CN108288498A - 一种基于机器视觉的医院智能就诊系统 - Google Patents

一种基于机器视觉的医院智能就诊系统 Download PDF

Info

Publication number
CN108288498A
CN108288498A CN201810037254.9A CN201810037254A CN108288498A CN 108288498 A CN108288498 A CN 108288498A CN 201810037254 A CN201810037254 A CN 201810037254A CN 108288498 A CN108288498 A CN 108288498A
Authority
CN
China
Prior art keywords
hospital
patient
time
troop
people
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
Application number
CN201810037254.9A
Other languages
English (en)
Inventor
王昱
施宇帆
田雨
周天舒
李劲松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810037254.9A priority Critical patent/CN108288498A/zh
Publication of CN108288498A publication Critical patent/CN108288498A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于机器视觉的医院智能就诊系统，采用机器视觉中的人头检测方法，并在医院排队的场景下对其进行优化，检测出医院挂号窗口当前排队人数，结合每个窗口处理单个患者的平均时长，计算出每个窗口排队所需等待时间，再根据患者和各医院的地理位置计算出患者到达各医院的时间。由于医院的排队人数在患者从出发到抵达医院这个时间段内还会产生变化，本发明加入了对某一时间段排队人数变化的预测模型，本发明通过医院视频监控中近四周内每周历史数据的平均值计算出在患者到达医院这段时间内各个挂号队伍的变化情况；最终计算出患者从出门到挂号所需的时间，提供给患者快速就诊的策略选择。

