CN112655007A

CN112655007A - 监测预定区域中的可移动实体

Info

Publication number: CN112655007A
Application number: CN201980058402.8A
Authority: CN
Inventors: 张铭; S·查特吉
Original assignee: Koninklijke Philips NV
Current assignee: Koninklijke Philips NV
Priority date: 2018-09-06
Filing date: 2019-09-06
Publication date: 2021-04-13
Also published as: US20210264316A1; EP3621002A1; EP3847595A1; WO2020049141A1

Abstract

一种使计算机能够使用实时位置信息来确定预定区域的占用原因的方法和系统。处理实时位置信息以确定预定区域的多个区中的每个区的占用信息。使用机器学习模型来处理(组合的)占用信息，以预测预定区域的预定区的占用原因。

Description

监测预定区域中的可移动实体

技术领域

本发明涉及监测可移动实体的领域，并且尤其涉及确定预定区域的占用原因的领域。

背景技术

在医学领域中，越来越期望跟踪和/或监测为什么占用预定区域(例如医院或诊所)的不同区的原因。该信息对于优化医院工作流程和识别潜在低效操作实践是重要的。

识别区域占用原因的一种已知方法是让专门的观察者监测区域，例如亲自或者使用CCTV，并且识别该区域内所发生的事件。可以将所识别的事件视为该区域的不同区被占用的原因。这种方法是公开并且侵入性的，以及需要额外的开销(例如工作人员和/或设备的实质性额外成员)，因此成本很高。

另一已知的方法是要求该区域的工作人员和/或其他用户来记录他们占用该区域的一个或多个区的原因。然而，这样的方法是不准确的，例如由于不遵守或遗忘，给预定区域的用户增加了显著的负担。

显然，因此将期望一种确定预定区域的占用原因的自动化且低成本的方法。

发明内容

本发明由权利要求书限定。

根据依照本发明的一个方面的示例，提供了一种监测预定区域内的可移动实体的计算机实施的方法。所述方法包括：获得识别可移动实体在所述预定区域内的当前位置的实时位置RTL信息流；处理所述实时位置信息流以生成所述预定区域的多个预定区中的每个预定区的占用信息；并且使用机器学习模型来处理所述占用信息，从而确定一个或多个占用原因(29)，每个占用原因指示在一个或多个预定区内的预定事件的发生，其中，所述机器学习模型定义占用信息与占用原因之间的关系。。

本发明认识到可移动实体的位置与由可移动实体所占用的区内的事件的发生之间存在关系。换句话说，已经认识到可以通过监测可移动实体关于预定区域的位置来导出在预定区域(由区形成)中预定事件的发生。

提出的实施例提供了用于使得能够在可移动实体的实时位置和与可移动实体相关联的预定事件之间进行映射的方法。有利地，这提供了用于识别预定区域的占用原因的新的输入方法，该占用原因是在预定区域内发生预定事件。

特别地，本发明认识到，预定区域的区的占用信息可以用于识别或预测一个或多个区的预定事件的发生(即，一个事件解释为什么一个或多个特定区被一个或多个可移动实体占用)。

特别地，所提出的方法使用可移动实体的实时位置来导出多个预定区中的每个预定区的占用信息。然后，使用机器学习模型来处理该占用信息，以识别多个区的占用原因。

以此方式，将机器学习模型应用于多个区的占用信息，以预测预定区域的一个或多个占用原因。因此，机器学习模型可以将多个区的占用信息映射到占用原因。有利地已经认识到，可以训练机器学习模型以将多个区的占用信息与一个或多个区内发生的预定事件相关。

如本文所使用的，“占用原因”是指示在一个或多个区内(由可移动实体占用的区)发生事件的数据或信息，例如建立识别事件，该识别事件需要特定的可移动实体的出席或特别是导致可移动实体的移动。因此，占用原因可以是导致一个或多个特定区被可移动实体占用的预定事件的实例的发生。因此，占用原因提供了一个或多个区被占用的原因，即占用一个或多个区的目的。

在特定实施例中，占用原因可以指示在特定或单个区内发生的事件的发生。换句话说，确定一个或多个占用原因的步骤可以包括识别在特定(单个)区内发生的预定事件的发生。这提供了关于事件发生的更精确、特定和相关的信息。

本发明提供了一种识别一个或多个预定区内预定事件(或多个预定事件)的发生的方法。这使得能够发生(不)正确或(非)预期事件序列(例如，通过将识别的事件与时间表进行比较)。不正确事件的发生能够指示操作流程不正确。在临床环境中，这可以用于警告不正确的医学流程的发生，这将显著影响对象的健康。在制造环境中，这可以用于检测不正确或未安排制造步骤的发生，不正确或未安排制造步骤将导致制造不正确的产品。

换句话说，检测预定事件的发生可以例如用于防止不正确事件在临床环境中(例如不正确或不必要的手术)损害患者或在制造环境中不期望的处理步骤(例如不正确的涂覆、切割或金属压印流程)。因此，存在一种技术动机来提供和改进对一个或多个区内的预定事件的识别。

类似地，所提出的方法还可以确保确实发生期望的事件，例如，以确保在手术事件之前执行适当的卫生流程(例如，清洁事件)或确保正确的资源(例如，人员或装备)在手术流程的下一阶段(即下一事件)之前可用。

此处可移动实体包括患者、临床医师、医疗保健专业人员、(医学)装备(例如床、除颤器、通气机或麻醉设备)等。通常，可移动实体是临床相关的可移动实体。因此，可移动实体可以包括可移动(非人类)资产和/或个人/个体。因此，“可移动实体”可以备选地标记为“可移动资产”。

因此，本发明的一些实施例提供了一种数据处理架构，其允许计算机适于使用实时位置信息来识别预定区域的占用原因。换句话说，提出的实施例使得能够自动监测预定区域的占用原因。

当与常规方式(例如采访或观察者)相比时，这使得能够以低成本、可持续、长期、不引人注目、准确且私密的方式确定占用原因，例如如稍后描述的“协作事件”的发生。

优选地，占用信息包括非二进制信息。特别地，除了仅指示区是否被占用之外，占用信息还可以提供额外信息。已经认识到，实时位置(RTL)信息可以用于创建具有比简单二进制指示符更大的粒度的信息。非二进制信息从而可以提供更多的背景信息，其帮助改进对占用原因的确定。此后将提供用于占用信息的合适的非二进制信息的一些示例。

该计算机实施的方法可以调整，其中：所述占用信息指示所述预定区域的所述多个预定区中的每个预定区中的可移动实体的数量；并且所述机器学习模型定义每个预定区内的可移动实体的数量与占用原因之间的关系。

实施例认识到每个区域内的可移动实体的数量可以定义一个或多个区被占用的原因。因此，机器学习模型可以适于将每个区中的占用者的数量映射到一个或多个区内发生的事件。有利地，这使得能够识别预定事件。

在一些实施例中，该计算机实施的方法包括确定每个至少一个可移动实体的一个或多个角色，其中：所述占用信息指示所述预定区域的所述多个预定区中的每个预定区中的每个可移动实体的所述一个或多个角色；并且所述机器学习模型定义每个预定区中的每个可移动实体的所述一个或多个角色与占用原因之间的关系。

优选地，针对可移动实体存在至少两种不同的可能类型的角色或标签，更优选地，至少三种不同的可能类型，并且甚至更优选地至少五种不同的可能类型。可能的类型越多，占用信息的粒度就越大，并且因此确定的占用原因的准确性就越大。

可移动实体的角色(例如，可移动实体的身份或能力)可以用于帮助确定区由所述可移动实体占用的原因。所提出的实施例认识到可移动实体的角色或能力定义了那些实体占用特定区的可能原因。

