CN111523740A - 基于大数据采集的服务资源信息预测方法和计算机设备 - Google Patents
基于大数据采集的服务资源信息预测方法和计算机设备 Download PDFInfo
- Publication number
- CN111523740A CN111523740A CN202010638605.9A CN202010638605A CN111523740A CN 111523740 A CN111523740 A CN 111523740A CN 202010638605 A CN202010638605 A CN 202010638605A CN 111523740 A CN111523740 A CN 111523740A
- Authority
- CN
- China
- Prior art keywords
- service
- model
- preset
- prediction model
- service resource
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008520 organization Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 72
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 30
- 230000000750 progressive effect Effects 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 description 25
- 230000003862 health status Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及计算机领域，揭示了一种基于大数据采集的服务资源信息预测方法，包括：获取服务机构局域网信息、工作人员终端信息和普通人终端信息；生成第一服务子网；得到第一输出结果；若第一输出结果为服务资源密度不均匀，则生成第二服务子网；得到第二输出结果；若第二输出结果为服务资源密度不均匀，则生成第三服务子网；得到第三输出结果；若第三输出结果为普通人密度不均匀，则将第一输入、第二输入和第三输入输入区块划分模型中，得到电子地图；若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
Description
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于大数据采集的服务资源信息预测方法、计算机设备和存储介质。
背景技术
社会服务领域如教育、医疗、金融、行政等领域中服务资源信息预测是重要的组成部分，通过预测服务机构的服务资源充裕度信息，可以为社会服务的发展提供数据方向的意见指导，可以提高社会服务的质量，促进社会的和谐，提高人民的生活水平与质量。但是，现有的服务资源信息，需要用户进行主动填报，效率较低。同时，现有的服务资源信息预测方案也存在效率较低和准确性较低的缺陷。
发明内容
本申请提出一种基于大数据采集的服务资源信息预测方法，包括以下步骤：
S1、获取服务机构局域网信息、工作人员终端信息和普通人终端信息；
S2、根据所述服务机构局域网信息，在预设的电子地图上生成第一服务子网；
S3、将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层；
S4、判断所述第一输出结果是否为服务资源密度均匀；
S5、若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；
S6、根据所述后备员工终端信息，在预设的电子地图上生成第二服务子网；
S7、根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层；
S8、判断所述第二输出结果是否为服务资源密度均匀；
S9、若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；
S10、根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三服务子网输入第三指定密度预测模型中进行处理，从而得到第三输出结果；其中所述第三指定密度预测模型在所述第二指定密度预测模型的基础上进行递进训练得到；所述第三指定密度预测模型包括多层神经网络层；
S11、判断所述第三输出结果是否为普通人密度不均匀；
S12、若所述第三输出结果为普通人密度不均匀，则获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入；
S13、将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有服务资源充裕度等级的区块的电子地图；
S14、判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值；
S15、若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
进一步地，所述将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层的步骤S3之前，包括：
S21、获取指定数量的样本数据，并将样本数据划分为训练数据和验证数据，所述样本数据由训练用服务子网和对训练用服务子网进行人工标注的服务密度标签构成；
S22、调取预设的神经网络模型，并利用训练数据以有监督学习的方式对神经网络模型进行训练，以得到第一暂时模型；
S23、利用所述验证数据对所述第一暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；
S24、若验证结果为验证通过，则将所述第一暂时模型记为第一密度预测模型。
进一步地，所述根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层的步骤S7之前，包括：
S61、复制所述第一密度预测模型，以得到第二初始模型；
