CN107046557A - 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 - Google Patents
移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 Download PDFInfo
- Publication number
- CN107046557A CN107046557A CN201611150538.6A CN201611150538A CN107046557A CN 107046557 A CN107046557 A CN 107046557A CN 201611150538 A CN201611150538 A CN 201611150538A CN 107046557 A CN107046557 A CN 107046557A
- Authority
- CN
- China
- Prior art keywords
- data
- skyline
- hospital
- space
- dynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G06F19/32—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,属于智能医疗与空间大数据处理领域;采用了基于Spark的分布式动态Skyline算法,用户通过移动智能客户端向云服务中心系统发送数据请求后,云中心服务系统通过收集用户个性化多因素的请求后,从已有的医疗机构的大数据集中提取数据,并且按照用户的空间定位以及选择的多属性对其进行过滤与排序得到一个有序的医疗空间结果数据集,然后扫描比较数据点的支配关系得到动态Skyline与反Skyline结果,返回给相应的终端。在医疗多维大数据的查询过程中,用到了空间网格剪枝和网络医疗数据持续监控进行医疗空间大数据控制,从而更加快捷的得到用户需要的相应的医疗机构数据。
Description
技术领域
本发明属于Spark技术领域,是一种移动互联网和云计算环境下基于动态Skyline查询的智能医疗呼叫查询系统,其中涉及到空间网格剪枝策略和网络医疗数据监控。
背景技术
随着现代技术的革新,大部分的智能化设备以及系统渐渐被人们所熟知。从智能医疗呼叫查询通信系统、智能家居、智能交通、智能电网,智能建筑。智慧医疗以及智慧物流等,到2009年由IBM提出“智慧地球”的概念,智能技术正在改变我们的生活。,同时也丰富我们的世界,智能医疗呼叫查询通信系统通过对现有的大型医院与乡镇中小医院,以及社区居民诊所相关的医疗单位内设备、环境和使用者信息的采集、监测、管理和控制,实现医疗信息环境的组合优化,从而为使用者提供满足医院物设计功能需求和现代信息技术应用需求。例如,大连大学与大连交通大学就是国内较早从事物联网研究的知名高校,经过与企业合作多年潜心研发相继推出了物联网传感器、物联网模块、智能家居等产品和项目,引起广大学者,同行和用户的关注。近年来,我们与国内数家医疗机构以及企业强强联合,资源互补,推出“智慧心电远程医疗”、“智能老人家居护理”等应用产品与案例,受到广大医疗与家庭用户的欢迎。
例如:智慧居家养老的新模式利用物联网技术,打造智能化、数字化、虚拟化社区,为社区老人提供全天候、全方位、一站式服务”的理念,以96***呼叫中心为集成平台,在老年人关爱服务中不断引入科技手段,打造全方位立体化的服务网络,并通过积极研发适宜不同类型老人的科技产品,为老年人提供最大化的便利。
为社区居民提供全方位一站式的日常生活服务,努力为他们提供一种全新的居家养老新模式。以“便民利民”的服务宗旨,“以人为本”的服务理念;“有求必应”的服务目标,采取了“三个全”,即“全天候、全方位、全过程跟踪监督服务”的服务措施,以“爱心,耐心,热心”的服务态度,凸显“中心进社区,服务在身边”的理念。采用电话、短信、网站等多种渠道为市民,尤其是老年人,提供一站式服务。专门打造了老年人紧急援助系统、独居老年人关爱系统、居家养老服务系统、老年人健康档案系统、康复护理系统、电子商务系统、费用结算系统、失独家庭关爱系统、老年教育系统、老年膳食保健系统等。正真实现老有所依,智慧养老。
但现阶段,爆炸式的医院数据已经大大超出了人们所承受的限度,形成各种特征的医疗数据,人们以前的单一医院数据已经不能满足当下,所以他们破迫切的需要变革。因此,现在的传统的数据分析处理技术已经越来越不适应当前大数据分析和处理的需求。为了节约成本,为大规模数据的存储和计算提供分布式处理框架,云计算、大数据、云存储、MapReduce、BigTable等相关技术被提出。云计算作为新兴的分布式共享计算平台,它可以建立在大规模廉价PC机上,利用网络中的资源进行海量数据的存储和计算。由于云计算技术非常适合处理海量数据,许多公司研究并开发了云计算处理平台,其中包括Google的搜索引擎云平台、IBM的“蓝云”平台、Amazon的弹性计算云和Hadoop开源云平台等。海量数据处理是一个热点的研究方向,众多学者们依托云计算平台提出很多新的高效的海量数据处理算法,Skyline算法是其中的一种高效的数据查询和提取方法,可以快速地从海量数据中抽取出关键的信息,大大减少数据量,降低海量数据处理中对软硬件的要求,提高数据处理的效率。