CN107818827B - 医疗废物数据分析方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种医疗废物数据分析方法、装置及电子设备，涉及医疗废物处理技术领域，其中该方法包括首先获取医疗废物数据中的地域坐标信息，根据该地域坐标信息进行区域划分，获得多个医疗废物区域；然后获取各个医疗废物区域在相同预设时间内回收的医疗废物总量，根据该医疗废物总量，生成每个医疗废物区域对应的数据相关度序列；最后将每个数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个输入特征进行数据异常分析，获得每个医疗废物区域对应的分析结果。这样可以实现对医疗废物数据的自动分析、判断医疗废物数据是否存在异常，在提高判断的准确度的同时节省人力物力。

Description

医疗废物数据分析方法、装置及电子设备

技术领域

本发明涉及医疗废物处理技术领域，尤其是涉及一种医疗废物数据分析方法、装置及电子设备。

背景技术

医疗垃圾是指医疗机构在医疗、预防、保健以及其他相关活动中产生的具有直接或间接感染性、毒性以及其他危害性的废物，具体包括感染性、病理性、损伤性、药物性、化学性废物。这些废物含有大量的细菌性病毒，而且有一定的空间污染、急性病毒传染和潜伏性传染的特征，如不加强管理、随意丢弃，任其混入生活垃圾、流散到人们生活环境中，就会污染大气、水源、土地以及动植物，造成疾病传播，严重危害人的身心健康。在环境保护意识逐渐增强的今天，保护环境是我们每个公民的责任和义务。

然而，由于人们对医疗废物随意排放或者处理的危害不慎了解，在医疗废物处理过程中，忽略了对医疗废物回收的严格管理。目前一般情况下，在医院医疗废物的回收管理工作中，虽然有了电子交接，但是仍存在数据丢失、数据漏传或者数据造假的现象。而针对上述情况，在判断医疗废物数据是否存在异常时，目前卫生监管部门都是通过人工调取数据进行对比分析而进行判断，耗费人力物力；而且由于人工主观因素的影响较大，很容易出现误判的现象。

发明内容

有鉴于此，本发明的目的在于提供一种医疗废物数据分析方法、装置及电子设备，以利用区域化分割对比方法，实现对医疗废物数据的自动分析、判断医疗废物数据是否存在异常，在提高判断的准确度的同时节省人力物力。

第一方面，本发明实施例提供了一种医疗废物数据分析方法，包括：

获取医疗废物数据中的地域坐标信息，根据所述地域坐标信息进行区域划分，获得多个医疗废物区域；

获取各个所述医疗废物区域在相同预设时间内回收的医疗废物总量，根据所述医疗废物总量，生成每个所述医疗废物区域对应的数据相关度序列；

将每个所述数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个所述输入特征进行数据异常分析，获得每个所述医疗废物区域对应的分析结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述根据所述地域坐标信息进行区域划分，获得多个医疗废物区域包括：

根据所述地域坐标信息，判断所述医疗废物数据所属的县市；

根据所述所属的县市，对所有所述地域坐标信息覆盖的范围进行划分。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述医疗废物总量，生成每个所述医疗废物区域对应的数据相关度序列包括：

对于每个所述医疗废物区域，将所述医疗废物区域的医疗废物总量与其他每个医疗废物区域内的医疗废物总量分别对比计算得出相应的数据相关度；

根据各个所述数据相关度，获得每个所述医疗废物区域对应的数据相关度序列。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述区域化分析模型的建立过程包括：

确定所述区域化分析模型的模型参数的初始值；

根据所述初始值、所述数据相关度序列和预设的分析结果，采用深度学习模型训练所述区域化分析模型的模型参数；

根据训练得到的模型参数，建立所述区域化分析模型。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述建立所述区域化分析模型之后，还包括：

获取所述数据相关度序列及对应的已知分析结果；

将所述数据相关度序列作为输入特征输入至所述区域化分析模型进行测试，获得测试结果；

根据所述已知分析结果与所述测试结果，调节所述区域化分析模型的模型参数。

第二方面，本发明实施例还提供一种医疗废物数据分析装置，包括：

区域划分模块，用于获取医疗废物数据中的地域坐标信息，根据所述地域坐标信息进行区域划分，获得多个医疗废物区域；

序列生成模块，用于获取各个所述医疗废物区域在相同预设时间内回收的医疗废物总量，根据所述医疗废物总量，生成每个所述医疗废物区域对应的数据相关度序列；

结果分析模块，用于将每个所述数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个所述输入特征进行数据异常分析，获得每个所述医疗废物区域对应的分析结果。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述序列生成模块包括：