S62、在所述第二初始模型的第一层神经网络层结构前增加预转换层，以得到第二中间模型，所述预转换层用于将所述第二服务子网对于服务资源密度的影响数据转换为以第一服务子网对于服务资源密度的影响数据；
S63、选取与所述第一服务子网的形状匹配的指定图案，再根据预设的图案与训练集的对应关系，获取与所述指定图案对应的指定训练集；其中训练集中的数据由训练用后备员工终端信息形成的服务子网及相应的人工标注的服务密度标签构成；
S64、利用所述指定训练集，对第二中间模型采用有监督学习的方式进行训练，从而得到所述第二指定密度预测模型。
进一步地，所述第三指定密度预测模型采用无监督学习的方式进行训练得到。
进一步地，所述第二模型数据库中的所有模型分别对应不同的图案，所述根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型的步骤S7，包括：
S701、从所述第一服务子网中选取n个特征点，并相对于电子地图原点生成对应于n个特征点的n个子向量，并将所述n个子向量组成第一集合向量[X1,Y1,X2,Y2,…,Xn,Yn]；其中Xn,Yn分别为第n个子向量的分向量数值；
S702、从所述第二模型数据库中任选一个第二暂定模型，根据预设的模型与图案的对应关系，获取与所述第二暂定模型对应的第二暂定图案，再将所述第二暂定图案映射至电子地图中，并从所述第二暂定图案中选取n个特征点，并相对于电子地图原点生成对应于所述第二暂定图案中的n个特征点的n个子向量[P1,T1]、[P2,T2]、…、[Pn,Tn]，并生成第二集合向量[P1,T1,P2,T2,…,Pn,Tn]；
S703、根据公式：
，计算出第一集合向量和第二集合向量之间的匹配程度值G；
S704、判断所述匹配程度值G是否大于预设的匹配程度阈值；
S705、若所述匹配程度值G大于预设的匹配程度阈值，则将所述第二暂定模型记为第二指定密度预测模型，并从预设的第二模型数据库中提取出第二指定密度预测模型。
进一步地，所述判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值的步骤S14之后，包括：
S141、若电子地图中的所有区块的服务资源充裕度等级不均大于预设的等级阈值，则向低等级的区块中的普通人终端发送服务资源信息获取要求；其中，所述低等级的区块指电子地图中服务资源充裕度等级不大于所述等级阈值的区块；
S142、接收所述低等级的区块中的普通人终端发送的服务资源信息，并绘制在电子地图上，同时电子地图上除所述低等级的区块之外的其他区块默认为服务资源充裕状态。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于大数据采集的服务资源信息预测方法、计算机设备和存储介质，通过利用三个服务子网，并在三个服务子网的基础上结合三个递进的密度预测模型，并进一步地结合区块划分模型，以确定整体层面的服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测。相对于传统的服务资源预测方案，本申请的方案无需用户主动申报，效率较高，且预测结果准确。
附图说明
图1-2为本申请一实施例的基于大数据采集的服务资源信息预测方法的流程示意图；
图3 为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1-2，本申请实施例提供一种基于大数据采集的服务资源信息预测方法，可以应用到各种服务行业中，如教育、金融、医疗、行政等领域中，包括以下步骤：
S1、获取服务机构局域网信息、工作人员终端信息和普通人终端信息；
S2、根据所述服务机构局域网信息，在预设的电子地图上生成第一服务子网；
S3、将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层；
S4、判断所述第一输出结果是否为服务资源密度均匀；
S5、若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；
S6、根据所述后备员工终端信息，在预设的电子地图上生成第二服务子网；
S7、根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层；
S8、判断所述第二输出结果是否为服务资源密度均匀；
S9、若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；
S10、根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三服务子网输入第三指定密度预测模型中进行处理，从而得到第三输出结果；其中所述第三指定密度预测模型在所述第二指定密度预测模型的基础上进行递进训练得到；所述第三指定密度预测模型包括多层神经网络层；
S11、判断所述第三输出结果是否为普通人密度不均匀；
S12、若所述第三输出结果为普通人密度不均匀，则获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入；
S13、将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有服务资源充裕度等级的区块的电子地图；
S14、判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值；
S15、若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
本申请通过特别的设计，实现了基于大数据采集的服务资源信息预测。其中无需主动填报的设计基于三个服务子网而逐次实现。具体地，发明人发现，服务资源具有其特殊性，即使某个地区的人口数量极多，但只要未超出当地服务资源的容忍极限（这与服务人员的数量，专业程度，服务区机构数量，硬件设施等相关），则该地区的服务资源仍是较充足的，该地区的人的服务资源充裕状态相对而言为充裕的。反之，即使某个地区的人口极少，但已超出当地服务资源的容忍极限，则该地区的服务资源不足，该地区的人的服务资源充裕状态相对而言为不充裕的（因为对于该地区中的所有人而言，是存在突然需要服务如突发疾病等情况，此时则可能无法得到有效的资源服务，故从整体而言，无需确认具体个体，也将整体的地区的服务资源视为不充裕的）。据此，本申请设计了三个服务子网，并在三个服务子网的基础上结合三个递进的密度预测模型，并进一步地结合区块划分模型，以确定整体层面的服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测。
