀上報數(shù)據(jù)的訓(xùn)練與預(yù)測，建立疾病癥狀上報總數(shù)的BP網(wǎng)絡(luò)預(yù)測模型。研究結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的疾病癥狀上報預(yù)測模型具有較高的精度和實用性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；預(yù)測模型；疾病癥狀總數(shù)

DOIDOI：10.11907/rjdk.172053

中圖分類號：TP306 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2017）012-0001-03

Abstract：Disease symptoms reported Numbers reflect the health of local residents， accurately predict the numbers is very important to prevent the happening of the infectious diseases.However，the real number of cases is not accurate for the extensive error reporting and re-reporting phenomenon.To get the exact number of cases， in this paper， the BP network prediction model of disease symptom reporting was established by the training and prediction of disease reporting data in one area. Finally，theory analyses and simulation results illustrate that the prediction model of disease symptoms based on BP neural network has higher precision and practicability.

Key Words：The BP neural network；prediction model；report symptoms of illness

0 引言

近年來，隨著全球傳染病的爆發(fā)流行，以疾病診斷為基礎(chǔ)的常規(guī)監(jiān)測已難以滿足公共衛(wèi)生監(jiān)測預(yù)警需求。為了實現(xiàn)對疾病癥狀的預(yù)警，蔣艷峰等[1]將外界天氣因子作為疾病發(fā)生的研究對象，利用回歸模型和決策樹建立預(yù)測模型。本文主要從每月上報的疾病癥狀總數(shù)出發(fā)，建立基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。唐陽山[2]，謝浩等[3]將BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型用于交通預(yù)測，得到了很好效果。熊昌獅[4]將BP神經(jīng)網(wǎng)絡(luò)用于預(yù)測尾砂充填對地下水鋅含量的影響，精度達(dá)到80%以上。張景陽[5]將多元線性回歸方法與BP神經(jīng)網(wǎng)絡(luò)比較，體現(xiàn)BP網(wǎng)絡(luò)預(yù)測的優(yōu)越性。李佟[6]將馬爾可夫鏈與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型比較，最后得出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型更好。由此表明，BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型是可行的，但將其用于疾病癥狀上報數(shù)量方面的預(yù)測并不多見。

本文創(chuàng)新點在于將BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型用于對疾病癥狀數(shù)量的預(yù)測，通過準(zhǔn)確預(yù)測疾病癥狀數(shù)量，不僅能及時反映當(dāng)?shù)鼐用竦慕】禒顩r，讓疾控中心提前做好預(yù)防預(yù)警工作。

1 數(shù)據(jù)預(yù)處理

本文研究對象是每月癥狀上報總條數(shù)預(yù)測，主要研究其它癥狀的上報數(shù)量對總數(shù)的影響。一條病人癥狀記錄一般包括幾個癥狀，比如發(fā)熱、頭痛、咳嗽等，對于總條數(shù)而言是一條記錄。本文研究的所有數(shù)據(jù)都是通過邊境癥狀監(jiān)測預(yù)警系統(tǒng)提取的，數(shù)據(jù)源真實可靠。該預(yù)警系統(tǒng)主要收集了我國某地區(qū)所有醫(yī)療機(jī)構(gòu)實時上報的癥狀數(shù)據(jù)。

由于輸入數(shù)據(jù)的單位有差異，某些范圍相當(dāng)大，致使神經(jīng)網(wǎng)絡(luò)的收斂速度慢、訓(xùn)練時間久。因此用式（1）對數(shù)據(jù)進(jìn)行歸一化處理[7]，使樣本數(shù)據(jù)落在[0，1]范圍之內(nèi)。

2 BP預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法原理

BP神經(jīng)網(wǎng)絡(luò)算法作為有監(jiān)督的學(xué)習(xí)過程，由已知的輸入、輸出樣本數(shù)據(jù)反復(fù)更換網(wǎng)絡(luò)連接的權(quán)值及閾值，從而讓網(wǎng)絡(luò)的輸出更加逼近期望輸出。就整個神經(jīng)網(wǎng)絡(luò)而言，一次學(xué)習(xí)過程由輸入數(shù)據(jù)的正向傳播和誤差的反向傳播兩個子過程完成。經(jīng)典的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 算法建立

本文利用BP網(wǎng)絡(luò)算法三層結(jié)構(gòu)構(gòu)建每個癥狀條數(shù)到總癥狀條數(shù)的非線性預(yù)測模型。模型輸入是5種癥狀月記錄條數(shù)，輸出為月總癥狀條數(shù)。中間層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，因網(wǎng)絡(luò)輸入向量取值范圍為[0，1]，因而輸出層神經(jīng)元的傳遞函數(shù)可以設(shè)定為S型對數(shù)函數(shù)。本文選用網(wǎng)絡(luò)內(nèi)置訓(xùn)練函數(shù)traingdx，其學(xué)習(xí)速率是自適應(yīng)的。

經(jīng)多次測試，當(dāng)隱層神經(jīng)元個數(shù)為10時預(yù)測精度最高。同時取2016年1～11月數(shù)據(jù)為學(xué)習(xí)訓(xùn)練樣本，2016年12月數(shù)據(jù)為預(yù)測樣本。

3 實驗結(jié)果及分析

4 結(jié)語

本文基于BP神經(jīng)網(wǎng)絡(luò)建立了一種根據(jù)每種癥狀的月上報總數(shù)預(yù)測當(dāng)月患病總?cè)藬?shù)的預(yù)警模型，并通過實驗證實了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在預(yù)測疾病癥狀月上報總數(shù)上切實可行。建立該預(yù)測模型對于我國某省邊境地區(qū)傳染病的預(yù)防具有重要意義，可為當(dāng)?shù)匕l(fā)病情況預(yù)測提供重要依據(jù)。

參考文獻(xiàn)：

[1] 蔣艷峰.上呼吸道感染的氣象誘因及預(yù)測方法研究[D].蘭州：蘭州大學(xué)，2015.

[2] 唐陽山，葛麗娜，黃子龍，等.基于BP神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測方法研究[J].遼寧工業(yè)大學(xué)學(xué)報，2016，36（1）：27-30.

[3] 謝浩.基于BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法的汽車車速預(yù)測[D].重慶：重慶大學(xué)，2014.

[4] 熊昌獅，陳云嫩，吳樂文，等.人工神經(jīng)網(wǎng)絡(luò)預(yù)測尾砂充填對地下水中鋅含量的影響[J].安徽農(nóng)業(yè)科學(xué)，2015，43（35）：115-117.

[5] 張景陽，潘光友.多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比與應(yīng)用研究[J].昆明理工大學(xué)學(xué)報，2013，38（6）：61-65.

[6] 李佟，李軍.基于BP神經(jīng)網(wǎng)絡(luò)與馬爾可夫鏈的污水處理廠脫氮效果模擬預(yù)測[J].環(huán)境科學(xué)學(xué)報，2016，36（2）：576-581.

[7] 安愛民，祁麗春，丑永新，等.基于BP神經(jīng)網(wǎng)絡(luò)的溶解氧濃度軟測量方法研究[J].計算機(jī)與應(yīng)用化學(xué)，2016，33（1）：117-121.

（責(zé)任編輯：孫 娟）