计算单元，用于对于每个所述医疗废物区域，将所述医疗废物区域的医疗废物总量与其他每个医疗废物区域内的医疗废物总量分别对比计算得出相应的数据相关度；

生成单元，用于根据各个所述数据相关度，获得每个所述医疗废物区域对应的数据相关度序列。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，还包括模型建立模块，

所述模型建立模块用于确定所述区域化分析模型的模型参数的初始值；根据所述初始值、所述数据相关度序列和预设的分析结果，采用深度学习模型训练所述区域化分析模型的模型参数；根据训练得到的模型参数，建立所述区域化分析模型。

第三方面，本发明实施例还提供一种包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面及其任一种可能的实施方式所述的方法。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述第一方面及其任一种可能的实施方式所述方法。

本发明实施例带来了以下有益效果：

在本发明实施例中，首先获取医疗废物数据中的地域坐标信息，根据该地域坐标信息进行区域划分，获得多个医疗废物区域；然后获取各个医疗废物区域在相同预设时间内回收的医疗废物总量，根据该医疗废物总量，生成每个医疗废物区域对应的数据相关度序列；最后将每个数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个输入特征进行数据异常分析，获得每个医疗废物区域对应的分析结果。在本发明实施例提供的技术方案中，将医疗废物所在的区域进行划分得到多个医疗废物区域，利用预先设立的区域化分析模型自动对每个医疗废物区域对应的数据相关度序列进行分析，因为该数据相关度序列是根据每个医疗废物区域的医疗废物总量生成的，通过对数据相关度序列的分析可以判断医疗废物总量的变化是否正常，从而判断医疗废物数据是否异常。这样，利用区域化分割对比方法，可以实现对医疗废物数据的自动分析、判断医疗废物数据是否存在异常，在提高判断的准确度的同时节省人力物力。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的医疗废物数据分析方法的流程示意图；

图2为本发明实施例提供的区域化分示意图；

图3为本发明实施例提供的区域化分析模型的建立过程的流程示意图；

图4为本发明实施例提供的医疗废物数据分析装置的结构示意图；

图5为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前在判断医疗废物数据是否存在异常(数据丢失、数据漏传或者数据造假)时，目前卫生监管部门都是通过人工调取数据进行对比分析而进行判断，耗费人力物力；而且由于人工主观因素的影响较大，很容易出现误判的现象。基于此，本发明实施例提供的一种医疗废物数据分析方法、装置及电子设备，利用区域化分割对比方法，可以实现对医疗废物数据的自动分析、判断医疗废物数据是否存在异常，在提高判断的准确度的同时节省人力物力。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种医疗废物数据分析方法进行详细介绍。

实施例一：

本发明实施例提供的医疗废物数据分析方法可以适用于医疗废物回收、垃圾回收或者其他类似的数据分析的场景。图1示出了本发明实施例提供的医疗废物数据分析方法的流程示意图。如图1所示，该医疗废物数据分析方法包括：

步骤S101，获取医疗废物数据中的地域坐标信息，根据地域坐标信息进行区域划分，获得多个医疗废物区域。

具体地，该医疗废物数据中包括医疗废物类型、医疗废物重量，及回收地址或者回收地址所在的地域坐标信息。其中地域坐标信息可以是根据回收地址确定的，也可以回收医疗废物时，直接录入地域坐标信息。步骤S101中区域划分的方式可以按照用户设定的规则自行划分，这里不做限定。下面对区域划分的方式进行举例说明：

在一个实施例中，上述步骤S101中，根据地域坐标信息进行区域划分，获得多个医疗废物区域包括：根据地域坐标信息，判断医疗废物数据所属的县市；根据所属的县市，对所有地域坐标信息覆盖的范围进行划分。