通过示例，可以从由实时定位系统(RTLS)提供的实时定位信息中获得占用信息。RTLS可以适于确定可移动实体的位置和可移动实体的角色两者(例如，通过跟踪具有已知角色的可移动实体的位置)。

因此，实施例提供了一种用于基于预定区域中的一个或多个可移动实体的角色和区位置来评估占用原因的技术。

在更优选的实施例中，该计算机实施的方法包括确定每个至少一个可移动实体的一个或多个角色，其中：占用信息指示预定区域的多个预定区中的每个预定区内每个角色的可移动实体的数量。因此，占用信息可以指示每个区中的每个角色(或类型)的可移动实体的总数。占用信息的这种实例(即在单个时间点或一段时间内的平均)可以被标记为占用数据条目。占用数据条目有效地包括在特定时间点处或时间段内的角色和计数的直方图。

优选地，处理所述实时位置信息流的步骤包括生成占用数据条目的序列作为所述占用信息，每个占用数据条目指示在单个时间点在所述预定区域的所述多个预定区中的每个预定区内的可移动实体的数量；其中，每个占用数据条目与比占用数据条目的所述序列中的先前占用数据更晚的单个时间点相关联，使得整个序列指示在时间段内所述多个预定区中的每个预定区内的可移动实体的数量。

占用数据条目的序列从而指示每个可移动实体的(区)位置在一段时间内如何变化。这样的实施例认识到可以通过监测可移动实体如何改变位置(例如以什么速度或通过评估目的地和/或起点)来识别占用原因。

机器学习模型可以相应地适于通过评估可移动实体的(一个或多个)位置如何随时间变化(即移动的顺序)来识别或导出占用原因。

使用占用数据条目的序列(例如，至少一个可移动实体的(一个或多个)位置的快照)提供了一种直观且可机加工的机制，用于确定预定区域(的一个或多个区)的占用原因。

甚至更优选地，每个占用数据条目指示在单个时间点在每个预定区中预定数量的角色中的每个角色的可移动实体的数量。

换句话说，该方法可以包括确定每个至少一个可移动实体的一个或多个角色，其中，生成占用数据条目的所述序列的步骤包括生成占用数据条目的序列，其中，每个占用数据条目指示在单个时间点在所述预定区域的所述多个预定区中的每个预定区内的每个角色的可移动实体的数量。

因此，占用数据条目可以针对预定区中的每个指示在特定时间点占用预定区的多个不同实体角色中的每个的可移动实体的数量。

因此，机器学习模型可以定义占用数据条目的序列与一个或多个占用原因(即一个或多个预定事件)之间的关系。

在一些实施例中，所述占用信息包括占用数据条目的多个序列，并且处理所述占用信息的步骤包括使用机器学习模型来个体地处理占用数据的每个序列，从而确定一个或多个占用原因。

多个序列的使用使得能够增加和/或更详细地确定不同的占用原因，即不同的预定事件。

优选地，所述多个序列形成序列的系列；并且所述系列中的所述序列中的每个序列与开始于比序列的所述系列中的紧接在前序列更晚的时间点的时间段相关联。

因此，可以获得序列或一系列序列，其中，每个序列在时间上与该系列中的所有其他序列移位。这增加了可以确定占用原因的时间段。使用多个序列还提高了可以识别原因的精度。

优选地，每个序列与预定长度的时间段相关联。

任选地，序列的所述系列中的每个序列与时间段相关联，所述时间段与和序列的所述系列中的紧接在前序列相关联的时间段交叠。

通过交叠不同的序列(在一系列序列中)，不太可能忽略或未识别占用原因。这提高了用于确定预定区域的占用原因的方法的准确性。

通过示例，在没有交叠序列的情况下-可以忽略导致跨交叠两个连续序列的时间段的特定区的占用的预定事件。

该方法可以包括，在处理实时位置信息流之后，丢弃实时位置信息流。

由于关于其下落(即实时位置)的特定信息被丢弃，因此这改进了可移动实体的隐私。这也可以帮助提高区域的安全性，因为随后无法将此类信息提供给另外的系统或用户-从而减少了信息的意外泄漏。

优选地，确定一个或多个占用原因包括确定在提供实时位置RTL信息流的时间期间是否发生了一个或多个预定事件。

换句话说，机器学习模型可以适于将占用信息与一个或多个预定事件映射或相关联。即，机器学习模型可以旨在识别占用信息中的一个或多个预定事件的存在或影响。

预定事件的识别对理解预定区域的占用原因重要。特别地，已经认识到，事件(例如，诸如团队会议)可以提供预定区域的区被占用的原因。通过将占用信息映射到一个或多个预定事件，因此可以容易地识别此类原因。

根据依照本发明的另一方面的示例，提供了一种计算机程序，其包括用于在所述程序在计算机上运行时实现任何前述方法的代码模块。

根据依照本发明另一方面的示例，提供了一种用于监测预定区域内的可移动实体的系统。所述系统包括：流接收单元，其适于获得识别可移动实体在所述预定区域内的当前位置的实时位置RTL信息流；处理单元，其适于处理所述实时位置信息流以生成所述预定区域的多个预定区中的每个预定区的占用信息；以及占用原因识别单元，其适于使用机器学习模型来处理所述占用信息，从而确定一个或多个占用原因，每个占用原因指示在一个或多个预定区内的预定事件的发生，其中，所述机器学习模型定义占用信息与占用原因之间的关系。

该系统还可以包括角色确定单元，所述角色确定单元适于确定每个至少一个可移动实体的一个或多个角色，其中：所述占用信息指示所述预定区域的所述多个预定区中的每个预定区中的每个可移动实体的所述一个或多个角色；并且所述机器学习模型定义每个预定区中的每个可移动实体的所述一个或多个角色与占用原因之间的关系。

优选地，所述处理单元适于处理所述实时位置信息流，以生成占用数据条目的序列，每个占用数据条目指示在单个时间点在所述预定区域的所述多个预定区中的每个预定区内的可移动实体的数量。

在一些实施例中，所述系统适用于其中：所述处理单元适于生成占用数据条目的多个序列；并且所述占用原因识别单元适于使用机器学习模型来个体地处理所述多个序列中的占用数据的每个序列，从而确定一个或多个占用原因。

参考下文描述的(一个或多个)实施例，本发明的这些和其他方面将显而易见并且得到阐述。

附图说明

为了更好地理解本发明，并更清楚地示出本发明如何实施，现在将仅通过示例参考附图，其中：

图1图示了适于由根据实施例的方法监测的预定区域；

图2图示了根据实施例的监测预定区域内的可移动实体的方法；

图3图示了用于由机器学习模型进行处理以确定占用原因的占用数据条目的序列；

图4图示了如何将历史序列与预定事件相关联；

图5图示了根据实施例的机器学习模型的结构；并且

图6图示了根据实施例的用于监测预定区域内的可移动实体的系统。

具体实施方式

将参考附图描述本发明。

应当理解，详细说明和特定示例虽然指示了装置、系统和方法的示例性实施例，但是仅旨在用于说明的目的，并不旨在限制本发明的范围。根据以下描述、所附权利要求书和附图将变得更好理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，附图仅是示意性的，而没有按比例绘制。还应当理解，贯穿附图使用相同的附图标记来指示相同或相似的部分。

根据本发明的构思，提出了一种方法和系统，其使计算机能够使用实时位置信息来确定预定区域的占用原因。处理实时位置信息以确定预定区域的多个区中的每个区的占用信息。使用机器学习模型来处理(组合的)占用信息，以预测预定区域的预定区的占用原因。

实施例至少部分基于以下认识：实时位置信息需要被适当地构造以由机器学习模型来处理，并且这样的结构当前不可用。这样一来，通过确定预定区域的区的占用信息，可以为实时位置信息给出结构，从而允许进行占用原因的检测。

