基于需求预测的停放桩可用转运床调整方法及系统与流程

摘要: 本技术属于调整领域,尤其涉及一种基于需求预测的停放桩可用转运床调整方法及系统。背景技术:1、随着医疗机构规模扩大及院内运行流程日益复杂,转运床作为患者转运和物资...
基于需求预测的停放桩可用转运床调整方法及系统与流程

本技术属于调整领域,尤其涉及一种基于需求预测的停放桩可用转运床调整方法及系统。

背景技术:

1、随着医疗机构规模扩大及院内运行流程日益复杂,转运床作为患者转运和物资运送的重要设备,通常集中停放于各特定停放桩处以便随时调用。为保证不同区域能够及时获得转运床支持,管理系统通常采集各停放桩的历史使用数据、实时需求数据及空间位置信息,对未来使用需求进行预测,并据此对各停放桩的转运床数量进行调度和增减调整。在需求预测环节中,深度学习技术因具备处理多维复杂数据的能力而得到应用,例如利用密集网络等模型对包含时序信息和空间信息的特征向量进行前向传播分析,以获得各停放桩在未来一段时间内的转运床需求量,进而辅助生成调度调整指令。

2、然而,密集网络在特征前向传播过程中通常采用固定连接模式,即当前层接收各前序层的输出特征。在处理院内转运床时空运行数据时,该固定层级连接方式容易引入冗余信息,难以根据当前网络层的学习状态动态筛选更相关的前序层特征作为输入源,从而限制特征变换与融合效率,影响转运床需求预测结果的准确性。预测结果偏差进一步会导致基于预测值和当前保有量生成的转运床增减调整指令与实际调度需求不完全匹配。因此,需要提供一种新的数据处理方式,以更合理地评估多源输入特征影响,并优化密集网络内部层级信息传递和特征融合机制,提高转运床需求预测及调度调整的可靠性。

技术实现思路

1、为了提升院内转运床停放桩的未来需求量预测精度,本发明提供一种基于需求预测的停放桩可用转运床调整方法及系统。

2、本发明第一方面提供了一种基于需求预测的停放桩可用转运床调整方法,包括以下步骤:

3、获取各停放桩的历史转运床使用数据、实时需求数据以及空间位置信息;基于所述历史转运床使用数据提取时序特征集合;将所述时序特征集合、所述实时需求数据以及所述空间位置信息拼接得到初始特征向量;将所述初始特征向量输入至贡献度预测模块计算预期影响权重得到特征贡献度矩阵;将所述初始特征向量与所述特征贡献度矩阵相乘获得加权输入特征向量;

4、将所述加权输入特征向量输入至密集网络进行前向传播,自密集网络的第二网络层起,根据前一网络层输出特征的学习状态生成前序层引用配置;根据所述前序层引用配置选定前序层作为输入源,将所选定的前序层输出特征进行特征变换与结构化融合生成当前层的输入特征,处理得到当前层输出特征并依次传播至网络末端得到网络输出结果;

5、基于所述网络输出结果得到各停放桩的非负整数型转运床需求预测值;根据所述转运床需求预测值和各停放桩的当前转运床保有量计算差值生成转运床增减调整指令。

6、进一步地,所述基于所述历史转运床使用数据提取时序特征集合,包括:

7、将各停放桩的历史转运床使用数据按时间戳升序排列为时间序列集合;

8、建立设定时间长度为15分钟的短周期时间窗口、设定时间长度为1小时的中周期时间窗口,以及设定时间长度为24小时的长周期时间窗口;

9、以当前时刻为截止端点,在时间序列集合上沿时间轴分别反向滑动所述短周期时间窗口、所述中周期时间窗口以及所述长周期时间窗口,分别截取三个窗口期内的所有历史事件记录;

10、统计各窗口截取记录内产生的借出转运床数量与归还转运床数量,拼接组成独立的数据阵列;

11、将短周期、中周期、长周期三个时间窗口对应产生的数据阵列按照维度顺序拼接为一个整体向量,以所述整体向量作为所述时序特征集合。

12、进一步地,所述将所述初始特征向量输入至贡献度预测模块计算预期影响权重得到特征贡献度矩阵,包括:

13、设定贡献度预测模块的内部网络节点参数矩阵;

14、将所述初始特征向量与所述网络节点参数矩阵进行矩阵乘法运算,得到中间隐层特征向量;

15、通过全连接映射将所述中间隐层特征向量的维度恢复至与所述初始特征向量相同数据长度,得到映射特征向量;

16、使用非线性激活函数对所述映射特征向量执行数值映射计算,将各项结果值转换为0至1之间的小数值,代表每个输入特征的影响力权重数值;

17、将所有影响力权重数值依照原初始特征向量的数据排列顺序组装成具有相同数据长度的一维权重阵列,并根据所述一维权重阵列构建以各权重数值为对角元素的对角矩阵,所述对角矩阵即为所述特征贡献度矩阵。

18、进一步地,所述将所述初始特征向量与所述特征贡献度矩阵相乘获得加权输入特征向量,包括:

19、构建一个初始化值全为零且尺寸与所述初始特征向量维度大小一致的输出存储向量;

20、在遍历运算步骤中,依次提取所述初始特征向量当前排位的特定单一数值特征,并同步提取所述特征贡献度矩阵中对应对角位置的第一数值权重;

21、对当前提取出的特定单一数值特征与该特征对应排位的第一数值权重执行算术乘法运算,求出乘积数值;

22、将所得所述乘积数值原位填入至所述输出存储向量对应的排位位置;

23、循环执行提取与乘法运算步骤直至所有数值处理完毕,以此完整填充的输出存储向量作为所述加权输入特征向量。

24、进一步地,所述根据前一网络层输出特征的学习状态生成前序层引用配置,包括:

25、根据前一网络层输出特征数据计算激活值方差和特征信息熵,得到统计摘要,并将所述统计摘要与当前处理节点的层级序号标记数字拼接作为当前网络层的学习状态指标向量;

26、设置一个具有多个输出分支的控制器,其中每一个分支对应所有前序层中的某特定单层;

27、将所述学习状态指标向量输入所述控制器的分类函数中,映射求出指向各特定单层的引用连接概率分数值;

28、把所有分支输出的引用连接概率分数值分别与预设参考阈值进行数值大小比对运算;

29、保留所有概率分数值大于所述预设参考阈值所对应前序层的序号编码,若所有概率分数值均不大于所述预设参考阈值,则保留概率分数值最大所对应前序层的序号编码,将所述序号编码组合形成所述前序层引用配置。

30、进一步地,所述将所选定的前序层输出特征进行特征变换与结构化融合生成当前层的输入特征,包括:

31、根据所述前序层引用配置中的可用连接目标序号,调取指定前序网络层节点输出的第一原始多维张量集合;

32、对所述第一原始多维张量集合中的各张量应用线性转换算法进行计算,以减少尺度差异,并通过插值重采样对齐各张量的数据长度,得到标准化张量组;

33、将所述标准化张量组内的各张量沿通道维度拼接为一个多通道融合张量;

34、将所述多通道融合张量按照通道维度和长度维度进行有序重排,组成保留通道维度和长度位置关系的一维卷积输入张量。

35、进一步地,所述根据所述转运床需求预测值和各停放桩的当前转运床保有量计算差值生成转运床增减调整指令,包括:

36、读取各停放桩在未来调度周期内的经非负整数化处理后的转运床需求预测值;

37、获取各个对应物理站点中传感器扫描返回的当前转运床保有量;

38、以所述转运床需求预测值减去所述当前转运床保有量,得出转运床数量的差额数值;

39、若判断得出所述数量差额结果值为正数,则生成由中心仓库或可用转运床富余停放桩向对应停放桩位置调入与所述差额数值相同数量的转运床的动作指令信息;

40、若判断得出所述差额数值为负数,则生成将与所述差额数值绝对值相同数量的转运床从对应停放桩回收运出至中心仓库的动作指令信息;

41、将所述动作指令信息与对应的停放桩标识号进行组合封装,生成完整的转运床增减调整指令结果集,下发至调度系统派发使用。

42、本发明第二方面提供了一种基于需求预测的停放桩可用转运床调整系统,包括以下模块:

43、计算模块,用于获取各停放桩的历史转运床使用数据、实时需求数据以及空间位置信息;基于所述历史转运床使用数据提取时序特征集合;将所述时序特征集合、所述实时需求数据以及所述空间位置信息拼接得到初始特征向量;将所述初始特征向量输入至贡献度预测模块计算预期影响权重得到特征贡献度矩阵;将所述初始特征向量与所述特征贡献度矩阵相乘获得加权输入特征向量;

44、生成模块,用于将所述加权输入特征向量输入至密集网络进行前向传播,自密集网络的第二网络层起,根据前一网络层输出特征的学习状态生成前序层引用配置;根据所述前序层引用配置选定前序层作为输入源,将所选定的前序层输出特征进行特征变换与结构化融合生成当前层的输入特征,处理得到当前层输出特征并依次传播至网络末端得到网络输出结果;

45、调整模块,用于基于所述网络输出结果得到各停放桩的非负整数型转运床需求预测值;根据所述转运床需求预测值和各停放桩的当前转运床保有量计算差值生成转运床增减调整指令。

46、优选地,所述基于所述历史转运床使用数据提取时序特征集合,包括:

47、将各停放桩的历史转运床使用数据按时间戳升序排列为时间序列集合;

48、建立设定时间长度为15分钟的短周期时间窗口、设定时间长度为1小时的中周期时间窗口,以及设定时间长度为24小时的长周期时间窗口;

49、以当前时刻为截止端点,在时间序列集合上沿时间轴分别反向滑动所述短周期时间窗口、所述中周期时间窗口以及所述长周期时间窗口,分别截取三个窗口期内的所有历史事件记录;

50、统计各窗口截取记录内产生的借出转运床数量与归还转运床数量,拼接组成独立的数据阵列;