其中所有地域坐标信息覆盖的范围即为所有医疗废物的回收范围。具体地，各个县市的覆盖范围已知，根据各个医疗废物信息对应的地域坐标信息，可以判断该医疗废物信息对应的地域坐标信息所属的县市。可以根据所属的县市对整个回收范围进行区域划分。如所有地域坐标信息覆盖的范围包括五个县市，则将所有地域坐标信息覆盖的范围按照该五个县市分为五个医疗废物区域。

在另一个实施例中，可以按照矩形环方式进行划分，如图2所示，以三个矩形为例，由内到外，三个矩形分别为T₁、T₂、T₃。矩形T₃包括了所有地域坐标信息覆盖的范围即整个回收范围，即根据相关软件确定包含所所有地域坐标信息的矩形T₃，在确定了矩形T₃后，可以按照边长比例设定矩形T₁、T₂、T₃的各边长，各个矩形的中心点可以按照用户根据回收范围指定。如在一个实施例中，矩形为正方形，矩形T₁、T₂、T₃的边长的比例为1:2:3，矩形T₁、T₂、T₃的中心点相同，应用相关软件确定矩形T₃后，即其中心点确认后，矩形T₂、T₃的中心点也确定。具体的划分结果为，矩形T₁覆盖的范围为医疗废物区域S₁，矩形T₁与矩形T₂之间的矩形环的覆盖范围为医疗废物区域S₂，矩形T₂与矩形T₃之间的矩形环的覆盖范围为医疗废物区域S₃。其中各个矩形的顶点位置坐标是已知的，然后根据各个医疗废物数据对应的地域标坐标信息，确定各个医疗废物数据所属的医疗废物区域。这种划分方式中，包含的各个回收地址带有随机性，相比于县市划分，能够更有效的避免数据造假行为。

步骤S102，获取各个医疗废物区域在相同预设时间内回收的医疗废物总量，根据该医疗废物总量，生成每个医疗废物区域对应的数据相关度序列。

具体地，将在医疗废物区域内，预设时间回收的所有的医疗废物数据中的医疗废物重量相加，获得该医疗废物区域内的医疗废物总量。其中，预设时间可以由用户根据具体情况设定，如一天、一个星期或者两个星期，具体时间这里不作限定。

在一个可选的实施例中，步骤S102中，根据医疗废物总量，生成每个医疗废物区域对应的数据相关度序列包括：

对于每个医疗废物区域，将医疗废物区域的医疗废物总量与其他每个医疗废物区域内的医疗废物总量分别对比计算得出相应的数据相关度；根据各个数据相关度，获得每个医疗废物区域对应的数据相关度序列。

考虑到每个医疗废物区域内的医疗废物总量可能会随着季节或者其他因素发生变化，因此采用数据相关度来判断数据是否异常，数据相关度可以表示出任意两个医疗废物总量之间的对比关系度。

下面仍以步骤S101中的矩形环划分方式为例，假设医疗废物区域S₁中产生的医疗废物总量为Θ₁＝8吨，医疗废物区域S₂中产生的医疗废物总量为Θ₂＝10吨，医疗废物区域S₃中产生的医疗废物总量为Θ₃＝20吨。则对于医疗废物区域S₁，将医疗废物区域S₁的医疗废物总量与医疗废物区域S₂、医疗废物区域S₃(其他每个医疗废物区域)内的医疗废物总量分别对比计算得出相应的数据相关度，如对比计算时采用比例算法，则分别对比计算后得到的数据相关度分别为δ₁＝Θ₁/Θ₂＝8/10＝0.8，δ₂＝Θ₁/Θ₃＝8/20＝0.4。然后可以得到医疗废物区域S₁对应的数据相关度序列δ＝{δ₁,δ₂}＝{0.8,0.4}。同理，可以得到医疗废物区域S₂对应的数据相关度序列{1.25,0.5}，医疗废物区域S₃对应的数据相关度序列{2.5,2}。需要说明的是，在上述实施例中阐述数值并不限制本发明的范围。

步骤S103，将每个数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个输入特征进行数据异常分析，获得每个医疗废物区域对应的分析结果。

为了实现数据自动分析，预先建立了用于进行数据分析的区域化分析模型。其中该区域化分析模型是利用多个数据相关序列的样本训练得到的，样本数量越多，相应的训练得到的区域化分析模型的检测效果越好。在一个实施例中可以采用正反样本对比的方式进行训练。