如上述步骤S1-S3所述，获取服务机构局域网信息、工作人员终端信息和普通人终端信息；根据所述服务机构局域网信息，在预设的电子地图上生成第一服务子网；将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层。其中，服务机构局域网信息可包括任意可行信息，例如包括服务机构定位信息、机构中的服务窗口数量信息、机构中服务人员数量信息等，从而在预设的电子地图上生成的第一服务子网，能够反应出服务机构对于该地区的服务支持能力。其中，工作人员终端信息可包括任意可行信息，例如包括员工拥用终端的定位信息、员工的业务能力水平等。普通人（指除员工之外的其他人）终端信息可包括任意可行信息，例如包括普通人拥用终端的定位信息、普通人的年龄、性别等。再将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果。需要注意的是，第一服务子网不是简单的服务机构定位位置的连网，其由于考虑到服务机构局域网信息，因此还反应了不同服务机构的服务能力，其在第一服务子网反应为网络线条的粗细、结点（服务机构的定位位置）的大小。从而，所述第一输出结果，考虑的不是服务机构在地图上是否分布均匀，而考虑的是服务机构的实际服务能力在地图上是否分布均匀。其中，所述第一密度预测模型可基于任意可行模型训练而成，例如基于神经网络训练而成。进一步地，所述第一密度预测模型的获取方法例如为,获取指定数量的样本数据，并将样本数据划分为训练数据和验证数据，所述样本数据由训练用服务子网和对训练用服务子网进行人工标注的服务密度标签构成；调取预设的神经网络模型，并利用训练数据以有监督学习的方式对神经网络模型进行训练，以得到第一暂时模型；利用所述验证数据对所述第一暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；若验证结果为验证通过，则将所述第一暂时模型记为第一密度预测模型。
如上述步骤S4-S7所述，判断所述第一输出结果是否为服务资源密度均匀；若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；根据所述后备员工终端信息，在预设的电子地图上生成第二服务子网；根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层。若所述第一输出结果为服务资源密度均匀，此时认定总的服务资源对于整体的服务资源充裕状态的控制充分，因此可将整个电子地图中所有人员的服务资源充裕状态设置为充裕。若所述第一输出结果为服务资源密度不均匀，则很可能出现部分区域服务能力不足，易出现服务资源充裕状态明显下滑的现状。因此，本申请从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；根据所述后备员工终端信息，在预设的电子地图上生成第二服务子网；根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果。需要注意的是，传统的服务资源预测方法是完全以服务机构为基础来分析的，而本申请将未处于服务机构中的员工纳入考虑范围，提高了整体的分析准确性。其中，第二服务子网是根据所述后备员工终端信息而生成的，而所述后备员工终端信息不仅包括了定位信息，还包括了后备员工的服务能力，因此第二服务子网是后备员工的服务能力的体现。需要注意的是，本申请的所述第二指定密度预测模型是特殊模型，是在所述第一密度预测模型的基础上进行递进训练得到。所述第二指定密度预测模型的获取方法，例如为，复制所述第一密度预测模型，以得到第二初始模型；在所述第二初始模型的第一层神经网络层结构前增加预转换层，以得到第二中间模型，所述预转换层用于将所述第二服务子网对于服务资源密度的影响数据转换为以第一服务子网对于服务资源密度的影响数据；选取与所述第一服务子网的形状匹配的指定图案，再根据预设的图案与训练集的对应关系，获取与所述指定图案对应的指定训练集；其中训练集中的数据由训练用后备员工终端信息形成的服务子网及相应的人工标注的服务密度标签构成；利用所述指定训练集，对第二中间模型采用有监督学习的方式进行训练，从而得到所述第二指定密度预测模型。从而可知，本申请采用的递进训练的特殊的第二指定密度预测模型，在模型结构和训练数据上均在第一密度预测模型的基础上递进处理得到，因此其便捷性与准确性都得到了提高。需要注意的是，递进训练得到的第二指定密度预测模型对所述第二服务子网进行处理，得到的第二输出结果，是对服务资源密度的修正，是对数据处理结果的补强。
如上述步骤S8-S10所述，判断所述第二输出结果是否为服务资源密度均匀；若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三服务子网输入第三指定密度预测模型中进行处理，从而得到第三输出结果；其中所述第三指定密度预测模型在所述第二指定密度预测模型的基础上进行递进训练得到；所述第三指定密度预测模型包括多层神经网络层。若所述第二输出结果为服务资源密度均匀，则此时认定总的服务资源对于整体的服务资源充裕状态的控制充分，因此可将整个电子地图中所有人员的服务资源充裕状态设置为充裕。整体服务资源充裕状态是服务资源与普通人资源共同作用的结果，因此纵使服务资源密度不均匀，但同样的人口密度同样不均匀，且正好能与服务资源的分布匹配上，那么整体服务资源充裕状态仍是合格的。因此，若所述第二输出结果为服务资源密度不均匀，则本申请将普通人纳入考虑范围，即根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三服务子网输入第三指定密度预测模型中进行处理，从而得到第三输出结果。进一步地，所述第三指定密度预测模型采用无监督学习的方式进行训练得到，此时，所述第一密度预测模型和所述第二指定密度预测模型均采用有监督学习的方式进行训练得到，从而使第三指定密度预测模型能够采用无监督学习的方式实现。