例如，可以在医院监测系统中采用说明性实施例，以监测和检测医院内的预定事件的发生。预定事件的检测(或未检测)可以被用于生成警报，该警报指示是否未发生安排的预定事件，从而减少未安排/错误事件和/或丢失安排事件的发生。

在临床环境的背景下描述了本发明。然而，实施例可以扩展到其他环境，例如工业园区、仓库或制造工厂。

图1图示了预定区域1的快照，该预定区域在概念上已经划分为多个预定区11-14。

预定区域1可以例如是临床建筑物(例如医院或诊所)的特定楼层或区域，或者可以表示整个临床建筑物。预定区域的每个区11-14可以表示临床建筑物的不同房间。例如，第一区11可以表示病房11，第二区12可以表示检查室12，第三区13可以表示控制室13，并且第四区14可以表示走廊14。

一个或多个可移动实体5、6、7围绕预定区域分布。如所图示的，可以有超过一种类型的可移动实体5、6、7，其中，每种类型的可移动实体与不同的角色或身份相关联。例如，第一可移动实体5可以是临床环境的护士，第二可移动实体6可以是临床环境的医生，而第三可移动实体7可以是临床环境的伙伴。通过另外的示例，第四可移动实体(未示出)可以是用于患者的通气系统，而第五可移动实体(未示出)可以是除颤器。因此，每个可移动实体可以识别人类实体(例如特定的临床医师)或非人类实体(例如一件医学装备)。

换句话说，每个可移动实体可以与特定角色相关联，该角色对于一个以上可移动实体可能是共有的(例如，可能有多个不同的护士，每个护士都具有相同的“护士”角色)。角色可以定义可移动实体的能力、工作角色、训练水平、资历、经验和/或其他定义特性。对于非人类可移动实体，“角色”可能是可移动实体(例如“床”或“通风设备”)的用途或目的，严重性分类(例如复杂的重症监护装备的“高严重性”或生命体征监测装备的“低”严重性)等等。将清楚，存在至少两种不同的可能角色类型。

例如使用已知的实时定位系统(RTLS)8来跟踪每个可移动实体5、6、7的位置。

实时定位系统8可以适于跟踪每个个体可移动实体5、6、7何时进入或离开预定区域1的预定区11-14。例如，实时定位系统8可以由标签/链带监测设备网络形成，每个位于不同预定区之间的可通过边界(例如，门)处。合适的标签监测设备的一个示例是访问控制标签读取器(其允许或拒绝经由其标签进入可移动实体)。实时定位系统可以适于给出指示何时可移动物体已经进入/离开区的定时信息。

跟踪可移动实体的位置的其他方法是技术人员已知的(例如，监测在何处在一区中签入和签出可移动实体)。还设想了其他实时定位系统，例如可以使用无线信号跟踪实体的位置(即使没有显式标记实体(例如，跟踪移动电话))或者使用闭路电视和图像识别软件来跟踪实体的位置(以及任选地角色)的那些系统。这样的系统仍然能够以规律间隔报告实体的位置(分辨率能够变化)。

实时定位系统(RTLS)8生成实时位置信息流，其可以用于识别每个可移动实体5、6、7在预定区域1内的当前位置。具体地，实时位置信息可能能够识别出可移动实体何时离开/进入预定区(即，可移动实体离开/进入预定区的时间)以及可移动实体5、6、7正在离开/进入多个预定区中的哪个预定区。

实时位置信息流还可能能够指示离开/进入预定区的每个可移动实体5、6、7的类型/角色。例如，可以通过发布带有具有不同身份的标签的不同类型的可移动实体-或通过为每个可移动实体分配具有唯一身份的标签并将角色与每个唯一身份交叉引用(例如，使用数据库)来进行控制。

表1说明了典型的原始RTLS流的摘录。时间戳指示时间点，在该时间点，可移动实体使得它们的位置(例如，退出和/或进入区)已经被指示，标签ID识别可移动实体5、6、7，监测器ID识别检测可移动实体的标签监测设备8。这可以用于检测实体的位置。例如，如果安装在房间A中的监测器(即监测器ID＝“房间A”)从标签X接收到信号(即标签ID＝“X”)，则其指示在相关时间戳处与“标签ID＝X”关联的实体在房间A中。

表格1

按钮按压指示在捕获对象的移动时按压了多个按钮(此处：六个按钮)中的哪个按钮。通常，当按压一个按钮时，对应的按钮将为T。在有6个按钮且按压按钮5的示例中，该字段将为FFFFTF。

标签类型指示标签的类型，例如是否其是跟踪患者(一次性腕带)，跟踪工作人员(徽章形)或跟踪另一个实体(贴纸形)的标签。这可以帮助识别正在监测的实体的类型。换句话说，可以将不同类型的标签分配给不同类型的实体，以便允许跟踪不同的实体类型。

实时位置信息流因此可以指示何时可移动实体5、6、7已经改变位置或已经移动到不同的预定区11-14。

然而，由RTLS提供的典型的实时位置信息流是非结构化的，并且不能由机器学习模型可靠地处理以识别占用原因(其此处指的是在预定区域内的预定事件的发生)。

在下文中描述的方法提供了实时位置信息的结构，从而使得能够通过(第一)机器学习模型来对实时位置信息进行处理，以准确地确定占用原因。

图2图示了监测预定位置1内的可移动实体5、6、7的方法20。

方法20开始于获得识别预定区域内的可移动实体的当前位置的实时位置信息流28的步骤21。步骤21可以包括从实时定位系统8获得实时位置信息流28。

随后，方法20执行处理实时位置信息以生成预定区域1的多个预定区11-14中的每个预定区的占用信息的步骤22。

步骤22可以例如包括生成包含用于多个预定区中的每个预定区的占用信息的占用数据条目。占用数据条目可以指示预定区中的每个的当前占用状态，所述当前占用状态由占用信息提供。

在第一示例中，步骤22包括识别在特定时间点在每个预定区11-14内的可移动实体5、6、7的数量或在一段时间内在每个预定区11-14内的可移动实体5、6、7的平均数量。因此，每个预定区的占用信息可以包括指示该预定区内的可移动实体的数量的单个值，使得占用数据条目包括每个预定区的相应值。

例如，这可以包括处理实时信息流，以监测每个可移动实体在不同区之间的运动，从而在特定的时间点识别每个可移动实体的当前位置。通过范例，可移动实体从第一区到第二区的移动指示该可移动实体位于第二区中。以这种方式，可以识别占用区，并且可以识别占用区内的可移动实体的数量。然后可以将每个预定区中的可移动实体的数量相加并且输出为每个预定区的占用信息。

在第二示例中，步骤22包括确定在特定时间点处在每个预定区11-14中存在什么类型/角色的每个可移动实体5、6、7。这可以再次包括处理所述实时信息流，以监测每个可移动实体在不同区之间的移动，并且监测在每个预定区中存在哪些角色(例如，经由监测可移动实体的身份)。以这种方式，可以识别在每个预定区域中的实体的角色(例如，经由可移动实体的身份)。

因此，可能存在确定每个至少一个可移动实体的一个或多个角色的步骤(未示出)。例如，这可以通过监测预定区域内的可移动实体的身份(例如，标签ID)并且将所述身份交叉引用到适当的角色来执行。在另一个示例中，可以从标签类型来确定可移动实体的角色(例如，是否将不同的标签类型分配给不同类型/角色的可移动实体)。在一些示例中，可以处理可移动实体的身份和标签类型两者(例如，对数据库的交叉引用)，以便建立实体的角色/类型。

