买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请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，属于医疗设备调度技术领域，具体包括如下步骤：构建原始数据集并进行独热编码、数据清洗和归一化处理，将原始数据集中的特征按照每小时与24小时的间隔分离整合出短时周期序列和长时周期序列，并划分训练集和测试集；采用动态时间规整对短时周期序列和长时周期序列进行数据对齐；构建神经网络模型并对模型进行训练，使用训练好的神经网络模型进行医疗设备调度实时预测。本发明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。

主权项：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：S1：抓取医疗设备调度相关历史数据，构建原始数据集；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；S2：对原始数据集中的非数字型数据进行独热编码，并对原始数据集中的所有数据进行数据清洗和归一化处理，将原始数据集中的特征按照每小时与24小时的间隔分离整合出短时周期序列和长时周期序列，并将短时周期序列和长时周期序列共同划分为训练集和测试集；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，具体步骤为：S301：记短时周期序列为Xshort，长时周期序列为Xlong，Xshort=[x1_short，x2_short，…，xt_short]，Xlong=[x1_long，x2_long，…，xt_long]，其中，xi_short表示短时周期序列中第i个采集时刻采集到的数据，xi_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Xshort的数据分割截止时间，t_long表示长时周期序列Xlong的数据分割截止时间；S302：计算短时周期序列Xshort和长时周期序列Xlong间的最小距离为ct_short,t_long和累计最短距离Dt_short,t_long，具体计算公式为： ct_short,t_long=min{xt_short+xt_long2}； ；其中，dt_shor-1,t_long表示短时周期序列Xshort的前一时刻与长时周期序列Xlong的当前时刻的错峰周期最小欧几里得距离，dt_short,t_long-1表示短时周期序列Xshort的当前时刻与长时周期序列Xlong的前一时刻的错峰周期最小欧几里得距离，dt_short-1,t_long-1表示短时周期序列Xshort的前一时刻与长时周期序列Xlong的前一时刻的最小欧几里得距离；S303：以累计最短距离Dt_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Xshort和长时周期序列Xlong进行动态时间规整可得到合并对齐序列，具体表达式为： ；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，使动态时间规整后的周期序列获得动态的长短时周期间注意；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： ；其中，表示sigmoid激活函数，Wi表示输入门的权重矩阵，bf表示输入门的偏置项，时间t表示短时周期序列Xshort和长时周期序列Xlong经过动态时间规整后的当前时刻，t-1为前一时刻；ht-1表示来自上一时间步的隐藏状态输出，所述隐藏状态输出的初始状态为0；当前时间步下遗忘门的输出gt为： ；其中，Wg表示遗忘门的权重矩阵，bg表示遗忘门的偏置项；当前时间步下输出门的输出ot为： ；其中，Wo表示输出门的权重矩阵，bo表示输出门的偏置项；以输出门的输出ot作为所述神经网络模型的输出结果；在输出门的参与下，当前时间步的隐藏状态输出ht为： ； ； ；其中，tanh激活函数为双曲正切函数，Ct表示当前时间步的单元状态，ct表示当前时间步的候选单元状态，bc表示偏置项；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。

全文数据：

权利要求：

百度查询： 苏州阿基米德网络科技有限公司 基于动态长短时序注意的医疗设备调度预测方法