进一步地，所述第二模型数据库中的所有模型分别对应不同的图案，所述根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型的步骤，包括：S701、从所述第一服务子网中选取n个特征点，并相对于电子地图原点生成对应于n个特征点的n个子向量，并将所述n个子向量组成第一集合向量[X1,Y1,X2,Y2,…,Xn,Yn]；其中Xn,Yn分别为第n个子向量的分向量数值；从所述第二模型数据库中任选一个第二暂定模型，根据预设的模型与图案的对应关系，获取与所述第二暂定模型对应的第二暂定图案，再将所述第二暂定图案映射至电子地图中，并从所述第二暂定图案中选取n个特征点，并相对于电子地图原点生成对应于所述第二暂定图案中的n个特征点的n个子向量[P1,T1]、[P2,T2]、…、[Pn,Tn]，并生成第二集合向量[P1,T1,P2,T2,…,Pn,Tn]；根据公式：
如上述步骤S11-S15所述，判断所述第三输出结果是否为普通人密度不均匀；若所述第三输出结果为普通人密度不均匀，则获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入；将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有服务资源充裕度等级的区块的电子地图；判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值；若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。其中，普通人密度并非单纯指普通人位置的分布状态，而是考虑了普通人终端信息（这是由第三指定密度预测模型的输入决定的）、服务资源分布情况（这是由于第三指定密度预测模型是在所述第二指定密度预测模型的基础上进行递进训练得到决定的）的密度分布。因此，若所述第三输出结果为普通人密度均匀，此时认定总的服务资源对于整体的服务资源充裕状态的控制充分，因此可将整个电子地图中所有人员的服务资源充裕状态设置为充裕。若所述第三输出结果为普通人密度不均匀，表明很可能存在局部服务资源紧缺的情况。由于所述第一密度预测模型、所述第二指定密度预测模型和所述第三指定密度预测模型的最后一层网络层，均是全连接层等用于直接映射分类的层（例如采用分类函数），因此最后一层的输出信息损失过多，不适宜作用后续分析的基础，因此本申请获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入（这些输入，例如以向量或者矩阵的形式存在），以保证信息的完整性。将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有服务资源充裕度等级的区块的电子地图。其中，所述区块划分模型可为任意可行模型，例如为卷积神经网络模型。若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则所有区块的服务资源均是充足的，据此将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。进一步地，所述判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值的步骤之后，包括：若电子地图中的所有区块的服务资源充裕度等级不均大于预设的等级阈值，则向低等级的区块中的普通人终端发送服务资源信息获取要求；其中，所述低等级的区块指电子地图中服务资源充裕度等级不大于所述等级阈值的区块；接收所述低等级的区块中的普通人终端发送的服务资源信息，并绘制在电子地图上，同时电子地图上除所述低等级的区块之外的其他区块默认为服务资源充裕状态。从而实现仅需要部分人填报服务资源充裕状态即可，从而提高了整体效率。
本申请的基于大数据采集的服务资源信息预测方法，获取服务机构局域网信息、工作人员终端信息和普通人终端信息；在预设的电子地图上生成第一服务子网；得到第一输出结果；若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；生成第二服务子网；得到第二输出结果；若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；得到第二输出结果；若所述第三输出结果为普通人密度不均匀，则将第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到具有服务资源充裕度等级的区块的电子地图；若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
本申请通过利用三个服务子网，并在三个服务子网的基础上结合三个递进的密度预测模型，并进一步地结合区块划分模型，以确定整体层面的服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测。相对于传统的服务资源预测方案，本申请的方案无需用户主动申报，效率较高，且预测结果准确。
在一个具体的实施例中，本申请的技术方案可以应用于医疗领域中，实现一种基于大数据采集的健康信息管理方法，包括步骤：获取医疗机构局域网信息、行医终端信息和普通人终端信息；根据所述医疗机构局域网信息，在预设的电子地图上生成第一医疗子网；将所述第一医疗子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层；判断所述第一输出结果是否为医疗资源密度均匀；若所述第一输出结果为医疗资源密度不均匀，则从所述医疗机构局域网信息中获取在职医生终端信息，并将所述行医终端信息排除所述在职医生终端信息后得到后备医生终端信息；根据所述后备医生终端信息，在预设的电子地图上生成第二医疗子网；根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二医疗子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层；判断所述第二输出结果是否为医疗资源密度均匀；若所述第二输出结果为医疗资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三医疗子网；根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三医疗子网输入第三指定密度预测模型中进行处理，从而得到第三输出结果；其中所述第三指定密度预测模型在所述第二指定密度预测模型的基础上进行递进训练得到；所述第三指定密度预测模型包括多层神经网络层；判断所述第三输出结果是否为普通人密度不均匀；若所述第三输出结果为普通人密度不均匀，则获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入；将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有健康等级的区块的电子地图；判断电子地图中的所有区块的健康等级是否均大于预设的等级阈值；若电子地图中的所有区块的健康等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为健康状态，从而实现基于大数据采集的健康信息管理过程。