以这种方式，占用数据条目可以包括关于每个预定区中的可移动实体的角色的信息。

在第三优选示例中，步骤22包括在每个预定区11-14中识别与多个不同角色/类型中的每个相关联的多个可移动实体5、6、7。

因此，如下表1所图示，步骤22可以包括生成占用数据条目，该占用数据条目指示(针对特定的瞬时或时间点)在每个预定区11-14(表1：“区域”)中预定数量的类型/角色(表1：“实体类型”)中的每一个的可移动实体5、6、7的数量(表1：“数量”)。

表1

特别地，表1指示预定区域1的每个房间11-14中的护士5、医生6和同伴7的数量。因此，在第一预定区11(病房)中只有一个护士5，在第二预定区12(检查室)中有两个护士5和一个医师6，在第三预定区13(控制室)中有一名同伴7，并且在第四预定区14(走廊)中有一名医师6。

因此，在步骤22中获得的占用信息优选地指示在特定时间点在每个预定区11-14中的至少多个可移动实体。甚至更优选地，占用信息指示在每个预定区11-14中的每个已知角色的可移动实体的数量。

因此，可能存在确定每个至少一个可移动实体的一个或多个角色的步骤(未示出)。该信息可用于确定每个预定区中存在每个角色的多少个实体。

因此，占用信息可以在特定时间点针对特定区指示该区内的每种类型/角色的可移动实体的数量。然而，可以获取其他占用信息，例如，指示不同类型/角色的可移动实体在紧接在特定时间点之前的一段时间期间移动进出预定区的频率(或次数)。

因此，步骤22包括处理实时位置信息流，以便将其中包含的信息以可以由机器学习模型处理的结构化格式放置。在特定示例中，确定在每个预定区中有多少可移动实体的计数，并且优选地每个预定区中有每种类型的多少可移动实体的计数。

特别地，步骤22可以包括生成至少一个占用数据条目，该条目为每个预定区(即，在特定时间点)提供占用信息的快照。

在步骤22中处理了实时位置(RTL)信息流之后，可以丢弃该流的经处理的部分(即，不再存储或删除)。由于可以使占用信息匿名化(与RTL信息流不同)，因此这帮助改进可移动实体的隐私。

在步骤22之后，方法20执行使用(第一)机器学习模型来处理占用信息以识别多个预定区的至少一个占用原因29的步骤23。

(第一)机器学习模型适于将占用信息映射到占用原因。特别地，机器学习模型可以定义占用信息与(至少一个)占用原因之间的关系。

(第一)机器学习模型可以适于整体上处理每个区的占用信息(即，而不是个体地处理每个占用信息)，以便确定占用原因。

作为说明性示例，在单个预定区内所有已知可移动实体的存在-使得没有其他区被占用-可能指示团队会议(即，占用原因是已经发生团队会议)。在另一个示例中，病房中所有医师和同伴的存在可能指示病房中的创伤事件(例如，经历心脏骤停的患者)，这可能是所有所述可移动实体都有理由占用病房的唯一原因–即是占用原因。

特别地，方法1的步骤23可以包括使用(第一)机器学习模型来处理每个预定区的占用信息，以识别是否预定事件已经影响了该占用信息或预定事件影响该占用信息的概率。换句话说，步骤23可以包括基于预定区域的每个区的占用信息来确定是否已经发生预定事件。

以这种方式，(第一)机器学习模型可以适于识别在预定区域1中是否发生了特定的预定事件，或者预测特定的预定事件已经发生的概率。

因此，机器学习模型可以适于将占用信息映射或关联到事件(例如手术或团队会议)。以这种方式，可以识别在预定区域中发生的事件。

步骤23可以包括利用多个不同的机器学习模型来处理占用信息，每个机器学习模型适于确定在预定区域中是否发生了特定的预定事件或者已经发生了预定事件的概率。

因此，步骤23可以包括使用相应的多个机器学习模型来检查多个预定事件中的任一个预定事件是否已经影响占用数据条目或与占用数据条目相关联(包括每个预定区的占用信息)。

尽管能够使用机器学习模型使用表示单个时间点/时刻的数据条目来导出占用原因(如上所述)，但是为了提高机器学习模型的预测能力，可以使用占用信息的动态视图(即在一段时间内)。

因此，在优选实施例中，步骤22包括获得多个顺序的占用数据条目(即，占用数据条目的序列)，其中，每个数据条目与不同的时间点/时刻相关联。与序列中较早的条目相比，序列中较晚的数据条目与较晚的时间点相关联。将明显地，占用数据条目的每个序列因此与定义的时间段相关联-从与第一数据条目相关联的时间点到与序列中的最后/最终数据条目相关联的时间点所跨越的时间段。

因此，步骤23可以包括使用机器学习模型来处理占用数据条目的序列，以确定或预测预定区域的一个或多个预定区的占用原因。

特别地，步骤23可以包括使用机器学习模型来确定预定事件是否已经影响占用数据条目的序列。例如，步骤23可以包括使用机器学习模型来确定在与序列相关或由序列所覆盖的时间窗内是否发生了一个或多个预定事件。

当然，可以应用一个以上的机器学习模型，每个机器学习模型适于识别是否已经发生了不同的预定事件。

预定事件的示例(其中，预定区域处于临床环境中)包括：第一种或第二种类型的手术的执行；团队会议；患者检查过程；患者检查过程；患者登记；咨询过程；运送过程；患者准备过程(例如在等候区域)；手术室准备过程(例如消毒过程)等。

已经认识到，至少一个可移动实体的(一个或多个)位置的变化可以指示(一个或多个)预定区的占用原因。这提高了确定占用原因的步骤的准确性。

通过示例，在医师从手术前清洁设施移至手术的情形下，这种情形可以指示将进行手术(即，手术是手术的占用的原因)。其他示例对于本领域技术人员而言将是显而易见的。

占用数据条目的序列中的每个数据条目表示多个预定区中的每个预定区的占用信息的不同时间样本。因此，序列中的每个占用数据条目表示不同的时间点，并且反映该时间点处预定区域的整体占用状态。

表2说明了由六个不同的占用数据条目(由序列中的数标记-序号)形成的占用数据条目的序列的示例。每个数据条目指示可移动实体5、6、7的多个不同类型(实体类型)中的每个有多少可移动实体在给定的时刻在每个预定区11-14(区)中。在表2中可以清楚地看到，可移动实体的位置可以如何随时间变化，即当可移动实体绕预定区域移动并进入到不同区中时。

表2

步骤22中生成的序列可以在步骤23中由机器学习模型处理，以识别预定区域的至少一个区的占用原因。

特别地，步骤23可以包括利用一个或多个机器学习模型来处理占用数据条目的序列，以识别(在预定区域中)是否已经发生了一个或多个预定事件。

例如，多个机器学习模型中的每个可以被调谐以确定是否已经发生了特定的预定事件或者已经发生了特定的预定事件的概率，其中，每个机器学习模型适于识别不同的事件。

甚至更优选地，步骤22可以包括生成占用数据条目的多个序列。多个序列中的每个可以在时间上彼此偏移-即形成一个序列/一系列序列。一系列序列中的每个序列可以与比与一系列序列中的较早序列相关联的时间段晚的时间段相关联。

换句话说，可以迭代地执行生成占用数据条目的序列的步骤，以生成占用数据条目的多个序列。优选地，多个序列形成以生成它们的顺序排列的一系列序列。

图3图示了可以在方法20的步骤22中生成的一系列30序列31-34。

每个序列31-34与具有预定长度t_pd的时间段相关联。每个连续序列31-34与在比该系列中的较早序列更晚的时间点开始的时间段或时间窗相关联。

换句话说，第一序列31可以覆盖以特定开始时间t_st开始具有预定长度t_pd的时间段。该系列中的第二序列32覆盖在特定开始时间t_st之后的时间间隔t_w开始的时间段(预定长度t_pd)(即，t_st+t_w)。每个随后的序列在先前序列之后的额外时间间隔t_w开始。