在一个实施例中，如图3所示，该区域化分析模型的建立过程包括：

步骤S301，确定区域化分析模型的模型参数的初始值。

在本实施例中，应用深度学习的方式进行区域化分析模型的训练，首先需要确定区域化分析模型的模型参数的初始值，具体的，该参数可以凭借经验设定。

步骤S302，根据上述初始值、数据相关度序列和预设的分析结果，采用深度学习模型训练区域化分析模型的模型参数。

在一个实施例中，分析结果可以根据用户的定义设定，如分析结果R＝{R1,R2}＝{正常、异常}或者R＝{R1,R2,R3,R4}＝{正常、回收量偏低、回收量偏高、异常}。具体地，将作为样本的数据相关度序列作为输入特征，分析结果作为结论集，同时输入到深度学习模型中，对上述区域化分析模型的模型参数进行训练。其中深度学习模型中的初始参数为步骤S301中确定的区域化分析模型的模型参数的初始值。

步骤S303，根据训练得到的模型参数，建立区域化分析模型。

在训练得到模型参数的具体值后，结合现有的深度学习模型，建立区域化分析模型。

进一步地，为了提高区域化分析模型的准确度，在建立区域化分析模型之后，还包括：获取数据相关度序列及对应的已知分析结果；将数据相关度序列作为输入特征输入至区域化分析模型进行测试，获得测试结果；根据已知分析结果与测试结果，调节区域化分析模型的模型参数。

具体地，利用已知分析结果的数据相关序列对该区域化分析模型进行测试，如果测试结果与已知分析结果不同，则对区域化分析模型的模型参数进行微调，直至测试结果接近已知分析结果，即误差率在设定的范围内。

进一步地，在调节区域化分析模型的模型参数至测试结果接近已知分析结果后，根据调节后的区域化分析模型的模型参数重新建立区域化分析模型。

进一步地，为了使得相关工作人员及时发现数据异常问题，并及时做出相关处理，在一个实施例中，步骤S103中，获得每个医疗废物区域对应的分析结果之后，还包括：根据分析结果确定医疗废物区域对应的医疗废物数据是否异常，如果是，则发出报警指示信息。具体地如果分析结果为“异常”或者表示异常的其他标识，则发出报警指示信息，如点亮指示灯，或者发送报警指示信息至相关工作人员的终端。

在本发明实施例提供的技术方案中，引入了区域划分的概念，将医疗废物所在的区域进行划分得到多个医疗废物区域，利用预先设立的区域化分析模型自动对每个医疗废物区域对应的数据相关度序列进行分析，因为该数据相关度序列是根据每个医疗废物区域的医疗废物总量生成的，通过对数据相关度序列的分析可以判断医疗废物总量的变化是否正常，从而判断医疗废物数据是否异常。这样，利用区域化分割对比方法，可以实现对医疗废物数据的自动分析、判断医疗废物数据是否存在异常，更加直观方便，在提高判断的准确度的同时节省人力物力。

实施例二：

图4示出了本发明实施例提供的医疗废物数据分析装置的结构示意图。如图4所示，该医疗废物数据分析装置，包括：

区域划分模块11，用于获取医疗废物数据中的地域坐标信息，根据地域坐标信息进行区域划分，获得多个医疗废物区域；

序列生成模块12，用于获取各个医疗废物区域在相同预设时间内回收的医疗废物总量，根据医疗废物总量，生成每个医疗废物区域对应的数据相关度序列；

结果分析模块13，用于将每个数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个输入特征进行数据异常分析，获得每个医疗废物区域对应的分析结果。

进一步地，上述序列生成模块12包括：

计算单元121，用于对于每个医疗废物区域，将医疗废物区域的医疗废物总量与其他每个医疗废物区域内的医疗废物总量分别对比计算得出相应的数据相关度；

生成单元122，用于根据各个数据相关度，获得每个医疗废物区域对应的数据相关度序列。

进一步地，上述医疗废物数据分析装置还包括模型建立模块，该模型建立模块用于确定区域化分析模型的模型参数的初始值；根据初始值、数据相关度序列和预设的分析结果，采用深度学习模型训练区域化分析模型的模型参数；根据训练得到的模型参数，建立区域化分析模型。