Description

一种基于机器视觉的医院智能就诊系统
技术领域
本发明属于医疗领域及计算机领域，尤其涉及一种基于机器视觉的医院智能就诊系统。
背景技术
我国医疗资源总量不足，且同一地区的不同医院的日常排队情况受到多个因素影响，如医院等级、医院知名度、个别科室专家坐诊、医院对应单位体检、患者定期复诊、医院附近地区疾病爆发等。对于患有普通疾病的患者，由于该疾病较易治愈，患者的诉求只有避开需要长时间排队挂号的情况，尽快见到医生，接受治疗。现有的医院排队策略一般是从医院的角度出发，以不同的排队策略来对院内排队人群进行服务。
现有的技术方法均是从单个医院的角度出发，通过在医院中设立排队叫号系统或采用不同的服务策略来提高效率，降低成本，如王昱等人提出的一种门诊排队方法以三种不同的排队策略计算患者等待时间和医院单位时间的服务成本。这些技术方法都是从单个医院角度，在患者已到达医院的情况下进行的策略选择或系统服务，并没有解决单个患者选择哪家医院能得到最快速的治疗，避免长时间的排队挂号。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于机器视觉的医院智能就诊系统，该系统利用机器视觉技术，结合最短路径算法，为患者提供最快挂号接受医生治疗的策略选择。
本发明的目的是通过以下技术方案来实现的：一种基于机器视觉的医院智能就诊系统，采用机器视觉中的人头检测方法，并在医院排队的场景下对其进行优化，检测出医院挂号窗口当前排队人数，结合每个窗口处理单个患者的平均时长，计算出每个窗口排队所需等待时间，再根据患者和各医院的地理位置，通过最短路径算法计算出患者到达各医院的时间。由于医院的排队人数在患者从出发到抵达医院这个时间段内还会产生变化，故本发明加入了对某一时间段排队人数变化的预测模型：医院排队情况基本以周为单位呈现周期性变化，而大多数预测模型不具有实时性，故本发明通过医院视频监控中近四周内每周历史数据的平均值计算出在患者到达医院这段时间内各个挂号队伍的变化情况；最终计算出患者从出门到挂号所需的时间，提供给患者快速就诊的策略选择；该系统具体包括以下四个模块：
(1)排队人数获取模块：从医院门诊大厅监控视频中提取所有挂号窗口的排队人数；结合每个挂号窗口处理一个患者的平均时长，得到当前时刻t1到达医院需要等待的时间T1；
(2)最短路径获取模块：根据患者当前所在位置和各医院的地理位置信息，结合患者选择的出行方式、路况信息，以路口为顶点，路段为边，患者通过某路段所需时间为权值构成一幅加权有向图，调用Dijkstra最短路径算法以患者当前所在位置S为起点，医院位置D为终点，每次选择一个距离S最近的非树顶点添加到该图的最短路径树中，直到将D加入为止，由S到D经过的所有路径的权值之和即为患者到达某医院所需的最短时间T2；
(3)排队人数预测模块：医院的门诊人数基本以周为单位呈现周期性变化，且每天各个时段人数相差较大；根据每周当前时刻t1和最短路径获取模块得到的患者到达某医院所需的最短时间T2，结合该医院挂号窗口排队人数的历史数据，取每周该时间段(从t1时刻到t1+T2时刻)的队伍增减人数的平均值N，作为队伍在T2时间段内的变化情况，从而得到在t1+T2时刻，即患者到达该医院时需要等待的最短时间T3；将T4＝T2+T3作为该患者从出门到在该医院挂号所需的最短预测时间；
(4)智能推荐模块：将排队人数预测模块得到的所有医院对应的最短预测时间T4进行升序排列，给出最短预测时间T4和对应医院的多个组合，供患者选择。
进一步地，所述排队人数获取模块中，由于摄像头是俯视角度，选择ManuelJ.Marin-Jimenez等人提出的head detector人头检测方法，检测任意角度的人头，避免多人重叠无法检测的情况。
进一步地，所述排队人数获取模块中，在人头检测的结果图像上，依据监控拍摄角度和监控到挂号窗口的距离，按照一定的比例尺，以距离挂号窗口中心点1.5倍标准头宽W1处为起点分别做两条平行线段，与两线段所围区域有交集的人头数即为该队伍目前的排队人数。
进一步地，为排除队伍后面有行人经过的干扰，采取两个措施：一：依据日常排队的人与人之间的正常间距，设置一个距离阈值，大于该距离阈值的人头不作为排队者，从而排除和队伍同一直线但不移动的行人；二：依据队伍宽度W2＝3*W1和行人行走速度v，隔Δt时间重复做一次人头检测，两者取较小值作为最终的人头数，从而排除在队伍尾部距离阈值内经过的行人和穿过队伍的行人，Δt>(W1+W2)/v。
本发明的有益效果是：本发明创新性地从患者的角度提出一种满足患者快速就诊诉求的方法，从医院门诊大厅的监控视频中，通过适应性修改机器视觉领域的人头检测方法提取排队人数，结合患者到达医院时间及该时间段内队伍的变化情况，最终得到患者从出门到挂号所需的时间，提供给患者多个就诊解决方案以供选择。
附图说明
图1为基于机器视觉的医院智能就诊系统框架图；
图2患者排队示意图；
图3为具体实例的实现示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的一种基于机器视觉的医院智能就诊系统，如图1所示，包括以下四个模块：
(1)排队人数获取模块：从医院门诊大厅监控视频中提取所有挂号窗口的排队人数；结合每个挂号窗口处理一个患者的平均时长，得到当前时刻t1到达医院需要等待的时间T1；
由于摄像头是俯视角度，可以选择Manuel J.Marin-Jimenez等人提出的headdetector人头检测方法，检测任意角度的人头，避免多人重叠无法检测的情况；但不限于head detector人头检测方法；
在人头检测的结果图像上，依据监控拍摄角度和监控到挂号窗口的距离，按照一定的比例尺，以距离挂号窗口中心点1.5倍标准头宽W1(通常为20厘米左右)处为起点分别做两条平行线段，与两线段所围区域有交集的人头数即为该队伍目前的排队人数，如图2所示；
为排除队伍后面有行人经过的干扰，采取两个措施：一：依据日常排队的人与人之间的正常间距，设置一个距离阈值(可以选取0.5米作为阈值)，大于该距离阈值的人头不作为排队者，从而排除和队伍同一直线但不移动的行人；二：依据队伍宽度W2＝3*W1(通常为0.6米左右)和行人行走速度v(通常为1米每秒左右)，隔Δt时间(例如Δt取5秒)重复做一次人头检测，两者取较小值作为最终的人头数，从而排除在队伍尾部距离阈值内经过的行人和穿过队伍的行人，Δt>(W1+W2)/v。
(2)最短路径获取模块：根据患者当前所在位置和各医院的地理位置信息，结合患者选择的出行方式、路况信息，以路口为顶点，路段为边，患者通过某路段所需时间为权值构成一幅加权有向图，调用Dijkstra最短路径算法以患者当前所在位置S为起点，医院位置D为终点，每次选择一个距离S最近的非树顶点添加到该图的最短路径树中，直到将D加入为止，由S到D经过的所有路径的权值之和即为患者到达某医院所需的最短时间T2。
(3)排队人数预测模块：医院的门诊人数基本以周为单位呈现周期性变化，且每天各个时段人数相差较大；根据每周当前时刻t1和最短路径获取模块得到的患者到达某医院所需的最短时间T2，结合该医院挂号窗口排队人数的历史数据，取每周该时间段(从t1时刻到t1+T2时刻)的队伍增减人数的平均值N，作为队伍在T2时间段内的变化情况(例如患者周二上午九点出发九点半抵达该医院，系统提取近四周内每周二上午九点和九点半这两个时刻该医院内某个挂号窗口队伍的排队人数总和，分别记为Sa和Sb，则预测该窗口当天九点到九点半的队伍增减人数的平均值N＝(Sb-Sa)/4，其中4代表4周)，从而得到在t1+T2时刻，即患者到达该医院时需要等待的最短时间T3；将T4＝T2+T3作为该患者从出门到在该医院挂号所需的最短预测时间。
(4)智能推荐模块：将排队人数预测模块得到的所有医院对应的最短预测时间T4进行升序排列，给出最短预测时间T4和对应医院的多个组合，供患者选择。
本发明的应用场景是当用户患有较易治疗的疾病，如感冒等，用户的核心诉求不是追求名医名家，而是尽快见到医生接受治疗。如图3所示，患者从家中出发选择A、B两家医院的其中一家，虽然B医院地理位置更近，但A医院更符合快速挂号就诊。