系列中的每个序列本身包括占用数据条目的序列。如先前所解释的，每个占用数据条目可以指示在特定时间点或特定时刻的多个预定区中的每个预定区的占用信息。因此，每个占用数据条目可以表示预定区域的占用信息的样本。

为了形成序列的系列30，可以进行采样过程。在指定的开始时间t_st，可以每t_i秒获取预定数量s的占用信息样本，以形成序列(包括s个占用数据条目并与长度为s.t_i的时间段相关联)。然后，在指定的开始时间t_st之后的时间间隔t_w开始，该过程可以再次开始。可以迭代地重复该过程以获得一系列序列。

因此，序列可以彼此交叠，使得多个序列共享一个或多个(但优选不是全部)数据占用条目。

该系列中的占用数据条目的序列中的每个可以由机器学习模型个体地处理，以识别在由占用数据条目的相应序列所覆盖的每个时间段期间的占用原因。

一旦占用数据条目的序列可用(即，已经捕获到该序列的所有占用数据条目)，就可以执行由机器学习模型进行的处理。这允许实况或连续检测占用原因，例如检测正在进行的预定事件。

通过交叠序列(诸如图3所图示)，可以实现对占用原因的连续实时检测的改进。仅通过示例，序列可以表示持续数十分钟的时间段。因此，如果没有交叠，则仅能够每几十分钟给出一次预测。然而，允许交叠(例如，每分钟开始新序列)，然后可以更频繁地(例如，每分钟)进行预测。这将允许我们给出更频繁的预测以支持实时用例。

先前已经描述了(一个或多个)机器学习模型能够如何处理占用数据条目的序列以便识别是否已经发生了预定事件，其中，预定事件形成占用原因。特别地，机器学习模型可以适于识别预定事件对占用数据条目的序列的影响。

机器学习模型在现有技术中是公知的，并且通常通过对输入数据应用一系列算法步骤、层或掩码来进行操作，以预测输出数据。通常，输出数据指示对机器学习模型旨在回答的预定问题的答案(例如“是否已经发生了特定的预定事件？”)。机器学习模型的示例包括神经网络模型和深度学习模型。

因此，机器学习模型是使得能够基于输入数据预测某些输出数据(的值)的任何结构或过程-例如，已经基于输入的占用数据条目的序列，计算已经发生预定事件的概率。

通常，为了训练机器学习模型，收集训练数据，该训练数据将输入数据的已知示例(例如，占用数据条目的序列)与输出数据的已知示例(例如，是否已经发生了特定的预定事件)相关联。然后，将(通用)机器学习模型应用于输入数据的每个示例，以尝试预测输出数据的相应示例。然后将输出数据的预测示例与输出数据的已知的示例进行比较，例如确定预测示例与已知示例之间的误差量度。基于该比较，改善机器学习模型，具有提高机器学习模型的性能(即，提高预测的准确性)的目的。可以迭代地重复该过程，从而训练或调谐模型以执行特定任务(例如，识别预定事件的发生)。

训练、改善或以其他方式“优化”机器学习模型的方法，例如基于输出数据的预测示例与已知示例之间的误差量度，对于本领域技术人员将是公知的。

下面描述生成训练数据的实施例，其中，训练数据可以用于生成机器学习模型，该机器学习模型处理占用数据条目的序列以预测是否已经发生了单个预定事件或单个预定事件已经发生的概率。技术人员将能够使以下描述的方法适应于占用信息的其他示例。

然而，识别序列的已知示例(以及它们是否与已知的预定事件相关联)的训练数据可能不容易可用。因此，可能有必要生成由序列的适当示例以及它们与预定事件的关联或不关联形成的适当的训练数据。

因此，用于训练数据的条目可以指示给定序列是否对应于给定事件。

特别是，生成的训练数据的每个条目包括历史序列S(即过去已经发生的序列的示例)和事件标签L_e，该事件标签L_e指示历史序列S和预定事件E是否彼此对应(即历史序列S是否指示预定事件E)。通过示例，事件标签L_e‘0’可以指示，当历史序列S发生时预定事件E没有进行(即，它们彼此不对应)，并且事件标签L_e‘1’可以指示，当历史序列S发生时(即，它们彼此对应)，预定事件E正在进行。当然，这些标签可以颠倒。

技术人员将意识到，可以针对不同的预定事件生成训练数据的不同块/集合。训练数据的每个块/集合可以个体地用于训练不同的机器学习模型，以识别或预测(与训练数据的块/集合相关联的)特定预定事件与占用数据条目的序列相关联的概率。

为了生成训练数据，应该获得预定事件的多个历史序列和实例，其中，每个历史序列和预定事件的发生具有定义的开始时间和结束时间。这样的数据可以例如通过记录占用数据的序列并在记录占用数据的序列时手动地监测(例如亲自或使用CCTV)事件的开始和结束来获得。

如果历史序列与发生预定事件的实例的时间完全交叠，则可以生成训练数据的条目，其指示两者相关联(例如，具有事件标签L_e‘1’)。类似地，如果不存在历史序列和预定事件的任何实例发生的时间的交叠，则可以生成用于训练数据的条目，该条目指示两者不相关联(例如，具有事件标签L_e‘0’)。

在一些实施例中，如果历史序列与预定事件的实例之间存在部分交叠，则不生成训练数据(即，信息被丢弃)。这是为了避免将历史序列与预定事件不准确地相关联，从而提高训练数据的可靠性。

根据公知的机器学习模型训练原理，这种训练数据可以用于训练或改善机器学习模型。

为了提供用于训练数据的额外的条目，如果占用数据的序列在至少预定时间段t_ev内与预定事件的实例交叠，则可以确定历史序列与预定事件相关联。在一些实施例中，如果历史序列与事件的实例部分地交叠(但不超过预定时间段)，则不会为训练数据生成数据条目。

因此，可以使用以下关系(其中，E表示预定事件的实例)针对特定预定事件为每个序列S计算事件标签L_e：

因此，可以通过确定预定事件的实例与历史序列之间是否存在交叠以及交叠的长度是否超过预定时间段t_ev来生成训练数据。

在图4中提供了历史序列和预定事件的实例的解释性示例。特别地，图4图示了占用数据41a-41e的历史序列和预定事件42a-42e的实例的不同情形，其具有潜力形成训练数据。预定事件的每个历史序列和实例有设置的开始时间和结束时间。换句话说，每个历史序列的长度和开始时间以及预定事件的每个实例是已知的。

仅通过示例，预定事件的每个实例可以表示特定手术流程的不同实例(即，每个实例可以表示不同的手术)。

当第一序列41a在与预定事件的第一实例42a大致相同的时间点开始和结束时，第一序列41a可以与预定事件相关联。因此，可以生成用于训练数据(用于预定事件)的条目，包括第一历史序列和事件标签L_e‘1’。

类似地，第二序列41b可以与预定事件相关联-因为第二序列41b与预定事件的第二实例42b完全交叠(即，随着第二序列发生，预定事件的实例正在进行)。因此，第二序列和预定事件可以彼此关联。因此，用于训练数据(用于预定事件)的条目可以生成，并且包括第二历史序列41b和事件标签L_e‘1’。

然而，第三序列41c不能与预定事件相关联，因为第三序列与预定事件的第三实例42c之间没有交叠。因此，可以生成用于训练数据(用于预定事件)的条目，包括第三历史序列41c和事件标签L_e‘0’。