51、将短周期、中周期、长周期三个时间窗口对应产生的数据阵列按照维度顺序拼接为一个整体向量,以所述整体向量作为所述时序特征集合。

52、优选地,所述将所述初始特征向量输入至贡献度预测模块计算预期影响权重得到特征贡献度矩阵,包括:

53、设定贡献度预测模块的内部网络节点参数矩阵;

54、将所述初始特征向量与所述网络节点参数矩阵进行矩阵乘法运算,得到中间隐层特征向量;

55、通过全连接映射将所述中间隐层特征向量的维度恢复至与所述初始特征向量相同数据长度,得到映射特征向量;

56、使用非线性激活函数对所述映射特征向量执行数值映射计算,将各项结果值转换为0至1之间的小数值,代表每个输入特征的影响力权重数值;

57、将所有影响力权重数值依照原初始特征向量的数据排列顺序组装成具有相同数据长度的一维权重阵列,并根据所述一维权重阵列构建以各权重数值为对角元素的对角矩阵,所述对角矩阵即为所述特征贡献度矩阵。

58、优选地,所述将所述初始特征向量与所述特征贡献度矩阵相乘获得加权输入特征向量,包括:

59、构建一个初始化值全为零且尺寸与所述初始特征向量维度大小一致的输出存储向量;

60、在遍历运算步骤中,依次提取所述初始特征向量当前排位的特定单一数值特征,并同步提取所述特征贡献度矩阵中对应对角位置的第一数值权重;

61、对当前提取出的特定单一数值特征与该特征对应排位的第一数值权重执行算术乘法运算,求出乘积数值;

62、将所得所述乘积数值原位填入至所述输出存储向量对应的排位位置;

63、循环执行提取与乘法运算步骤直至所有数值处理完毕,以此完整填充的输出存储向量作为所述加权输入特征向量。

64、优选地,所述根据前一网络层输出特征的学习状态生成前序层引用配置,包括:

65、根据前一网络层输出特征数据计算激活值方差和特征信息熵,得到统计摘要,并将所述统计摘要与当前处理节点的层级序号标记数字拼接作为当前网络层的学习状态指标向量;

66、设置一个具有多个输出分支的控制器,其中每一个分支对应所有前序层中的某特定单层;

67、将所述学习状态指标向量输入所述控制器的分类函数中,映射求出指向各特定单层的引用连接概率分数值;

68、把所有分支输出的引用连接概率分数值分别与预设参考阈值进行数值大小比对运算;

69、保留所有概率分数值大于所述预设参考阈值所对应前序层的序号编码,若所有概率分数值均不大于所述预设参考阈值,则保留概率分数值最大所对应前序层的序号编码,将所述序号编码组合形成所述前序层引用配置。

70、优选地,所述将所选定的前序层输出特征进行特征变换与结构化融合生成当前层的输入特征,包括:

71、根据所述前序层引用配置中的可用连接目标序号,调取指定前序网络层节点输出的第一原始多维张量集合;

72、对所述第一原始多维张量集合中的各张量应用线性转换算法进行计算,以减少尺度差异,并通过插值重采样对齐各张量的数据长度,得到标准化张量组;

73、将所述标准化张量组内的各张量沿通道维度拼接为一个多通道融合张量;

74、将所述多通道融合张量按照通道维度和长度维度进行有序重排,组成保留通道维度和长度位置关系的一维卷积输入张量。

75、优选地,所述根据所述转运床需求预测值和各停放桩的当前转运床保有量计算差值生成转运床增减调整指令,包括:

76、读取各停放桩在未来调度周期内的经非负整数化处理后的转运床需求预测值;

77、获取各个对应物理站点中传感器扫描返回的当前转运床保有量;

78、以所述转运床需求预测值减去所述当前转运床保有量,得出转运床数量的差额数值;

79、若判断得出所述数量差额结果值为正数,则生成由中心仓库或可用转运床富余停放桩向对应停放桩位置调入与所述差额数值相同数量的转运床的动作指令信息;

80、若判断得出所述差额数值为负数,则生成将与所述差额数值绝对值相同数量的转运床从对应停放桩回收运出至中心仓库的动作指令信息;

81、将所述动作指令信息与对应的停放桩标识号进行组合封装,生成完整的转运床增减调整指令结果集,下发至调度系统派发使用。

82、本发明通过融合历史使用数据、实时需求数据及空间位置信息,并利用贡献度预测模块计算特征权重矩阵,对初始特征进行加权处理,能够相对突出关键影响因素,降低冗余信息对预测过程的干扰,提高输入特征的表达质量。在网络处理阶段,根据前一网络层输出特征的学习状态生成前序层引用配置,有选择性地确定当前层的输入源,并对所选前序层输出特征进行变换与融合,从而优化网络层间连接方式,减少无效特征传输和计算开销,提升模型的特征提取灵活性及学习效率。基于上述处理结果,能够更可靠地预测各停放桩的转运床需求,并结合当前保有量生成相应的增减调整指令,实现转运床的合理分配和调度管理,提高整体资源利用率。