在本发明实施例提供的技术方案中，引入了区域划分的概念，将医疗废物所在的区域进行划分得到多个医疗废物区域，利用预先设立的区域化分析模型自动对每个医疗废物区域对应的数据相关度序列进行分析，因为该数据相关度序列是根据每个医疗废物区域的医疗废物总量生成的，通过对数据相关度序列的分析可以判断医疗废物总量的变化是否正常，从而判断医疗废物数据是否异常。这样，利用区域化分割对比方法，可以实现对医疗废物数据的自动分析、判断医疗废物数据是否存在异常，更加直观方便，在提高判断的准确度的同时节省人力物力。

实施例三：

参见图5，本发明实施例还提供一种电子设备100，包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例提供的医疗废物数据分析装置及电子设备，与上述实施例提供的医疗废物数据分析方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例所提供的进行医疗废物数据分析方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种医疗废物数据分析方法，其特征在于，包括：

获取医疗废物数据中的地域坐标信息，根据所述地域坐标信息进行区域划分，获得多个医疗废物区域；

获取各个所述医疗废物区域在相同预设时间内回收的医疗废物总量，根据所述医疗废物总量，生成每个所述医疗废物区域对应的数据相关度序列；

将每个所述数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个所述输入特征进行数据异常分析，获得每个所述医疗废物区域对应的分析结果；

所述区域化分析模型的建立过程包括：

确定所述区域化分析模型的模型参数的初始值；

根据所述初始值、所述数据相关度序列和预设的分析结果，采用深度学习模型训练所述区域化分析模型的模型参数；

根据训练得到的模型参数，建立所述区域化分析模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述地域坐标信息进行区域划分，获得多个医疗废物区域包括：

根据所述地域坐标信息，判断所述医疗废物数据所属的县市；

根据所述所属的县市，对所有所述地域坐标信息覆盖的范围进行划分。

3.根据权利要求1所述的方法，其特征在于，所述根据所述医疗废物总量，生成每个所述医疗废物区域对应的数据相关度序列包括：

对于每个所述医疗废物区域，将所述医疗废物区域的医疗废物总量与其他每个医疗废物区域内的医疗废物总量分别对比计算得出相应的数据相关度；

根据各个所述数据相关度，获得每个所述医疗废物区域对应的数据相关度序列。

4.根据权利要求1所述的方法，其特征在于，所述建立所述区域化分析模型之后，还包括：

获取所述数据相关度序列及对应的已知分析结果；

将所述数据相关度序列作为输入特征输入至所述区域化分析模型进行测试，获得测试结果；

根据所述已知分析结果与所述测试结果，调节所述区域化分析模型的模型参数。

5.一种医疗废物数据分析装置，其特征在于，包括：

区域划分模块，用于获取医疗废物数据中的地域坐标信息，根据所述地域坐标信息进行区域划分，获得多个医疗废物区域；

序列生成模块，用于获取各个所述医疗废物区域在相同预设时间内回收的医疗废物总量，根据所述医疗废物总量，生成每个所述医疗废物区域对应的数据相关度序列；

结果分析模块，用于将每个所述数据相关度序列分别作为输入特征，利用预先建立的区域化分析模型对每个所述输入特征进行数据异常分析，获得每个所述医疗废物区域对应的分析结果；所述区域化分析模型的建立过程包括：确定所述区域化分析模型的模型参数的初始值；根据所述初始值、所述数据相关度序列和预设的分析结果，采用深度学习模型训练所述区域化分析模型的模型参数；根据训练得到的模型参数，建立所述区域化分析模型。

6.根据权利要求5所述的装置，其特征在于，所述序列生成模块包括：

计算单元，用于对于每个所述医疗废物区域，将所述医疗废物区域的医疗废物总量与其他每个医疗废物区域内的医疗废物总量分别对比计算得出相应的数据相关度；

生成单元，用于根据各个所述数据相关度，获得每个所述医疗废物区域对应的数据相关度序列。

7.根据权利要求5所述的装置，其特征在于，还包括模型建立模块，

所述模型建立模块用于确定所述区域化分析模型的模型参数的初始值；根据所述初始值、所述数据相关度序列和预设的分析结果，采用深度学习模型训练所述区域化分析模型的模型参数；根据训练得到的模型参数，建立所述区域化分析模型。

8.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法。

9.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至4任一项所述的方法。

Images