预定事件42d的第四序列41d和第四实例42d彼此部分地交叠。它们彼此部分交叠的时间长度t_o1大于预定时间长度t_ev。因此，第四序列和预定事件可以彼此关联。因此，可以生成用于训练数据(用于预定事件)的条目，包括第四历史序列41d和事件标签L_e‘1’。

预定事件的第五序列41e和第五实例42e也部分地彼此交叠；然而，交叠时段t_o2不大于预定时间长度t_ev。因此，不能假定第五序列41e和预定事件彼此对应。然而，不能确认第五序列41e与预定事件之间没有对应关系(因为交叠大于0)。因此，为了确保准确的训练数据，在这种情形下，不生成针对训练数据的数据条目。

以这种方式，生成训练数据，其将占用数据条目的历史序列与预定事件相关联。该训练数据可以用于训练机器学习模型。

在训练过程的一个示例中，可以使用上述过程(针对不同的预定事件)生成N组训练数据，以便训练N个机器学习模型，每个机器学习模型与不同的预定事件相关联。因此，可以针对N个预定事件中的每个个体地训练N个机器学习模型。

在一个示例中，用于训练机器学习模型的训练数据的每个数据条目包括占用数据条目的历史序列和事件标签‘1’或‘0’。如上所述，占用数据条目的每个历史序列可以包括例如具有f列和l行的矩阵。每一行表示占用数据条目的不同实例(即，占用信息的不同的样本)。这些列可以由X组的Y列形成(每组包含占用信息，并且每组都与预定区相关联-即X指示预定区的数量)，其中，一组中的每个列指示在预定区中特定角色的可移动实体的数量(即，Y指示可移动实体的不同角色的数量)。因此，矩阵中的列数等于X和Y的乘积。

事件标签由此可以用作用于训练机器学习模型的模型训练目标。

图5说明了根据本发明的实施例的，用于基于占用数据条目的序列51来预测预定事件的发生(的概率p)的机器学习模型的结构50。

结构50包括单输入层52，以采用矩阵形式的序列51(例如，如表2所例示的)。矩阵的尺寸是固定的(即，占用数据条目的序列是固定格式)。输入层将馈入一组组53一个或多个隐藏层53a-53c，每个隐藏层具有LSTM(长短期记忆)和丢失节点。该组隐藏层的输出利用单个密集神经元馈入输出层54。该密集神经元可以产生在0和1之间的浮点数或十进制数，其指示在输入到机器学习模型的序列51的时间窗期间预定事件正在进行的概率。

为了评价和改善用于识别预定事件(的概率)的机器学习模型，优选地使用评价框架。

评价框架可以包括将用于特定预定事件的训练数据分成不同的组，以及将不同组的训练数据用于不同的目的。

在特定实施例中，训练数据可以分为三个不同的组：训练组；验证组和测试组。

训练数据的训练组用于训练和调整机器学习模型，以预测在由占用数据条目的序列覆盖的时间窗中是否已经发生了特定的预定事件(其概率)。机器学习模型的训练可以使用任何标准的训练方法，例如随机/增量梯度下降(SGD)或“Adam”算法。验证组被用于调谐机器学习模型的参数，以确保机器学习模型不仅仅朝向测试组偏置。测试组被用于评估机器学习模型的准确性或性能，以评价机器学习模型是否已成功调整，使得其可以准确地预测预定事件是否在占用数据条目的序列覆盖的时间窗内已经发生(其概率)。

可以使用任何已知的学习分类度量(诸如准确度、精度、召回率、ROC(受试者工作特性)曲线和AUC(曲线下面积))来评价机器学习模型的性能。然而，由于已经认识到本发明的训练数据通常是歪斜的(因为标签中的‘0’通常比‘1’多)，因此建议使用对歪斜不敏感的度量，例如AUC。

将训练数据分为三个不同组的比例是灵活的，例如分别为4：3：3或5：3：2。已经认识到，覆盖彼此接近的时间窗(的训练数据)的序列将可能具有相似的事件标签。因此，不应将相邻序列跨不同的组分裂(因为这可能导致对机器学习模型准确性的错误评估)。

例如，训练数据可以涵盖10天的时间，其中，前4天可以用作训练组；第5、6和7天可以用作验证组，并且第8、9和10天可以用作测试组。

上述训练方法已经针对一种实施例，其中，训练机器学习模型以识别在由占用数据条目的序列覆盖的时间窗期间是否发生单个预定事件(或概率)–每个占用数据条目针对预定区域的多个区中的每个区，包括该区的占用信息。特别地，经训练的机器学习模型适于处理占用数据条目的序列，以识别在与序列相关联的时间窗期间预定事件是否发生或发生的概率。

然而，训练方法可以适用于其他机器学习模型，例如，以处理其他输入数据(例如单个占用数据条目)以识别占用原因，即预定事件的发生。

预定事件可以备选地标记为“协作事件”，因为它们通常需要存在一个以上的可移动实体(即，实体协作以便执行预定事件)。

基于对占用信息的连续处理，可以采用提出的方法来监测正在进行的占用原因(例如，当前是否正在发生预定事件)。

在至少一个实施例中，当正发生不正确的占用原因(即预定事件)时，可以利用这种连续监测来生成警报。特别地，可以将检测到的占用原因与安排的占用原因进行比较，并且如果两者不匹配，则可以生成警报。

例如，如果第一预定事件(例如，对占用第一病房的患者进行的手术)被安排为当前发生，但是机器学习模型指示该第二不同预定事件(例如，对占用第二病房的患者的手术)当前正在发生，则能够生成警报，以指示正在进行不正确或未安排的预定事件。

类似地，如果安排了第一预定事件，并且确定该第一预定事件没有在进行，则可以生成警报以识别第一预定事件尚未发生。

以这种方式，提出的实施例通过处理所述可移动实体的实时位置来提供对预定区域中的可移动实体是否遵守安排的任务或事件的自动检测。如果所述可移动实体未遵守安排的任务或事件，则可以生成一个或多个警报。

这样提出的实施例可以帮助防止发生不正确的事件(例如对患者的不正确的操作)，并且减少在预定区域中执行任务的错误。

警报可以例如是视觉、音频或触觉警报的形式，或者可以是电子警报(例如数据中的日志或标志)。

在另一示例中，如果第一预定事件(例如，第一医学检查)比预期的更早完成(例如，10AM而不是11AM)，则可以生成警报以建议随后的安排事件(例如，第二医学检查)可以更早开始，或者相关房间空闲以便进行额外的事件(例如第三医学检查或清洁过程)。这样的示例可以导致更高的房间利用率(可以布置更多的检查)，从而减少患者等待时间。

在实施例中，可以设置显示器(例如屏幕)以显示自动确定的占用原因。这提高了对潜在顾客、工作人员和客户的了解，而无需所述人员请求(例如，从潜在忙碌的实体)有关事件进展的信息。

例如，可以在手术室的等待区域设置显示器。机器学习模型可以自动确定手术室中发生的预定事件(例如，正在准备房间，正在运送患者，正在进行操作，操作包裹等)，并在屏幕上显示占用原因，使得对象、未来的患者和/或医院工作人员无需进入手术室或询问离开手术室的医师/外科医师即可知道操作的进度/状态。

因此，实施例还可以包括显示器，以用于显示由对象和/或其他人查看的占用原因。

在另外的示例中，可以将所确定的占用原因传递到医院(或其他预定区域)的报告系统。以这种方式，管理人员可以具有房间使用情况统计信息的自动报告，例如不同检查时间发生的时间的分布，而无需雇用人员来观察该数据，因为可以自动收集该数据。因此，可以增加预定区域的使用效率。

