皮肤病对于公众的健康造成挑战,因为它们在疾病风险方面产生了很大的不确定性,很难做到提前预防,加上其反复发作性,日常生活中给人们带来了很大的困扰。在中国,门诊部门(OPD)是医院整体运营的重要组成部分,提前确定患者需求是缓解OPD过度拥挤和资源短缺的前提。随着互联网、物联网、人工智能和大数据技术的快速发展,越来越多的医院将这些新兴技术应用到医院管理之中。如何优化医生的排班,药物的采购,医疗器械的分配等问题能够影响医院的运行功能和医疗效果。每天到达医院就诊的患者人数是医院决策者进行决策的重要指标,提出一种合理的皮肤病患者预测方法对皮肤病专科医院节约医疗资源,患者得到良好的就诊体验有着重要意义。在以往的门诊患者人数预测研究中,大部分研究者都是模拟出历史门诊患者人数,建立时间序列模型,没有考虑气候等外部因素对皮肤性疾病的影响。本文所研究的是在气候环境等多因素的影响下,各类皮肤病患者到达医院就诊人数的规律。很少有研究在训练预测模型之前进行特征选择,在数据挖掘领域,这是一种重要的预处理操作。本文提出了一种新颖的混合方法,通过结合改进的特征选择方法和深度学习方法,预测不同皮肤病患者人数。本文研究内容如下:本文的主要工作如下:(1)首先观察各类皮肤病门诊历史人数变化趋势,在不考虑气候因素等特征的情况下,只根据皮肤病门诊历史数据,经过对数据差分、定阶和模型评价等操作后,建立了单变量差分整合移动平均自回归(ARIMA)时间序列模型,观察该模型对患者人数预测的能力。(2)然后对气候数据,空气质量数据,日期数据和自己构造的特征进行数据预处理,并整合成新的特征集。在加入外部因素后,针对小样本高维度的数据集,为了防止循环神经网络模型在训练样本时造成过拟合的情况,本文提出了改进的二进制遗传算法(MBGA)进行特征降维并嵌入到LSTM循环神经网络模型中预测,观察其预测精度是否提升以及哪些因素对于皮肤病患病人数是有影响。引入LSTM循环神经网络模型,能够考虑多个并行的时间序列变量对于输出的影响,从而提高预测准确性。MBGA结合了过滤式和包裹式两种特征选择方法,在更好地提高准确率的前提下加快了迭代速度。在适应度的设计中,实现了多目标优化,即最小化平均绝对百分比误差(MAPE)和最小化被选择的特征数量。在种群适应度函数经过MBGA迭代达到平稳时,为提高最优特征子集的鲁棒性,引入染色体集成策略。经过MBGA-LSTM模型训练后,实现了利用较少的特征子集也能够保证皮肤病患者人数预测的精度。(3)为了评估MBGA-LSTM模型的性能,需要从两个方面进行,首先是对各类特征选择方法进行比较,将MBGA-LSTM与GA-LSTM,PCA-LSTM以及不进行特征处理的预测模型进行对比,发现MBGA在保证精确度的前提下,提高了迭代速度。然后将MBGA与各类预测模型组合进行比较,为了证明LSTM网络与MBGA结合的优越性,将 MBGA-LSTM 与 MBGA-MLP,MBGA-SVR 和 MBGA-LR 进行比较,发现MBGA-LSTM在所有涉及到的组合中预测能力是最稳定的,综合性能最强。