Claims (5)

1.一种基于机器视觉的医院智能就诊系统，其特征在于，包括：
(1)排队人数获取模块：从医院门诊大厅监控视频中提取所有挂号窗口的排队人数；结合每个挂号窗口处理一个患者的平均时长，得到当前时刻t1到达医院需要等待的时间T1；
(2)最短路径获取模块：根据患者当前所在位置和各医院的地理位置信息，结合患者选择的出行方式、路况信息，以路口为顶点，路段为边，患者通过某路段所需时间为权值构成一幅加权有向图，调用Dijkstra最短路径算法以患者当前所在位置S为起点，医院位置D为终点，每次选择一个距离S最近的非树顶点添加到该图的最短路径树中，直到将D加入为止，由S到D经过的所有路径的权值之和即为患者到达某医院所需的最短时间T2；
(3)排队人数预测模块：医院的门诊人数基本以周为单位呈现周期性变化，且每天各个时段人数相差较大；根据每周当前时刻t1和最短路径获取模块得到的患者到达某医院所需的最短时间T2，结合该医院挂号窗口排队人数的历史数据，取每周该时间段(从t1时刻到t1+T2时刻)的队伍增减人数的平均值N，作为队伍在T2时间段内的变化情况，从而得到在t1+T2时刻，即患者到达该医院时需要等待的最短时间T3；将T4＝T2+T3作为该患者从出门到在该医院挂号所需的最短预测时间；
(4)智能推荐模块：将排队人数预测模块得到的所有医院对应的最短预测时间T4进行升序排列，给出最短预测时间T4和对应医院的多个组合，供患者选择。
2.根据权利要求1所述的一种基于机器视觉的医院智能就诊系统，其特征在于，所述排队人数获取模块中，由于摄像头是俯视角度，选择Manuel J.Marin-Jimenez等人提出的head detector人头检测方法，检测任意角度的人头，避免多人重叠无法检测的情况。
3.根据权利要求2所述的一种基于机器视觉的医院智能就诊系统，其特征在于，所述排队人数获取模块中，在人头检测的结果图像上，依据监控拍摄角度和监控到挂号窗口的距离，按照一定的比例尺，以距离挂号窗口中心点1.5倍标准头宽W1处为起点分别做两条平行线段，与两线段所围区域有交集的人头数即为该队伍目前的排队人数。
4.根据权利要求3所述的一种基于机器视觉的医院智能就诊系统，其特征在于，为排除队伍后面有行人经过的干扰，采取措施：依据日常排队的人与人之间的正常间距，设置一个距离阈值，大于该距离阈值的人头不作为排队者。
5.根据权利要求3所述的一种基于机器视觉的医院智能就诊系统，其特征在于，为排除队伍后面有行人经过的干扰，采取措施：依据队伍宽度W2＝3*W1和行人行走速度v，隔Δt时间重复做一次人头检测，两者取较小值作为最终的人头数，Δt>(W1+W2)/v。
CN201810037254.9A 2018-01-15 2018-01-15 一种基于机器视觉的医院智能就诊系统 Pending CN108288498A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810037254.9A CN108288498A (zh) 2018-01-15 2018-01-15 一种基于机器视觉的医院智能就诊系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810037254.9A CN108288498A (zh) 2018-01-15 2018-01-15 一种基于机器视觉的医院智能就诊系统

