【技术实现步骤摘要】
本申请涉及医疗设备调度，具体涉及一种基于动态长短时序注意的医疗设备调度预测方法。
技术介绍
1、医疗设备的调度工作面临设备利用率偏低、闲置时间过长以及调度策略欠合理等多重挑战。目前，现有的医疗设备调度预测方法主要包括基于传统统计学的方法、简单的机器学习模型等。然而，这些方式从数据采集起便更加注重使用率，而在一定程度上忽视时序信息所带来的影响，缺失对时序的关注，因此存在预测精度不足、无法有效处理时序数据动态变化、难以适应复杂多变的医疗设备使用模式等缺陷，导致调度效率低下且精确程度相对较低。关注时序信息，可以实现对医疗机构中高价值医疗设备的精确规划、高效调度与资源配置，提升设备利用率、削减运营成本、改善服务品质，并优化资源使用效率，实现更智能的调度辅助，提升运营效率；同时能为决策者提供科学、系统的未来设备调度预测依据，通过模型与算法的分析，协助决策者制定更为合理的设备调度与管理策略，以应对医疗设备管理的复杂挑战。
技术实现思路
1、本专利技术提供了一种基于动态长短时序注意的医疗设备调度预测方法，以医疗设备使用情况作为研究对象，加强对时序信息的关注度，通过动态的长短时注意技术对医疗设备调度情况进行预测，能够提供更为精确的预测结果，辅助医院进一步提升医疗设备的使用效率。
2、本专利技术采取的技术方案是：一种基于动态长短时序注意的医疗设备调度预测方法，包括如下步骤：
3、s1：抓取医疗设备调度相关历史数据，构建原始数据集；
4、s2：对原始数据集中的非数字
5、s3：采用动态时间规整对短时周期序列和长时周期序列进行处理，通过比较短时周期序列和长时周期序列之间的欧几里得距离，选取累计欧几里得距离最小的对齐方式作为最优的对齐方式，实现不同尺度之间周期序列的数据对齐；
6、s4：构建神经网络模型，将训练集中经动态时间规整后的周期序列输入所述神经网络模型进行训练，测试集中经动态时间规整后的周期序列用于测试训练后模型的准确度；训练工程中通过长短时关注学习时间序列数据中的长期依赖关系，学习并分配权重给不同时间尺度的信息，权重通过反向传播进行实时学习与更新，使动态时间规整对后的周期序列获得动态的长短时周期间注意；
7、s5：使用训练好的神经网络模型进行医疗设备调度实时预测。
8、进一步地，所述医疗设备调度相关历史数据包括设备id、设备使用日期、设备使用时间、在库数量和设备使用地点；其中，设备id和设备使用地点为非数字型数据。
9、进一步地，所述数据清洗的过程是采用均值补全周期序列中偶尔出现的缺失值，保证数据的完整性；所述归一化处理的具体过程为对周期序列中除独热编码以外的数据分别除以该周期序列中数据最大值与数据最小值的差值，将数据压缩至[0,1]区间内，以确保数据的质量和一致性。
10、进一步地，所述步骤s3的具体步骤为：
11、s301：记短时周期序列为x short，长时周期序列为x long，x short= [x1 _short，x2 _short，…，x t_short]，x long= [x1 _long，x2 _long，…，x t_long]，其中，x i_short表示短时周期序列中第 i个采集时刻采集到的数据，x i_long表示长时周期序列中第 i个采集时刻采集到的数据， t_short表示短时周期序列x short的数据分割截止时间， t_long表示长时周期序列x long的数据分割截止时间；
12、s302：计算短时周期序列x short和长时周期序列x long间的最小距离为 c( t_short, t_ long)和累计最短距离 d( t_short, t_long)，具体计算公式为：
13、 c( t_short, t_long) = min{(x t_short+x t_long)2}；
14、；
15、其中， d( t_shor-1, t_long)表示短时周期序列x short的前一时刻与长时周期序列x long的当前时刻的错峰周期最小欧几里得距离， d( t_short, t_long-1) 表示短时周期序列x short的当前时刻与长时周期序列x long的前一时刻的错峰周期最小欧几里得距离， d( t_ short-1, t_long-1)表示短时周期序列x short的前一时刻与长时周期序列x long的前一时刻的最小欧几里得距离；
16、s303：以累计最短距离 d( t_short, t_long)对应的对齐方式作为最优对齐方式，通过对短时周期序列x short和长时周期序列x long进行动态时间规整可得到合并对齐序列，具体表达式为：
17、。
18、进一步地，所述神经网络模型为长短时记忆网络，包括输入门、遗忘门和输出本文档来自技高网...
【技术保护点】
1.一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，所述医疗设备调度相关历史数据包括设备ID、设备使用日期、设备使用时间、在库数量和设备使用地点；其中，设备ID和设备使用地点为非数字型数据。
3.根据权利要求2所述的一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，所述数据清洗的过程是采用均值补全周期序列中偶尔出现的缺失值，保证数据的完整性；所述归一化处理的具体过程为对周期序列中除独热编码以外的数据分别除以该周期序列中数据最大值与数据最小值的差值，将数据压缩至[0,1]区间内，以确保数据的质量和一致性。
4.根据权利要求3所述的一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，所述步骤S3的具体步骤为：
5.根据权利要求4所述的一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，所述神经网络模型为长短时记忆网络，包括输入门、遗忘门和输出门；将合并对齐序列作为输入，当前时间步下输入门的输出It为：
...【技术特征摘要】
1.一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，所述医疗设备调度相关历史数据包括设备id、设备使用日期、设备使用时间、在库数量和设备使用地点；其中，设备id和设备使用地点为非数字型数据。
3.根据权利要求2所述的一种基于动态长短时序注意的医疗设备调度预测方法，其特征在于，所述数据清洗的过程是采用均值补全周期序列中偶尔出现的缺失值，保证数据的完整性；所述归一...
【专利技术属性】
技术研发人员：李引，王玥，马瑛，杨丰玉，
申请(专利权)人：苏州阿基米德网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。