更具体地，其中，医疗机构局域网信息可包括任意可行信息，例如包括医院定位信息，医院中药品存量信息，医院中患者信息，医院中医护人员数量信息等，从而在预设的电子地图上生成的第一医疗子网，能够反应出医疗机构对于该地区的健康支持能力。所述医疗机构局域网可由不同级别的医院和诊所构成，还可以包括具有一定医疗能力的药店等。其中，行医终端信息可包括任意可行信息，例如包括医生拥用终端的定位信息、医生的业务能力水平等。普通人（指除医生之外的其他人，例如患者与未患病的人）终端信息可包括任意可行信息，例如包括普通人拥用终端的定位信息、普通人的年龄、性别等。再将所述第一医疗子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果。需要注意的是，第一医疗子网不是简单的医疗机构定位位置的连网，其由于考虑到医疗机构局域网信息，因此还反应了不同医疗机构的治疗能力，其在第一医疗子网反应为网络线条的粗细、结点（医疗机构的定位位置）的大小。从而，所述第一输出结果，考虑的不是医疗机构在地图上是否分布均匀，而考虑的是医疗机构的实际医疗能力在地图上是否分布均匀。其中，所述第一密度预测模型可基于任意可行模型训练而成，例如基于神经网络训练而成。进一步地，所述第一密度预测模型的获取方法例如为,获取指定数量的样本数据，并将样本数据划分为训练数据和验证数据，所述样本数据由训练用医疗子网和对训练用医疗子网进行人工标注的医疗密度标签构成；调取预设的神经网络模型，并利用训练数据以有监督学习的方式对神经网络模型进行训练，以得到第一暂时模型；利用所述验证数据对所述第一暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；若验证结果为验证通过，则将所述第一暂时模型记为第一密度预测模型。若所述第一输出结果为医疗资源密度均匀，此时认定总的医疗资源对于整体的健康状态的控制充分，因此可将整个电子地图中所有人员的健康状态设置为健康。若所述第一输出结果为医疗资源密度不均匀，则很可能出现部分区域医疗能力不足，易出现健康状态明显下滑的现状。因此，本申请从所述医疗机构局域网信息中获取在职医生终端信息，并将所述行医终端信息排除所述在职医生终端信息后得到后备医生终端信息；根据所述后备医生终端信息，在预设的电子地图上生成第二医疗子网；根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二医疗子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果。需要注意的是，传统的健康管理方法是完全以医疗机构为基础来分析的，而本申请将未处于医疗机构中的医生纳入考虑范围，提高了整体的分析准确性。其中，第二医疗子网是根据所述后备医生终端信息而生成的，而所述后备医生终端信息不仅包括了定位信息，还包括了后备医生的医疗能力，因此第二医疗子网是后备医生的医疗能力的体现。需要注意的是，本申请的所述第二指定密度预测模型是特殊模型，是在所述第一密度预测模型的基础上进行递进训练得到。所述第二指定密度预测模型的获取方法，例如为，复制所述第一密度预测模型，以得到第二初始模型；在所述第二初始模型的第一层神经网络层结构前增加预转换层，以得到第二中间模型，所述预转换层用于将所述第二医疗子网对于医疗资源密度的影响数据转换为以第一医疗子网对于医疗资源密度的影响数据；选取与所述第一医疗子网的形状匹配的指定图案，再根据预设的图案与训练集的对应关系，获取与所述指定图案对应的指定训练集；其中训练集中的数据由训练用后备医生终端信息形成的医疗子网及相应的人工标注的医疗密度标签构成；利用所述指定训练集，对第二中间模型采用有监督学习的方式进行训练，从而得到所述第二指定密度预测模型。从而可知，本申请采用的递进训练的特殊的第二指定密度预测模型，在模型结构和训练数据上均在第一密度预测模型的基础上递进处理得到，因此其便捷性与准确性都得到了提高。需要注意的是，递进训练得到的第二指定密度预测模型对所述第二医疗子网进行处理，得到的第二输出结果，是对医疗资源密度的修正，是对数据处理结果的补强。若所述第二输出结果为医疗资源密度均匀，则此时认定总的医疗资源对于整体的健康状态的控制充分，因此可将整个电子地图中所有人员的健康状态设置为健康。整体健康状态是医疗资源与普通人资源共同作用的结果，因此纵使医疗资源密度不均匀，但同样的人口密度同样不均匀，且正好能与医疗资源的分布匹配上，那么整体健康状态仍是合格的。因此，若所述第二输出结果为医疗资源密度不均匀，则本申请将普通人纳入考虑范围，即根据所述普通人终端信息，在预设的电子地图上生成第三医疗子网；根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三医疗子网输入第三指定密度预测模型中进行处理，从而得到第二输出结果。进一步地，所述第三指定密度预测模型采用无监督学习的方式进行训练得到，此时，所述第一密度预测模型和所述第二指定密度预测模型均采用有监督学习的方式进行训练得到，从而使第三指定密度预测模型能够采用无监督学习的方式实现。其中，普通人密度并非单纯指普通人位置的分布状态，而是考虑了普通人终端信息（这是由第三指定密度预测模型的输入决定的）、医疗资源分布情况（这是由于第三指定密度预测模型是在所述第二指定密度预测模型的基础上进行递进训练得到决定的）的密度分布。因此，若所述第三输出结果为普通人密度均匀，此时认定总的医疗资源对于整体的健康状态的控制充分，因此可将整个电子地图中所有人员的健康状态设置为健康。