Skyline算法作为一种有效的数据提取与处理方法,主要考虑的是如何从庞大的数据集中找出对人们有用的信息,在海量空间数据分析处理方面具有广泛的应用,如多目标决策、医院寻址、环境监控、图像检索、个性化推荐、数据挖掘等。空间Skyline查询总概念主要分为空间Skyline和空间反skyline查询,可以为用户在决策过程中提供多属性的评判原则,评价函数也可以根据不同的应用采用不同的测量方法(例如欧几里德距离、空间距离等)以提升用户的体验质量;对海量商务交易数据记录,Skyline计算能帮助市场分析人员进行价格及市场策略的定位;在环境监控中,通过分析传感器网络积累起来的海量数据,可以分析评价出潜在的自然灾害与风险。此外,Skyline查询也被应用到医学图像检索,医院信息等领域。传统的医疗数据处理是面向小规模的、静态的,常规信息化数据的提取和分析,这些方法已不能适用于如今爆炸性增长的具有明显的空间的、高维的、多复杂因素的医疗大数据,基于该出发点,我们设计并实现了该发明。
发明内容
根据上述背景技术中存在的缺陷和不足,本发明采用如下技术方案:一种移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,包括云中心服务系统和终端,云中心服务系统执行基于分布式网格剪枝策略和网络数据监控,并运行Spark云平台的动态Skyline和/或反Skyline算法;带有由终端选择的属性和各属性阈值的查询请求被发送给云中心服务系统,云中心服务系统是由多个计算节点组成的Spark云平台,承担动态Skyline查询流的主要计算工作,并向终端返回连续的查询的医疗呼叫空间过滤结果,直到所有结果输出为止。
有益效果:本发明提供了移动云计算环境下的基于动态Skyline(包括动态Skyline与反Skyline两类)查询的智能医疗呼叫查询系统,以改进现有的对大量医院空间特征数据提取和多因素分析方法,大大减少数据量,采用空间网格剪枝策略和网络医疗数据监控方法的综合,来进一步提高空间特征的医疗大数据处理的效率。
附图说明
图1是数据处理流程图;
图2是HDFS体系结构图;
图3是MapReduce构建索引文件图;
图4是BNL算法图;
图5是图1的局部放大图。
具体实施方式
实施例1:移动云计算环境下动态空间Skyline查询方法,包括云中心服务系统和智能移动客户端系统,其中的云中心服务系统提供空间网格剪枝策略及持续网络医疗数据监控来执行动态Skyline与反Skyline算法,智能移动客户端便对属性需要程度,并输入各属性的阈值并且发送查询结果,来完善医院的属性。即该系统执行步骤如下:
S1.云中心服务系统以分布式动态Skyline与反Skyline算法提供空间网格剪枝策略,对大规模医疗机构数据进行筛选。
S2.智能移动客户端在终端设备上首先通过GPS进行定位,确定查询用户所在的空间与个性化需求,然后运行医疗呼叫程序,通过云端服务器进行通信,发送查询指令,并与云中心服务系统反馈回来的空间过滤结果与持续空间监控数据进行用户参与下的信息交互。
在一种实施例中,将上述方法更为详细的进行介绍:
步骤如下:
S1.云中心服务系统提供医疗空间数据的动态存储与网格剪枝策略制定及医疗网络空间数据区域的持续监控。而Spark下运行就是动态空间Skyline和空间反skyline查询算法的执行机制,我们利用Spark来处理分布式空间大数据的处理,用Skyline来执行多因素空间网格过滤剪枝与预处理工作。
S2.ipad、电脑、手机以及移动数据管家终端设备上的应用程序(GPRS,BDS),这些终端使用互联网或者3G/4G等移动网络与服务器进行交互通讯,适时发送查询请求并接收查询结果。用户可以首先在各个终端进行定位发起医疗呼叫的查询点,然后确定客户的需求与日常诊医行为喜好,来对应选择对属性的喜好程度并输入各医疗诊疗数据相关属性的阈值,最后将查询指令以多因素查询的方式发送给服务器端。
作为技术方案的补充,该移动云计算环境下的基于动态Skyline与反Skyline查询的智能医疗呼叫查询系统所使用的云中心端服务系统由不少于一个云数据中心的网络服务器或云计算集群或多个虚拟主机所构成的,采用云计算这种并行化计算来处理大规模数据应对于大量的需要查找医院诊疗数据的用户,并以分布式空间网格剪枝策略和持续的网络医疗数据监控进行提取和分析已有的医院数据,通过移动互联网来发起起求,并将选好的数据发送到云端,在云端完成空间网格剪枝任务与持续的空间查询结果返回移动客户端,并由用户自己进行手动对剪枝后的结果进行确认与进一步选择。
由云中心服务系统执行空间大数据与计算任务的分布式并行化分解与云端的Skyline查询处理,在云端重点是使用空间网格剪枝和持续的网络医疗数据监控进行动态Skyline与反Skyline查询,并将Skyline执行的最优的一组结果(是一组满足过滤条件的结果,而不是一个,包括一组最优解与次优解)并最终返回用户进行迭带计算。