除了识别一个或多个预定区内的预定事件的发生(即识别占用原因)之外，一些方法还可包括估计/确定(进行中的)预定事件的剩余时间或进度的另外的步骤。

在简单的实施例中，这可以通过以下步骤执行：识别正在进行的预定事件的开始时间，其可以基于先前描述的机器学习方法识别正在进行的预定事件的时间；确定自开始时间起经过的时间量(例如当前时间与开始时间之间的差)；并且确定经过的时间量与用于执行正在进行的预定事件的预测时间长度之间的差。

可以从针对预定事件的长度的预定值(例如，在查询表中列出)来计算用于执行进行中的预定事件的预测时间长度。通过示例，每个可能的预定事件可以与相应的预测时间长度相关联，例如，基于历史平均/趋势或临床指南/建议。

在更复杂的实施例中，估计/确定(进行中的)预定事件的剩余时间可以包括通过处理占用信息来确定预定事件的当前子阶段。特别地，每个预定事件可以被划分为多个不同的子阶段，其可以使用机器学习方法来识别。一旦识别出正在进行的预定事件的当前子阶段，就能够预测完成预定事件(例如，完成剩余子阶段)的剩余时间长度，这可以再次基于历史平均/趋势和/或临床指南/建议。

在一些实施例中，第二机器学习方法被用于估计/确定正在进行的预定事件的剩余时间。这可以以与前述机器学习方法在概念上相似的方式来执行。

对于每个预定事件，可能有相应第二机器学习方法，并且可以选择适当的第二机器学习方法以估计对应的进行中的预定事件的剩余时间。

在一个示例中，第二机器学习方法可以接收由较早的机器学习方法检测到的预定事件的识别和预定事件的经过时间作为输入，并且输出对检测到的预定事件的剩余时间的预测。

在示例中，第一机器学习方法可以处理多个预定区中的每个预定区的占用信息以检测预定事件的发生，并且第二机器学习方法可以处理相同的占用信息以确定检测到的预定事件的剩余时间。

占用信息可以包括占用数据条目的序列，每个占用数据条目提供多个预定区中的每个预定区的占用信息(如前所述)。

在一些实施例中，第二机器学习方法可以使用预定事件的经过时间作为额外输入，即，与占用信息一起，以用于确定预定事件的剩余时间。

一个示例使用先前描述的占用数据条目的扩展版本来提供适合于预测正在进行的预定事件的剩余时间的数据。具体地，一种方法包括：识别进行中的预定事件的开始时间(例如，识别进行中的预定事件的时间)；确定从每个占用数据条目的开始时间起经过的时间，并向每个占用数据条目提供自相关联的预定事件的开始时间起经过的时间。可以例如通过确定当前事件开始的开始时间戳并使用开始时间戳和占用数据条目的时间戳来计算经过时间来计算经过的时间。然后可以使用机器学习方法来处理一个/多个占用数据条目，以预测预定事件还剩下多长时间。

将清楚，每个占用数据条目可以与特定的识别事件(即，确定在该占用数据条目期间发生的事件)相关联。

先前已经描述了如何通过使用机器学习方法处理占用数据条目的序列来检测预定事件。可以修改占用数据条目的该序列，以提供用于机器学习方法的合适输入，该机器学习方法用于预测用于完成预定事件的剩余时间。

在一些实施例中，可形成占用数据条目的序列，该序列中的每个占用数据条目还包括指示自事件(对应于占用数据字段)开始(或首次被检测到)起经过的时间长度的数据字段。这形成了“经修改的占用数据条目的序列”。

确定正在进行的预定事件的剩余时间的步骤可以包括：使用第二机器学习方法来处理经修改的占用数据条目的序列，以确定预定事件还剩下多长时间。

表3图示了经修改的占用数据条目的序列的示例，其与表2相同(用于预测预定事件的发生-即与占用数据条目的序列相关联的预定事件)，具有用于每个占用数据条目的额外数据字段，所述占用数据条目指示自预定事件的开始其(或自检测到预定事件正在发生起)经过的时间。

表3

发明人已经认识到，预定事件的进展影响可移动实体在预定区内的移动。因此，可以通过监测可移动实体的移动(例如，使用占用数据条目的序列)来更准确地预测正在进行的预定事件的剩余时间。

仅通过示例，可以知道，对于预定手术流程的某个部分，需要两名外科医师(而不是一名)。因此，第二外科医师进入特定区可以指示预定手术流程的特定部分已经开始，从而指示手术流程的当前进展(这影响手术流程的剩余时间)。

可以呈现所计算的剩余时间，例如经由用户接口。

先前已经提供了机器学习方法的简要说明。第二机器学习方法采用类似的原理。

下面描述生成用于第二机器学习方法的训练数据的实施例，其中，训练数据可以用于生成第二机器学习模型，其处理经修改的占用数据条目的序列以预测预定事件的剩余时间。本领域技术人员将能够使以下描述的方法适应于适于预测预定事件的进展的机器学习方法。

第二机器学习模型的期望训练数据将提供经修改的占用数据条目的序列(每个数据条目提供相关的占用信息和经过时间)作为输入示例，并提供预定事件的剩余时间(与经修改的序列关联)作为输出示例。

通常，用于准备合适的训练数据的可用信息将包括占用数据条目的示例序列和预定事件的已知发生(以及两者的开始时间和结束时间)。通常，预定事件是手动标记的。

如前所述，可以通过获得多个历史序列来获得该可用信息，并且应当获得预定事件的实例，其中，每个历史序列和预定事件的发生具有定义的开始时间和结束时间。这样的数据可以例如通过记录占用数据的序列并在记录占用数据的序列时手动地监测(例如亲自或使用CCTV)事件的开始和结束来获得。前面已经在图4中对此进行了图示。

要为第二机器学习方法生成训练数据，则应为训练数据的输入示例选择适当的实例。换句话说，仅占用数据条目的序列中的一些可以提供用于计算预定事件的剩余时间的合适训练示例，例如，通过与预定事件的发生充分关联或指示预定事件的发生。

初始地，如果占用数据条目的序列不与预定事件交叠，则可以丢弃该序列。这将意味着仅选择与预定事件在时间上相关的那些序列以形成训练数据。

在第二步骤中，如果占用数据条目的序列具有在交叠的预定事件的结束时间处或之前的结束时间，则可以选择该序列作为输入示例。这提供了输入示例，根据其，关联的预定事件额结束之前还有一些剩余时间。

在一些实施例中，为了提供另外的输入示例，可以设置阈值t，并且满足特定标准的序列(例如，序列的结束时间t_结束(s)与预定事件的交叠(稍后完成)的结束时间t_结束(e)之间的差等于或大于t)也可以选择作为输入示例。

已经为训练数据建立合适的输入示例后，有必要为每个输入示例生成对应的输出示例。这可以通过简单地确定与该序列交叠的预定事件的结束时间(形成输入示例)与该序列的结束时间之间的差来执行。在另一个实施例中，可以使用以下关系：

这为每个(选定的)示例输入提供了合适的示例输出，从而生成了第二机器学习方法的训练数据。

在一些实施例中，生成了多种第二机器学习方法，一种用于每种预定事件类型。技术人员将能够容易地为多个预定事件中的每个生成合适的训练数据(例如，通过将序列的选择限制为与对应的预定事件交叠的那些)。

训练机器学习算法的方法先前已经被描述，并且可以适于训练第二机器学习方法(使用适当的训练数据)。

尽管已经在预测预定事件的剩余时间的背景下描述了先前的实施例，但是实施例还扩展到了预测预定事件的进度(例如进度百分比)的方法。因此，对术语“剩余时间”的引用可以比照地用术语“进度”代替。

当然，将意识到，使用本文描述的识别预定事件的发生的方法不是必要的。而是，可以利用从占用信息中识别预定事件的发生的任何方法，并且随后对其进行处理以识别检测到的预定事件的剩余时间，例如，根据所描述的示例。

尽管在可移动实体是医疗保健专业人员的背景下描述了以上实施例，但是将意识到，实施例可以扩展到监测其他人-例如患者或访客-以及监测无生命的可移动物体-例如床、医学装备等。因此，可移动实体可以是预定区内的任何有生命或无生命的可移动实体/资产。

如先前简要描述的，还将意识到，预定区域不必处于临床环境中。例如，预定区域可以是工业场所(例如工厂)，其中，不同区表示工业场所的不同区域。工厂的可能占用原因(预定事件)可以指示例如制造流程的特定阶段(例如，涂覆、切割或冲压阶段)。其他示例对于技术人员将是容易显而易见的。

图6图示了用于监测预定区域内的可移动实体的系统60。

系统60包括流接收单元61，其适于获得实时位置RTL信息流65，其识别预定区域内的可移动实体的当前位置。

系统60还包括适于处理实时位置信息流以生成预定区域的多个预定区中的每个预定区的占用信息的处理单元62。

系统60还包括占用原因识别单元63，其适于使用机器学习模型来处理占用信息，从而确定一个或多个占用原因66，每个占用原因指示一个或多个预定区被一个或多个可移动实体占用的原因，其中，机器学习模型定义了占用信息与占用原因之间的关系。

本发明可以是系统、方法和/或计算机程序产品。该计算机程序产品可以包括其上具有计算机可读程序指令的计算机可读存储介质(或多个介质)，以用于使处理器执行本发明的方面。因此，计算机可读存储介质可以是有形设备，其可以保留和存储指令以供指令执行设备(例如控制器、处理器或处理系统)使用，以执行根据本发明的方法。公开的方法被认为适合于由计算机执行，并且因此可以是计算机实施的方法。

本文参考根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明。将理解，流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读程序指令来实现。

附图中的流程图和框图图示了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现方式的体系结构、功能和操作。就这一点而言，流程图或框图中的每个框可以表示指令的模块、片段或部分，其包括用于实现(一个或多个)指定的逻辑功能的一个或多个可执行指令或用于实现指定功能的系统的模块。

在一些备选实施方式中，方框中指出的功能可以不按图中指出的顺序发生。例如，取决于所涉及的功能性，实际上可以基本上同时执行连续示出的两个框，或者有时可以以相反的顺序执行这些框。还应注意，框图和/或流程图的每个框以及框图和/或流程图的框的组合可以由执行指定功能或动作或执行专用硬件和计算机指令的组合的基于专用硬件的系统来实现。

通过研究附图、公开内容以及权利要求书，本领域技术人员在实践所要求保护的本发明时能够理解和实现对所公开的实施例的其他变型。在权利要求书中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以履行权利要求书中所记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起提供或作为其他硬件的部分提供的光学存储介质或固态介质，但计算机程序也可以以其他形式来分布，例如经由因特网或者其他有线或无线电信系统分布。权利要求书中的任何附图标记不应被解读为对范围的限制。

Claims

1.一种监测预定区域(1)内的可移动实体(5、6、7)的计算机实施的方法(20)，所述方法包括：

获得(21)识别可移动实体在所述预定区域内的当前位置的实时位置RTL信息流(28)；

处理(22)所述实时位置信息流以生成所述预定区域的多个预定区(11、12、13、14)中的每个预定区的占用信息；并且

使用机器学习模型来处理(23)所述占用信息，从而确定一个或多个占用原因(29)，每个占用原因指示在一个或多个预定区内的预定事件的发生，其中，所述机器学习模型定义占用信息与占用原因之间的关系。

2.根据权利要求1所述的计算机实施的方法，其中：

所述占用信息指示所述预定区域的所述多个预定区中的每个预定区中的可移动实体的数量；并且

所述机器学习模型定义每个预定区内的可移动实体的数量与占用原因之间的关系。

3.根据权利要求1或2中的任一项所述的计算机实施的方法，还包括确定每个至少一个可移动实体的一个或多个角色，并且其中：

所述占用信息指示所述预定区域的所述多个预定区中的每个预定区中的每个可移动实体的所述一个或多个角色；并且

所述机器学习模型定义每个预定区中的每个可移动实体的所述一个或多个角色与占用原因之间的关系。

4.根据权利要求1至3中的任一项所述的计算机实施的方法，其中：

处理所述实时位置信息流的步骤包括生成占用数据条目的序列(31、32、33、34)作为所述占用信息，每个占用数据条目指示在单个时间点在所述预定区域的所述多个预定区中的每个预定区内的可移动实体的数量；并且

每个占用数据条目与比占用数据条目的所述序列中的先前占用数据更晚的单个时间点相关联，使得整个序列指示在时间段内所述多个预定区中的每个预定区内的可移动实体的数量。

5.根据权利要求4所述的计算机实施的方法，其中，所述机器学习模型定义占用数据条目的序列与一个或多个占用原因之间的关系。

6.根据权利要求4或5中的任一项所述的计算机实施的方法，还包括：确定每个至少一个可移动实体的一个或多个角色，其中，生成占用数据条目的所述序列的步骤包括生成占用数据条目的序列，其中，每个占用数据条目指示在单个时间点在所述预定区域的所述多个预定区中的每个预定区内的每个角色的可移动实体的数量。

7.根据权利要求4至6中的任一项所述的计算机实施的方法，其中，所述占用信息包括占用数据条目的多个(30)序列(31、32、33、34)，并且处理所述占用信息的步骤包括使用机器学习模型来个体地处理占用数据的每个序列，从而确定一个或多个占用原因。

8.根据权利要求7所述的计算机实施的方法，其中：

所述多个(30)序列形成序列的系列；并且

所述系列中的所述序列中的每个序列与开始于比序列的所述系列中的紧接在前序列更晚的时间点的时间段相关联。

9.根据权利要求8所述的计算机实施的方法，其中，序列(31、32、33、34)的所述系列(30)中的每个序列与时间段相关联，所述时间段与和序列的所述系列中的紧接在前序列相关联的时间段交叠。

10.根据权利要求1至9所述的计算机实施的方法，其中，确定所述一个或多个占用原因包括确定在所述实时位置RTL信息流被提供的时间期间是否已经发生了预定事件。

11.一种包括代码模块的计算机程序，所述代码模块用于当所述程序在计算机上运行时实施根据权利要求1至10中的任一项所述的方法。

12.一种用于监测预定区域(1)内的可移动实体(5、6、7)的系统(60)，所述系统包括：

流接收单元(61)，其适于获得识别可移动实体在所述预定区域内的当前位置的实时位置RTL信息流(65)；

处理单元(62)，其适于处理所述实时位置信息流以生成所述预定区域的多个预定区中的每个预定区的占用信息；以及

占用原因识别单元(63)，其适于使用机器学习模型来处理所述占用信息，从而确定一个或多个占用原因(66)，每个占用原因指示在一个或多个预定区内的预定事件的发生，其中，所述机器学习模型定义占用信息与占用原因之间的关系。

13.根据权利要求12所述的系统，还包括角色确定单元，所述角色确定单元适于确定每个至少一个可移动实体的一个或多个角色，其中：

14.根据权利要求12或13所述的系统，其中，所述处理单元适于处理所述实时位置信息流，以生成占用数据条目的序列，每个占用数据条目指示在单个时间点在所述预定区域的所述多个预定区中的每个预定区内的可移动实体的数量。

15.根据权利要求14所述的系统，其中：

所述处理单元适于生成占用数据条目的多个序列；并且

所述占用原因识别单元适于使用机器学习模型来个体地处理所述多个序列中的占用数据的每个序列，从而确定一个或多个占用原因。