若所述第三输出结果为普通人密度不均匀，表明很可能存在局部医疗资源紧缺的情况。由于所述第一密度预测模型、所述第二指定密度预测模型和所述第三指定密度预测模型的最后一层网络层，均是全连接层等用于直接映射分类的层（例如采用分类函数），因此最后一层的输出信息损失过多，不适宜作用后续分析的基础，因此本申请获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入（这些输入，例如以向量或者矩阵的形式存在），以保证信息的完整性。将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有健康等级的区块的电子地图。其中，所述区块划分模型可为任意可行模型，例如为卷积神经网络模型。若电子地图中的所有区块的健康等级均大于预设的等级阈值，则所有区块的医疗资源均是充足的，据此将电子地图中的所有区块均自动标识为健康状态，从而实现基于大数据采集的健康信息管理过程。进一步地，所述判断电子地图中的所有区块的健康等级是否均大于预设的等级阈值的步骤之后，包括：若电子地图中的所有区块的健康等级不均大于预设的等级阈值，则向低等级的区块中的普通人终端发送健康信息获取要求；其中，所述低等级的区块指电子地图中健康等级不大于所述等级阈值的区块；接收所述低等级的区块中的普通人终端发送的健康信息，并绘制在电子地图上，同时电子地图上除所述低等级的区块之外的其他区块默认为健康状态。从而实现仅需要部分人填报健康状态即可，从而提高了整体效率。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于大数据采集的服务资源信息预测方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于大数据采集的服务资源信息预测方法。
上述处理器执行上述基于大数据采集的服务资源信息预测方法，其中所述方法包括的步骤分别与执行前述实施方式的基于大数据采集的服务资源信息预测方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，获取服务机构局域网信息、工作人员终端信息和普通人终端信息；在预设的电子地图上生成第一服务子网；得到第一输出结果；若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；生成第二服务子网；得到第二输出结果；若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；得到第二输出结果；若所述第三输出结果为普通人密度不均匀，则将第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到具有服务资源充裕度等级的区块的电子地图；若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于大数据采集的服务资源信息预测方法，其中所述方法包括的步骤分别与执行前述实施方式的基于大数据采集的服务资源信息预测方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，获取服务机构局域网信息、工作人员终端信息和普通人终端信息；在预设的电子地图上生成第一服务子网；得到第一输出结果；若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；生成第二服务子网；得到第二输出结果；若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；得到第二输出结果；若所述第三输出结果为普通人密度不均匀，则将第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到具有服务资源充裕度等级的区块的电子地图；若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于大数据采集的服务资源信息预测方法，其特征在于，包括：
S1、获取服务机构局域网信息、工作人员终端信息和普通人终端信息；
S2、根据所述服务机构局域网信息，在预设的电子地图上生成第一服务子网；
S3、将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层；
S4、判断所述第一输出结果是否为服务资源密度均匀；
S5、若所述第一输出结果为服务资源密度不均匀，则从所述服务机构局域网信息中获取在职员工终端信息，并将所述工作人员终端信息排除所述在职员工终端信息后得到后备员工终端信息；
S6、根据所述后备员工终端信息，在预设的电子地图上生成第二服务子网；
S7、根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层；
S8、判断所述第二输出结果是否为服务资源密度均匀；
S9、若所述第二输出结果为服务资源密度不均匀，则根据所述普通人终端信息，在预设的电子地图上生成第三服务子网；
S10、根据预设的模型提取方法，从预设的第三模型数据库中提取出第三指定密度预测模型，并将所述第三服务子网输入第三指定密度预测模型中进行处理，从而得到第三输出结果；其中所述第三指定密度预测模型在所述第二指定密度预测模型的基础上进行递进训练得到；所述第三指定密度预测模型包括多层神经网络层；
S11、判断所述第三输出结果是否为普通人密度不均匀；
S12、若所述第三输出结果为普通人密度不均匀，则获取所述第一密度预测模型的最后一层神经网络层结构的第一输入，以及获取所述第二指定密度预测模型的最后一层神经网络层结构的第二输入，以及获取所述第三指定密度预测模型的最后一层神经网络层结构的第三输入；
S13、将所述第一输入、第二输入和第三输入输入预设的区块划分模型中，从而得到所述区块划分模型输出的具有服务资源充裕度等级的区块的电子地图；
S14、判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值；
S15、若电子地图中的所有区块的服务资源充裕度等级均大于预设的等级阈值，则将电子地图中的所有区块均自动标识为服务资源充裕状态，从而实现基于大数据采集的服务资源信息预测过程。