网格空间剪枝策略的处理步骤具体为:一个d维的医疗机构(包括前面描述的三种类型的医疗机构)的数据空间S,S是云中心服务系统中所有的医院相关数据,包括医院三维地址.医院级别星数.病人的喜好,以及其对医院的评价,病人的空间迁移行为记录(如转院记录),多个不同位置的医疗的合作诊疗时的空间位置关系(比如说大型的中心医院为社区医疗提供远程服务)等数据,P是医院相关数据空间S上的数据子集,每个数据点p∈P被表示为{x1,x2,...,xd}。每一维空间定位网格的宽度表示为λi。数据集中任意数据点p的网格坐标可通过计算得到,即任意网格的标识表示为Intkeyj,它在网格空间中的坐标表示为(Intkeyj.x1,Intkeyj.x2,...,Intkeyj.xd),即医疗机构在空间的位置.数据集P中的每个数据点都会被映射到相应的空间网格中,对应一个网格单元坐标。网络数据监控的处理步骤具体为:云中心服务系统首先按原设计的空间过滤原则对原数据S进行过滤,过滤下的数据为q,然后对拦截下的数据q进行数据还原,最后对拦截下的数据进行分布式分析并作出最优决策。
基于空间网格剪枝策略及持续网络医疗数据监控的动态Skyline与反Skyline查询的方法为:
定义1.3(Dynamic Skyline Query):一个d维的医院相关数据空间S={s1,s2,...,sd},P是在医疗数据空间S上的数据集合即P={p1,p2,...,pn},一个医疗用户查询对象ref根据自身的空间位置坐标以及医疗空间点或点集之间的多因素动态支配关系对向量进行动态支配的计算,计算得到空间Skyline和空间反skyline的过滤结果集。如果医疗数据对象b动态支配a,当且仅当b在所有属性上都不比a距离ref远,且至少有一维度比a近,即医疗用户通过移动互联网所提交的医疗查询数据中有符合医疗云中心服务系统中的原有医疗数据,则云中心服务系统能分析出并提取相关的数据并返回最佳一组结果集,即最终反馈给用户的结果集,并进行下一轮迭带。
实施例2:具有与实施例1相同的技术方案。利用其中的分布式算法,将医院的地址、病人用户习惯、需求与评论数据和使用者信息的采集、监测、管理和控制集为一体,有效地实现组合一体化。在大医院中,将医院一系列的庞大的数据库都呈递给动态Skyline与反Skyline算法,通过这种算法进行检测医院数据相关信息参数,从而用户更快速的得到所需信息,如果是中小型城镇医疗,这些数据可以作为移动端采集,以批量的数据流的方式传输给中大型医院,如果是社区小型诊所,可以以实时数据流的方式传输给中大型医院的数据中心,最终所有的数据应传输给云端,分享给三方医疗机构与认证客户,分别以移动端远程访问的方式进行云端共享使用。
实施例3:具有与实施例2相同的技术方案。对于现在的医院者来说,他们可能需要更快捷的方法得到相应自己需要的医院信息。所以,我们可以通过前线移动设备连接后台云服务中心,以医院数据中心展示系统为平台,强调智能化系统设计与医院信息方法的配合和协调,如各类医疗模型的智能参数、医院可远程使用的设备管理系统(BAS)、大型紧急医疗报警系统(BFAS)等,将医院本身的情况如实的汇中,最终集多层技术于一身在具体本专利的应用中,通过用户的多因素的需要来进行空间Skyline过滤查询与持续地决策,从而更好的满足用户的需求,当一个用户在选择最佳医院位置信息时,可以根据用户喜好的多重因素,在大规模医疗数据的基础上,他们就可以用手中的移动智能手机,ipad,电脑等上快速并持续的查询自己需要的结果并进行进一步的过滤与筛选,从而实现用户自助式的精准医疗决策。
实施例4:具有与实施例3相同的技术方案,其中智能医疗呼叫查询通信系统具备物联网相关的智能控制效果,同时因为加入了移动查询和云端高速处理,所以大大加强于普通的控制方式,与传统自动控制系统相比,基于移动与云端结合的大规模分布式动态Skyline与反Skyline的多目标智能决策系统具有快速空间医疗大数据结构分析的特点,能总体自寻优,具有移动普适性、智能自适应、自组织、自学习和自协调能力,其可以利用网络医疗数据监控自动地完成其求解医疗计算目标的查询过程,其移动端的智能机可以在熟悉或不熟悉的环境中自动地或人─机交互地完成拟人任务,进一步的减少人类因为医疗背景不足的主观选择的误差与医疗决策随机不准确性。可以在此算法的基础上,利用分布式计算与医疗大数据存储与物联网的神经网络或人工智能处理,从分析医疗复杂对象出发,构建模拟逻辑和神经网络,在此基础上,将好的医疗优势传承给下一代,是为智能算法,一步步地完善医院大规模网络智能信息系统,以高速度计算并处理庞大而复杂的商务数据,当然基于Skyline的查询算法,只能算是其中的一个部分,主要侧重于多因素,空间的,大规模的智能医疗呼叫系统中的使用。
实施例5:基于云计算分布式处理系统中,我们采取了分布式空间医疗数据的持续监控的方法,其特征在于,我们在Spark的Map过程中,利用网络医疗数据监控进行空间特征的医疗多维数据提取,在提取后对不符合用户需要的医疗空间定址数据进行了预处理,有部分结果因为skyline的过度提取会也key值不符,所以我们在Map阶段的最后根据关键词key进行value值的哈希匹配,如果匹配不成功则进一步进行监控和提取,然后通过洗牌过程送到Reduce端进行进一步汇总处理。这种监控方法利用了Spark的分布处理机制。从而大大减少了用户对医院数据的筛选时间,更加高效地利用分布处理机制。