Publications (1)

Publication Number Publication Date
CN108288498A true CN108288498A (zh) 2018-07-17

Family

ID=62835281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810037254.9A Pending CN108288498A (zh) 2018-01-15 2018-01-15 一种基于机器视觉的医院智能就诊系统

Country Status (1)

Country Link
CN (1) CN108288498A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087434A (zh) * 2018-07-22 2018-12-25 薛永芳 一种限制人数的排队引导装置
CN109994190A (zh) * 2019-02-22 2019-07-09 云知声（上海）智能科技有限公司 一种就诊处理系统和就诊处理方法
CN110010233A (zh) * 2019-03-01 2019-07-12 许玉涛 急诊医事信息处理系统及方法
CN111598283A (zh) * 2020-05-21 2020-08-28 湖南景丰建筑标化工程有限公司 一种安全体验馆管理方法、系统以及存储介质
CN113052472A (zh) * 2021-03-31 2021-06-29 杭州京威盛智能科技有限公司 基于资源整合的医院智能服务系统
CN115470418A (zh) * 2022-09-15 2022-12-13 安徽大学 一种基于无人机航拍的排队点推荐方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103185598A (zh) * 2011-12-29 2013-07-03 歌乐株式会社 车辆用信息系统、车载装置以及服务器装置
CN104657826A (zh) * 2015-02-15 2015-05-27 百度在线网络技术（北京）有限公司 资源分配方法和装置
US20150177006A1 (en) * 2013-12-20 2015-06-25 Egan Schulz Systems and methods for crowd congestion reduction at venue locations using beacons
CN105222784A (zh) * 2015-09-07 2016-01-06 广东欧珀移动通信有限公司 一种室内导航方法、装置以及终端
CN105489000A (zh) * 2015-09-08 2016-04-13 同济大学 一种夜班公交车站点及路径选择方法
CN105868447A (zh) * 2016-03-24 2016-08-17 南京邮电大学 基于双层网络的用户通讯行为分析及模型仿真系统
CN106203725A (zh) * 2016-07-20 2016-12-07 上海交通大学 基于启发式搜索的门到门出行路径方案个性化推荐方法
CN106485355A (zh) * 2016-10-12 2017-03-08 创业软件股份有限公司 一种基于门诊大数据分析的就医路线优化方法
CN106679663A (zh) * 2016-06-08 2017-05-17 王博冉 一种基于二维码的医院院内导航方法及服务器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103185598A (zh) * 2011-12-29 2013-07-03 歌乐株式会社 车辆用信息系统、车载装置以及服务器装置
US20150177006A1 (en) * 2013-12-20 2015-06-25 Egan Schulz Systems and methods for crowd congestion reduction at venue locations using beacons
CN104657826A (zh) * 2015-02-15 2015-05-27 百度在线网络技术（北京）有限公司 资源分配方法和装置
CN105222784A (zh) * 2015-09-07 2016-01-06 广东欧珀移动通信有限公司 一种室内导航方法、装置以及终端
CN105489000A (zh) * 2015-09-08 2016-04-13 同济大学 一种夜班公交车站点及路径选择方法
CN105868447A (zh) * 2016-03-24 2016-08-17 南京邮电大学 基于双层网络的用户通讯行为分析及模型仿真系统
CN106679663A (zh) * 2016-06-08 2017-05-17 王博冉 一种基于二维码的医院院内导航方法及服务器
CN106203725A (zh) * 2016-07-20 2016-12-07 上海交通大学 基于启发式搜索的门到门出行路径方案个性化推荐方法
CN106485355A (zh) * 2016-10-12 2017-03-08 创业软件股份有限公司 一种基于门诊大数据分析的就医路线优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周正阳 等: "智慧医疗终端应用模型与仿真系统设计", 《信息与电脑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087434A (zh) * 2018-07-22 2018-12-25 薛永芳 一种限制人数的排队引导装置
CN109994190A (zh) * 2019-02-22 2019-07-09 云知声（上海）智能科技有限公司 一种就诊处理系统和就诊处理方法
CN110010233A (zh) * 2019-03-01 2019-07-12 许玉涛 急诊医事信息处理系统及方法
CN111598283A (zh) * 2020-05-21 2020-08-28 湖南景丰建筑标化工程有限公司 一种安全体验馆管理方法、系统以及存储介质
CN113052472A (zh) * 2021-03-31 2021-06-29 杭州京威盛智能科技有限公司 基于资源整合的医院智能服务系统
CN115470418A (zh) * 2022-09-15 2022-12-13 安徽大学 一种基于无人机航拍的排队点推荐方法及系统

Similar Documents

Publication Publication Date Title
CN108288498A (zh) 一种基于机器视觉的医院智能就诊系统
CA3042178C (en) Pre-selection of drivers in a passenger transport system
Topaloglu Using Lagrangian relaxation to compute capacity-dependent bid prices in network revenue management
US10339544B2 (en) Techniques for automatic real-time calculation of user wait times
US9778057B2 (en) Selecting a route to a destination based on zones
CN103287931B (zh) 电梯系统
US20140278634A1 (en) Spatiotemporal Crowdsourcing
CN109658581A (zh) 医院智能就诊排号系统
CN108460497A (zh) 一种机场候机楼排队信息提示方法
CN107742125A (zh) 预测和防止在结构资产处的不利状况的深度机器学习
Yan et al. Fairness-aware demand prediction for new mobility
CN107709206A (zh) 群控电梯装置及群控的搭乘号机的分配方法
CN103106722A (zh) 基于智能手机的挂号分诊及人流控制的系统和方法
JP2011203841A (ja) 巡回車両の到着時間予測システム
CN104848849A (zh) 基于定位技术的目标集结地点规划方法和规划装置
CN107133682A (zh) 基于设备日志的设备操作用时估算系统及方法、基于设备日志的动态预约系统及其实现方法
Pternea et al. Mathematical models for flight-to-gate reassignment with passenger flows: State-of-the-art comparative analysis, formulation improvement, and a new multidimensional assignment model
CN108960133A (zh) 乘客流量监控的方法、电子设备、系统以及存储介质
CN109377770A (zh) 统计车流量的方法和装置、计算设备和存储介质
CN115563761A (zh) 基于时刻表的地铁枢纽站周围道路拥堵预测方法
CN108446786A (zh) 一种信息处理方法、装置及电子设备
JP2003296900A (ja) 飛行経路調整装置
CN107833622A (zh) 一种医疗信息系统及其信息推送方法
Xie et al. Advancing crowd forecasting with graphs across microscopic trajectory to macroscopic dynamics
US20230351832A1 (en) Methods of estimating a throughput of a resource, a length of a queue associated with the resource and/or a wait time of the queue

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

Application publication date: 20180717

RJ01 Rejection of invention patent application after publication