2.根据权利要求1所述的基于大数据采集的服务资源信息预测方法，其特征在于，所述将所述第一服务子网输入预设的第一密度预测模型中进行处理，从而得到第一输出结果；其中所述第一密度预测模型包括多层神经网络层的步骤S3之前，包括：
S21、获取指定数量的样本数据，并将样本数据划分为训练数据和验证数据，所述样本数据由训练用服务子网和对训练用服务子网进行人工标注的服务密度标签构成；
S22、调取预设的神经网络模型，并利用训练数据以有监督学习的方式对神经网络模型进行训练，以得到第一暂时模型；
S23、利用所述验证数据对所述第一暂时模型进行验证，以得到验证结果，并判断验证结果是否为验证通过；
S24、若验证结果为验证通过，则将所述第一暂时模型记为第一密度预测模型。
3.根据权利要求1所述的基于大数据采集的服务资源信息预测方法，其特征在于，所述根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型，并将所述第二服务子网输入第二指定密度预测模型中进行处理，从而得到第二输出结果；其中所述第二指定密度预测模型在所述第一密度预测模型的基础上进行递进训练得到；所述第二指定密度预测模型包括多层神经网络层的步骤S7之前，包括：
S61、复制所述第一密度预测模型，以得到第二初始模型；
S62、在所述第二初始模型的第一层神经网络层结构前增加预转换层，以得到第二中间模型，所述预转换层用于将所述第二服务子网对于服务资源密度的影响数据转换为以第一服务子网对于服务资源密度的影响数据；
S63、选取与所述第一服务子网的形状匹配的指定图案，再根据预设的图案与训练集的对应关系，获取与所述指定图案对应的指定训练集；其中训练集中的数据由训练用后备员工终端信息形成的服务子网及相应的人工标注的服务密度标签构成；
S64、利用所述指定训练集，对第二中间模型采用有监督学习的方式进行训练，从而得到所述第二指定密度预测模型。
4.根据权利要求3所述的基于大数据采集的服务资源信息预测方法，其特征在于，所述第三指定密度预测模型采用无监督学习的方式进行训练得到。
5.根据权利要求1所述的基于大数据采集的服务资源信息预测方法，其特征在于，所述第二模型数据库中的所有模型分别对应不同的图案，所述根据预设的模型提取方法，从预设的第二模型数据库中提取出第二指定密度预测模型的步骤S7，包括：
S701、从所述第一服务子网中选取n个特征点，并相对于电子地图原点生成对应于n个特征点的n个子向量，并将所述n个子向量组成第一集合向量[X1,Y1,X2,Y2,…,Xn,Yn]；其中Xn,Yn分别为第n个子向量的分向量数值；
S702、从所述第二模型数据库中任选一个第二暂定模型，根据预设的模型与图案的对应关系，获取与所述第二暂定模型对应的第二暂定图案，再将所述第二暂定图案映射至电子地图中，并从所述第二暂定图案中选取n个特征点，并相对于电子地图原点生成对应于所述第二暂定图案中的n个特征点的n个子向量[P1,T1]、[P2,T2]、…、[Pn,Tn]，并生成第二集合向量[P1,T1,P2,T2,…,Pn,Tn]；
S703、根据公式：
S704、判断所述匹配程度值G是否大于预设的匹配程度阈值；
S705、若所述匹配程度值G大于预设的匹配程度阈值，则将所述第二暂定模型记为第二指定密度预测模型，并从预设的第二模型数据库中提取出第二指定密度预测模型。
6.根据权利要求1所述的基于大数据采集的服务资源信息预测方法，其特征在于，所述判断电子地图中的所有区块的服务资源充裕度等级是否均大于预设的等级阈值的步骤S14之后，包括：
S141、若电子地图中的所有区块的服务资源充裕度等级不均大于预设的等级阈值，则向低等级的区块中的普通人终端发送服务资源信息获取要求；其中，所述低等级的区块指电子地图中服务资源充裕度等级不大于所述等级阈值的区块；
S142、接收所述低等级的区块中的普通人终端发送的服务资源信息，并绘制在电子地图上，同时电子地图上除所述低等级的区块之外的其他区块默认为服务资源充裕状态。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638605.9A CN111523740B (zh) | 2020-07-06 | 2020-07-06 | 基于大数据采集的服务资源信息预测方法和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638605.9A CN111523740B (zh) | 2020-07-06 | 2020-07-06 | 基于大数据采集的服务资源信息预测方法和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523740A true CN111523740A (zh) | 2020-08-11 |
| CN111523740B CN111523740B (zh) | 2020-10-09 |
Family
ID=71911963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010638605.9A Active CN111523740B (zh) | 2020-07-06 | 2020-07-06 | 基于大数据采集的服务资源信息预测方法和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523740B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
| US20170026888A1 (en) * | 2015-07-24 | 2017-01-26 | Cisco Technology, Inc. | System and method to facilitate radio access point load prediction in a network environment |
| CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
| CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
