[发明专利]基于多源城市大数据的医院急诊需求和拥挤度估计方法和系统

权利要求书

1.基于多源城市大数据的医院急诊需求和拥挤度估计方法，其特征在于，包括如下步骤：

获取出租车下客数据集，采用自组织映射网络进行下客点聚类；

根据聚类得到的每个类簇，提取下客时间序列特征、第一类空间特征和第二类空间特征，其中，第一类空间特征为空间距离特征，第二类空间特征为周边POI特征；

利用得到的下客时间序列特征、第一类空间特征和第二类空间特征，采用协同训练和主动学习策略得到急诊需求的时间序列；

建立分段平稳的排队模型，并急诊科室分为全科门诊类型、内科门诊类型和外科门诊类型；

利用排队模型计算全科门诊类型下的平均排队人数Q₁和平均等待时间W₁；利用排队模型计算内科门诊类型下的平均排队人数Q₂和平均等待时间W₂，并记录第三个指标：输液室的占用率，即输液床位的使用率ρ^infusion，利用排队模型计算外科门诊类型下的平均排队人数Q₃和平均等待时间W₃；

对三种类型的指标进行整合得到整个急诊科的拥挤度估计。

2.根据权利要求1所述的基于多源城市大数据的医院急诊需求和拥挤度估计方法，其特征在于，获取出租车下客数据集，采用自组织映射网络进行下客点聚类，具体包括：

利用python的pandas包将出租车下客数据集进行聚合；

调用minisom包提供的自组织映射网络，利用出租车数据集进行训练直至达到设定的最大迭代次数；

训练完成后得到多个聚类中心坐标；

确定每一下客记录点所属的聚类中心，遍历后得到每一条记录所属的类簇，以此完成整个下客数据集的聚类。

3.根据权利要求1所述的基于多源城市大数据的医院急诊需求和拥挤度估计方法，其特征在于，利用得到的下客时间序列特征、第一类空间特征和第二类空间特征，采用协同训练和主动学习策略得到急诊需求的时间序列，具体包括：

首先确定一个带标签数据集G₁，并将未标记数据集记作G₂；

利用带标签数据集G₁和下客时间序列特征F_t训练时间分类器L_t，利用带标签数据集G₁和空间特征F_s训练空间分类器L_s；所述空间特征包括第一类空间特征和第二类空间特征；

利用时间分类器L_t和空间分类器L_s对未标记数据集G₂中的样本进行分类，分类结果一致的样本加入第一集合C₁，不一致的加入第二集合C₂；

从第一集合C₁中选取设定排名的高置信度样本，加入带标签数据集G₁；

从第二集合C₂中选取设定排名低置信度样本，由专家进行判别，打上标签后加入带标签数据集G₁；

重复迭代训练过程直到未标记数据集G₂为空，得到与急诊相关的类簇；

提取每一个急诊相关类簇的下客时间序列；

将医院周边设定范围内的急诊相关类簇的下客时间序列进行聚合，以此得到医院的急诊访问需求的时间序列。

4.根据权利要求1所述的基于多源城市大数据的医院急诊需求和拥挤度估计方法，其特征在于，对三种类型的指标进行整合得到整个急诊科的拥挤度估计，具体为：

ρ＝ρ^infusion

其中，Q为急诊排队人数，W为急诊等待时间，ρ急诊输液床位的使用率。