实施例6:一种移动云计算环境下动态Skyline查询的智能医疗呼叫查询方法,云中心服务系统执行基于分布式网格剪枝策略和网络数据监控,并运行Spark云平台的动态Skyline和/或反Skyline算法;带有由终端选择的属性和各属性阈值的查询请求被发送给云中心服务系统,云中心服务系统是由多个计算节点组成的Spark云平台,承担动态Skyline查询流的主要计算工作,并向终端返回连续的查询的医疗呼叫空间过滤结果,直到所有结果输出为止。
云中心服务系统接收到查询请求,从已有的医院选址中提取与用户设置属性相关联的数据,并按照所述请求中的属性不同对其进行排序,得到相对较优的医院选址新数据集,然后系统进行扫描筛选,再与用户设置的属性相比较,得到一系列的优化后的比较结果,然后这一结果返回给终端,并返回到网络数据监控中心进行监控,进一步对结果筛选。
分布式网格剪枝策略的处理步骤具体为:一个d维的医疗机构数据空间S,S是由云中心服务系统中所有的医院相关数据组成的数据集,包括医院三维地址、医院级别、病人的喜好(医院离家的远近,医院的规模,诊治条件等)、病人对医院的评价、病人的空间迁移行为记录(如转院记录)、多个不同位置的医疗的合作诊疗时的空间位置关系(比如说大型的中心医院为社区医疗提供远程服务),P是数据空间S上的数据子集,每个数据点p∈P被表示为{x1,x2,...,xd},其中xd是指p数据集中的第d个数集;
每一维空间定位网格的宽度表示为λi数据子集P中任意数据点p的网格坐标表示为任意网格的标识表示为Intkeyj,它在网格空间中的坐标是医疗机构空间的位置,被表示为(Intkeyj.x1,Intkeyj.x2,...,Intkeyj.xd),数据子集P中的每个数据点都被映射到相应的空间网格中,对应一个网格单元坐标。(网格剪枝策略是将得到的数据集P中的数据点映射到网格的坐标中)。
所述网络数据监控的处理步骤具体为:云中心服务系统首先以医院的三维坐标、医院级别、病人喜好为原则对数据空间S进行分布式过滤,过滤下的数据为q,然后对拦截下的数据q进行数据还原,最后对拦截下的数据进行分布式分析,根据分析结果逐步作出优化决策参考,直到得到最终的最优决策为止;(原来这里原数据指的是传统的数据中心处理方法与原始数据(原始数据是静态的,我们现在形成流数据进行处理)
分布式分析步骤具体为:用户通过Map函数和Reduce函数实现处理逻辑(该逻辑可以用交互人机界面来向导式输入,比如说GPS自动定位,人工地图标点选择,列表选择等),每个函数都以<key,value>对作为输入和输出,Map函数用来处理<key,value>对,产生临时的<key,value>结果集并存入分布式高速缓存;Reduce函数用来合并具有相同临时key值的value值。
动态Skyline算法采用动态Skyline查询,其定义为:假定一个d维的医院数据空间S={s1,s2,...,sd},P={p1,p2,...,pn}是用户申请查询的医院选址,每个用户申请查询的医院数据点pi∈P都是数据空间S上的d维医院数据点,F是医院数据空间S上的动态即云中心服务系统利用分布式网格剪枝策略将数据空间S分成的一个个动态,|F|=k且k≤d,d是全空间数据维数k子空间数据维数,全空间F中提取用户感兴趣的字段(维)既是k是空间的维度,比如说d维的空间就是指医院整个空间是S,它有很多个维度,比如说位置坐标,名称,医疗条件等,用户在医院数据空间S申请查询数据对象pi,pi在动态F上的投影为用户申请查询的医院数据与剪枝后的数据动态重合,是用户所需要的云服务中心系统筛选的医院数据,被表示为pi′,pi′是k元组,当且仅当动态F上不存在用户不需要的医院数据点pj′支配用户需要的医院数据pi′,pi′是云中心服务系统通过动态Skyline得到的结果。
网络数据监控将满足用户的数据交给应用功能,通过过滤使得有用的信息量尽可能的少,并且通过对于网络数据的多层连续的流式过滤来实现数据处理量的逐步精简。
分析动态Skyline算法和网格剪枝策略的效率,假定一个d维的数据集,在最坏的情况下,BNL算法的复杂度为O(dα2),d维数据空间被网格分割成e1×e2×...×ed个网格,d是维度,取值范围1~d;x是p集合的某个数据元素,x的取值范围1~α;
由于生成网格是在预处理阶段进行,所以有关网格计算的时间开销不计在查询时间中,假定数据点是均匀分布在所有网格中的,若剪枝策略返回的网格数量为γ(1≤γ≤e1×e2×...×ed),那么剪枝后的动态Skyline算法复杂度为γ<<e1×e2×...×ed,剪枝后的算法能够有效地减少支配关系的比较,从而降低算法的计算复杂度。
反Skyline算法采用反Skyline查询,是动态Skyline算法的逆向验证过程,反Skyline查询将Skyline查询的结果(即全局Skyline点)作为反向查询的查询点q,首先将原网格中的所有的数据集合d中的点作为输入流,按照与新的查询点的最小距离进行排序,并建立最小堆;当堆不为空时,将堆顶记录推出,因为是最小堆,所以先访问的点不可能被后访问的点所支配,取得堆顶记录后,判断该记录是否被全局Skyline所支配,如果被支配,则过滤掉;不被支配时,将之插入到堆中;采用流的方式,不断地迭带计算反向Skyline,不断得到局部验证结果,直到所有的反Skyline计算结果验证完成。从本质上来讲,反Skyline查询的本质其实就是把结果点作为查询点,反向验定原查询点是否在结果范围内,其算法和Skyline的伪码是相同的,只是对象不同。