| US20190303866A1 (en) * | 2018-03-29 | 2019-10-03 | Bluesignal Corporation | Method of providing information about logistics delivery route by using future traffic information and server for performing the same |
| CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
| CN110888952A (zh) * | 2019-11-11 | 2020-03-17 | 广西财经学院 | 一种基于gis技术的景区大数据运营管理平台 |
-
2020
- 2020-07-06 CN CN202010638605.9A patent/CN111523740B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
| US20170026888A1 (en) * | 2015-07-24 | 2017-01-26 | Cisco Technology, Inc. | System and method to facilitate radio access point load prediction in a network environment |
| CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
| US20190303866A1 (en) * | 2018-03-29 | 2019-10-03 | Bluesignal Corporation | Method of providing information about logistics delivery route by using future traffic information and server for performing the same |
| CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
| CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
| CN110888952A (zh) * | 2019-11-11 | 2020-03-17 | 广西财经学院 | 一种基于gis技术的景区大数据运营管理平台 |
Non-Patent Citations (1)
| Title |
|---|
| 姚娜等: "大数据时代的数据挖掘技术与应用分析", 《数据库与信息管理》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523740B (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108766545B (zh) | 在线问诊科室分配方法、装置、计算机设备和存储介质 | |
| CN112016279B (zh) | 电子病历结构化方法、装置、计算机设备和存储介质 | |
| CN111797629B (zh) | 医疗文本数据的处理方法、装置、计算机设备和存储介质 | |
| CN113689943B (zh) | 基于人工智能的就诊医院推荐方法、装置、设备及介质 | |
| CN112287068B (zh) | 基于人工智能的问诊对话数据处理方法及装置 | |
| CN111506723A (zh) | 问答响应方法、装置、设备及存储介质 | |
| CN112017789A (zh) | 分诊数据处理方法、装置、设备及介质 | |
| CN111831908A (zh) | 医疗领域知识图谱构建方法、装置、设备及存储介质 | |
| CN111506710B (zh) | 基于谣言预测模型的信息发送方法、装置和计算机设备 | |
| CN112036647A (zh) | 基于人工智能的简历信息处理方法、装置、设备及介质 | |
| CN111813946A (zh) | 医疗信息反馈方法、装置、设备及可读存储介质 | |
| CN115905538A (zh) | 基于知识图谱的事件多标签分类方法、装置、设备及介质 | |
| CN113707304B (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
| EP3754550A1 (en) | Method for providing an aggregate algorithm for processing medical data and method for processing medical data | |
| CN111523740B (zh) | 基于大数据采集的服务资源信息预测方法和计算机设备 | |
| CN113921122A (zh) | 基于智慧医疗的医护资源分配系统 | |
| CN114692785B (zh) | 行为分类方法、装置、设备及存储介质 | |
| CN113947185B (zh) | 任务处理网络生成、任务处理方法、装置、电子设备及存储介质 | |
| CN113177396B (zh) | 报表生成方法、装置、计算机设备和存储介质 | |
| CN112966787B (zh) | 相似患者的识别方法、装置、计算机设备和存储介质 | |
| Vivekanandan et al. | Evaluation and selection of rain gauge network using entropy | |
| EP4009220A1 (en) | Method and apparatus for decentralized supervised learning in nlp applications | |
| CN111354449A (zh) | 长期护理策略分配方法、装置、计算机设备和存储介质 | |
| CN113569837A (zh) | 保险产品的投保风险识别方法、装置、设备及存储介质 | |
| US20240054323A1 (en) | Machine learning for individual moral decision-making |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |