[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

说明书

本发明提供基于多源城市大数据的医院急诊需求和拥挤度估计方法，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，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；利用排队模型计算各门诊类型下的平均排队人数和平均等待时间以及输液室的占用率，即输液床位的使用率ρ^infusion；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；本发明提供的方法，具有高效、低耗的优点，同时也达到了较高的准确率。

技术领域

本发明涉及数据挖掘、大数据、城市计算领域，特别是指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。

背景技术

医院的急诊科是为病人提供应急医疗服务的重要机构，然而在现实生活中，由于不需事先预约，患者经常要排长队等待，就诊体验较差，尤其是突发公共卫生事件时，这种状况也增加了聚集性感染风险。因此，准确建模急诊的医疗需求，对拥挤程度进行合理的估计，不仅能够提升患者的就诊体验，还对医疗资源合理化配置有着及其重要的意义。

传统的医疗需求监测方法大多分为几类，依靠医务工作人员的实地观测和报告，这增加了时间和人力成本；依靠监控摄像头进行视频分析，这虽然节省了人力但是容易侵犯患者隐私；依靠医院信息系统的注册信息，这较为准确但涉及隐私，无法公开。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出基于多源城市大数据的医院急诊需求和拥挤度估计方法，本发明方法基于自组织映射、协同训练和主动学习策略的进行医疗急诊需求提取，以及基于排队论模型进行拥挤度估计，具有高效、低耗的优点，同时也达到了较高的提取和估计准确率。

本发明采用如下技术方案：

基于多源城市大数据的医院急诊需求和拥挤度估计方法，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。

具体地，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。