该实施例中所述方法对应下列的系统或装置。
一种移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,包括云中心服务系统和终端,其中的云中心服务系统执行基于分布式网格剪枝策略和网络数据监控,并运行Spark云平台的动态Skyline和/或反Skyline算法;带有由终端选择的属性和各属性阈值的查询请求被发送给云中心服务系统,云中心服务系统是由多个计算节点组成的Spark云平台,承担动态Skyline查询流的主要计算工作,并向终端返回连续的查询的医疗呼叫空间过滤结果,直到所有结果输出为止。
云中心服务系统接收到查询请求,从已有的医院选址中提取与用户设置属性相关联的数据,并按照所述请求中的属性不同对其进行排序,得到相对较优的医院选址新数据集,然后系统进行扫描筛选,再与用户设置的属性相比较,得到一系列的优化后的比较结果,然后这一结果返回给终端,并返回到网络数据监控中心进行监控,进一步对结果筛选。
分布式网格剪枝策略的处理步骤具体为:一个d维的医疗机构数据空间S,S是由云中心服务系统中所有的医院相关数据组成的数据集,包括医院三维地址、医院级别、病人的喜好、病人对医院的评价、病人的空间迁移行为记录、多个不同位置的医疗的合作诊疗时的空间位置关系,P是数据空间S上的数据子集,每个数据点p∈P被表示为{x1,x2,...,xd},其中xd是指p数据集中的第d个数集;
每一维空间定位网格的宽度表示为λi数据子集P中任意数据点p的网格坐标表示为任意网格的标识表示为Intkeyj,它在网格空间中的坐标是医疗机构空间的位置,被表示为(Intkeyj.x1,Intkeyj.x2,...,Intkeyj.xd),数据子集P中的每个数据点都被映射到相应的空间网格中,对应一个网格单元坐标。
所述网络数据监控的处理步骤具体为:云中心服务系统首先以医院的三维坐标、医院级别、病人喜好为原则对数据空间S进行分布式过滤,过滤下的数据为q,然后对拦截下的数据q进行数据还原,最后对拦截下的数据进行分布式分析,根据分析结果逐步作出优化决策参考,直到得到最终的最优决策为止;
分布式分析步骤具体为:用户通过Map函数和Reduce函数实现处理逻辑,每个函数都以<key,value>对作为输入和输出,Map函数用来处理<key,value>对,产生临时的<key,value>结果集并存入分布式高速缓存;Reduce函数用来合并具有相同临时key值的value值。
动态Skyline算法采用动态Skyline查询,其定义为:假定一个d维的医院数据空间S={s1,s2,...,sd},P={p1,p2,...,pn}是用户申请查询的医院选址,每个用户申请查询的医院数据点pi∈P都是数据空间S上的d维医院数据点,F是云中心服务系统利用分布式网格剪枝策略将数据空间S分成的一个个动态,|F|=k且k≤d,d是全空间数据维数k子空间数据维数,全空间F中提取用户感兴趣的字段是k,用户在医院数据空间S申请查询数据对象pi,pi在动态F上的投影为用户申请查询的医院数据与剪枝后的数据动态重合,是用户所需要的云服务中心系统筛选的医院数据,被表示为pi′,pi′是k元组,当且仅当动态F上不存在用户不需要的医院数据点pj′支配用户需要的医院数据pi′,pi′是云中心服务系统通过动态Skyline得到的结果。
网络数据监控将满足用户的数据交给应用功能,通过过滤使得有用的信息量尽可能的少,并且通过对于网络数据的多层连续的流式过滤来实现数据处理量的逐步精简。
分析动态Skyline算法和网格剪枝策略的效率,假定一个d维的数据集,在最坏的情况下,BNL算法的复杂度为O(dα2),d维数据空间被网格分割成e1×e2×...×ed个网格,d是维度,取值范围1~d;x是p集合的某个数据元素,x的取值范围1~α;
有关网格计算的时间开销不计在查询时间中,假定数据点是均匀分布在所有网格中的,若剪枝策略返回的网格数量为γ(1≤γ≤e1×e2×...×ed),那么剪枝后的动态Skyline算法复杂度为γ<<e1×e2×...×ed,
反Skyline算法采用反Skyline查询,是动态Skyline算法的逆向验证过程,反Skyline查询将Skyline查询的结果作为反向查询的查询点q,首先将原网格中的所有的数据集合d中的点作为输入流,按照与新的查询点的最小距离进行排序,并建立最小堆;当堆不为空时,将堆顶记录推出,取得堆顶记录后,判断该记录是否被全局Skyline所支配,如果被支配,则过滤掉;不被支配时,将之插入到堆中;采用流的方式,不断地迭带计算反向Skyline,不断得到局部验证结果,直到所有的反Skyline计算结果验证完成。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,其特征在于:包括云中心服务系统和终端,其中的云中心服务系统执行基于分布式网格剪枝策略和网络数据监控,并运行Spark云平台的动态Skyline和/或反Skyline算法;带有由终端选择的属性和各属性阈值的查询请求被发送给云中心服务系统,云中心服务系统是由多个计算节点组成的Spark云平台,承担动态Skyline查询流的主要计算工作,并向终端返回连续的查询的医疗呼叫空间过滤结果,直到所有结果输出为止。
2.如权利要求1所述的移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,其特征在于:云中心服务系统接收到查询请求,从已有的医院选址中提取与用户设置属性相关联的数据,并按照所述请求中的属性不同对其进行排序,得到相对较优的医院选址新数据集,然后系统进行扫描筛选,再与用户设置的属性相比较,得到一系列的优化后的比较结果,然后这一结果返回给终端,并返回到网络数据监控中心进行监控,进一步对结果筛选。
3.如权利要求1所述的移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,其特征在于:分布式网格剪枝策略的处理步骤具体为:一个d维的医疗机构数据空间S,S是由云中心服务系统中所有的医院相关数据组成的数据集,包括医院三维地址、医院级别、病人的喜好、病人对医院的评价、病人的空间迁移行为记录、多个不同位置的医疗的合作诊疗时的空间位置关系,P是数据空间S上的数据子集,每个数据点p∈P被表示为{x1,x2,...,xd},其中xd是指p数据集中的第d个数集;
每一维空间定位网格的宽度表示为λi数据子集P中任意数据点p的网格坐标表示为任意网格的标识表示为Intkeyj,它在网格空间中的坐标是医疗机构空间的位置,被表示为(Intkeyj.x1,Intkeyj.x2,...,Intkeyj.xd),数据子集P中的每个数据点都被映射到相应的空间网格中,对应一个网格单元坐标。
4.如权利要求3所述的移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,其特征在于:所述网络数据监控的处理步骤具体为:云中心服务系统首先以医院的三维坐标、医院级别、病人喜好为原则对数据空间S进行分布式过滤,过滤下的数据为q,然后对拦截下的数据q进行数据还原,最后对拦截下的数据进行分布式分析,根据分析结果逐步作出优化决策参考,直到得到最终的最优决策为止;
分布式分析步骤具体为:用户通过Map函数和Reduce函数实现处理逻辑,每个函数都以<key,value>对作为输入和输出,Map函数用来处理<key,value>对,产生临时的<key,value>结果集并存入分布式高速缓存;Reduce函数用来合并具有相同临时key值的value值。
5.根据权利要求4所述的移动云计算环境下的动态Skyline查询的智能医疗呼叫查询方法,其特征在于:动态Skyline算法采用动态Skyline查询,其定义为:假定一个d维的医院数据空间S={s1,s2,...,sd},P={p1,p2,...,pn}是用户申请查询的医院选址,每个用户申请查询的医院数据点pi∈P都是数据空间S上的d维医院数据点,F是云中心服务系统利用分布式网格剪枝策略将数据空间S分成的一个个动态,|F|=k且k≤d,d是全空间数据维数k子空间数据维数,全空间F中提取用户感兴趣的字段是k,用户在医院数据空间S申请查询数据对象pi,pi在动态F上的投影为用户申请查询的医院数据与剪枝后的数据动态重合,是用户所需要的云服务中心系统筛选的医院数据,被表示为p′i,p′i是k元组,当且仅当动态F上不存在用户不需要的医院数据点p′j支配用户需要的医院数据p′i,p′i是云中心服务系统通过动态Skyline得到的结果。
6.如权利要求5所述的移动互联网和云计算环境下动态Skyline查询的智能医疗呼叫查询方法,其特征在于:网络数据监控将满足用户的数据交给应用功能,通过过滤使得有用的信息量尽可能的少,并且通过对于网络数据的多层连续的流式过滤来实现数据处理量的逐步精简。
7.如权利要求5所述的移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,其特征在于:分析动态Skyline算法和网格剪枝策略的效率,假定一个d维的数据集,在最坏的情况下,BNL算法的复杂度为Ο(dα2),d维数据空间被网格分割成e1×e2×...×ed个网格, d是维度,取值范围1~d;x是p集合的某个数据元素,x的取值范围1~α;
有关网格计算的时间开销不计在查询时间中,假定数据点是均匀分布在所有网格中的,若剪枝策略返回的网格数量为γ(1≤γ≤e1×e2×...×ed),那么剪枝后的动态Skyline算法复杂度为γ<<e1×e2×...×ed,
8.如权利要求7所述的移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统,其特征在于:反Skyline算法采用反Skyline查询,是动态Skyline算法的逆向验证过程,反Skyline查询将Skyline查询的结果作为反向查询的查询点q,首先将原网格中的所有的数据集合d中的点作为输入流,按照与新的查询点的最小距离进行排序,并建立最小堆;当堆不为空时,将堆顶记录推出,取得堆顶记录后,判断该记录是否被全局Skyline所支配,如果被支配,则过滤掉;不被支配时,将之插入到堆中;采用流的方式,不断地迭带计算反向Skyline,不断得到局部验证结果,直到所有的反Skyline计算结果验证完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611150538.6A CN107046557A (zh) | 2016-12-14 | 2016-12-14 | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611150538.6A CN107046557A (zh) | 2016-12-14 | 2016-12-14 | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107046557A true CN107046557A (zh) | 2017-08-15 |
Family
ID=59543138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611150538.6A Pending CN107046557A (zh) | 2016-12-14 | 2016-12-14 | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107046557A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107707903A (zh) * | 2017-08-22 | 2018-02-16 | 贵阳朗玛信息技术股份有限公司 | 用户视频通信质量的确定方法及装置 |
CN107832479A (zh) * | 2017-10-19 | 2018-03-23 | 大连大学 | 医疗救援请求移动呼叫方法 |
CN108021690A (zh) * | 2017-10-19 | 2018-05-11 | 大连大学 | 倒排Voronoi索引 |
CN110457316A (zh) * | 2019-06-27 | 2019-11-15 | 四川工商学院 | 一种大规模数据集的Skyline查询方法及其系统 |
CN112115446A (zh) * | 2020-07-29 | 2020-12-22 | 航天信息股份有限公司 | 一种基于Skyline查询生物特征的身份认证方法及系统 |
CN113656447A (zh) * | 2021-09-01 | 2021-11-16 | 燕山大学 | 一种三维障碍空间中类Skyline查询方法 |
CN116881306A (zh) * | 2023-07-29 | 2023-10-13 | 哈尔滨理工大学 | 一种基于数据流的组Skyline查询方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207915A (zh) * | 2013-04-18 | 2013-07-17 | 苏州大学 | 一种反轮廓查询方法、装置及系统 |
CN105005584A (zh) * | 2015-06-17 | 2015-10-28 | 南京航空航天大学 | 一种多子空间Skyline查询计算方法 |
-
2016
- 2016-12-14 CN CN201611150538.6A patent/CN107046557A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207915A (zh) * | 2013-04-18 | 2013-07-17 | 苏州大学 | 一种反轮廓查询方法、装置及系统 |
CN105005584A (zh) * | 2015-06-17 | 2015-10-28 | 南京航空航天大学 | 一种多子空间Skyline查询计算方法 |
Non-Patent Citations (3)
Title |
---|
YUANYUAN LI 等: "Efficient Subspace Skyline Query based on User Preference using MapReduce", 《AD HOC NETWORKS》 * |
单观敏: "基于MapReduce 的移动对象的Skyline 查询", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
孙晓曦: "协同过滤推荐在医疗领域的应用研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107707903A (zh) * | 2017-08-22 | 2018-02-16 | 贵阳朗玛信息技术股份有限公司 | 用户视频通信质量的确定方法及装置 |
CN107832479A (zh) * | 2017-10-19 | 2018-03-23 | 大连大学 | 医疗救援请求移动呼叫方法 |
CN108021690A (zh) * | 2017-10-19 | 2018-05-11 | 大连大学 | 倒排Voronoi索引 |
CN110457316A (zh) * | 2019-06-27 | 2019-11-15 | 四川工商学院 | 一种大规模数据集的Skyline查询方法及其系统 |
CN112115446A (zh) * | 2020-07-29 | 2020-12-22 | 航天信息股份有限公司 | 一种基于Skyline查询生物特征的身份认证方法及系统 |
CN112115446B (zh) * | 2020-07-29 | 2024-02-09 | 航天信息股份有限公司 | 一种基于Skyline查询生物特征的身份认证方法及系统 |
CN113656447A (zh) * | 2021-09-01 | 2021-11-16 | 燕山大学 | 一种三维障碍空间中类Skyline查询方法 |
CN113656447B (zh) * | 2021-09-01 | 2023-05-19 | 燕山大学 | 一种三维障碍空间中类Skyline查询方法 |
CN116881306A (zh) * | 2023-07-29 | 2023-10-13 | 哈尔滨理工大学 | 一种基于数据流的组Skyline查询方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107046557A (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询系统 | |
Abbas et al. | A cloud based health insurance plan recommendation system: A user centered approach | |
CN107193967A (zh) | 一种多源异构行业领域大数据处理全链路解决方案 | |
Zheng et al. | Construction of the ontology-based agricultural knowledge management system | |
CN107679192A (zh) | 多集群协同数据处理方法、系统、存储介质及设备 | |
CN106547882A (zh) | 一种智能电网中营销大数据的实时处理方法及系统 | |
CN114639483A (zh) | 一种基于图神经网络的电子病历检索方法及装置 | |
Xia et al. | SW-BiLSTM: a Spark-based weighted BiLSTM model for traffic flow forecasting | |
Perifanis et al. | Federated learning for 5G base station traffic forecasting | |
Kong et al. | RETRACTED ARTICLE: Multimodal interface interaction design model based on dynamic augmented reality | |
CN106503271A (zh) | 移动互联网和云计算环境下子空间Skyline查询的智能商店选址系统 | |
Peng et al. | Optimization research of decision support system based on data mining algorithm | |
CN111951935A (zh) | 面向医疗大数据处理的医疗云系统、方法、系统和介质 | |
CN106777092A (zh) | 移动云计算环境下动态Skyline查询的智能医疗呼叫查询方法 | |
Saravanakumar et al. | Clustering big data for novel health care system | |
CN109063115A (zh) | 一种基于在线大数据的智能统计系统及方法 | |
CN103034728B (zh) | 利用社会化网络学术资源交互平台进行信息交互的方法 | |
CN104462480B (zh) | 基于典型性的评论大数据挖掘方法 | |
Zhu et al. | DSCPL: A deep cloud manufacturing service clustering method using pseudo-labels | |
CN106599188A (zh) | 移动互联网和云计算环境下子空间Skyline查询的智能商店选址方法 | |
Sayed et al. | A conceptual framework for using big data in Egyptian agriculture | |
CN108280176A (zh) | 基于MapReduce的数据挖掘优化方法 | |
Cao et al. | Lucene and deep learning based commodity information analysis system | |
Liang et al. | The graph embedded topic model | |
Finogeev et al. | Application of hyper-convergent platform for big data in exploring regional innovation systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170815 |