CN113096785A - 一种疫情时期医疗资源分配方法 - Google Patents
一种疫情时期医疗资源分配方法 Download PDFInfo
- Publication number
- CN113096785A CN113096785A CN202110387444.5A CN202110387444A CN113096785A CN 113096785 A CN113096785 A CN 113096785A CN 202110387444 A CN202110387444 A CN 202110387444A CN 113096785 A CN113096785 A CN 113096785A
- Authority
- CN
- China
- Prior art keywords
- chain
- footprint
- medical resource
- medical
- mobile phone
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种疫情时期医疗资源精准分配方法,包括如下步骤:步骤一、借助通信大数据技术得到阳性患者的真实足迹链;步骤二、结合路网结构、病毒毒性和患者足迹链周围的人流量,确定更加精准的高风险区;步骤三、每日更新高风险区,评估当日高风险区内各封闭单元所需的医疗资源投入量;步骤四、依据网络地图服务,计算医疗资源配送时间,并根据得到的当日各封闭单元所需医疗资源投入量进行医疗资源的最优配送。本发明能够更精准的构建阳性患者的真实足迹链,依据实际的路网信息更精确的确定了高风险区,实时、精准的评估出高风险区内各封闭单元所需的医疗资源配比,并结合实时交通状况,制定了最优的单中心或多中心的医疗资源配送方案。
Description
技术领域
本发明属于信息技术领域,尤其是结合通信大数据技术和地理信息技术的优势,提供了一种疫情时期医疗资源分配方法。
背景技术
2019年12月新型冠状病毒肺炎(COVID-19,下文简称“新冠”)突袭人类社会,给人类的生命构成了巨大的威胁,同时对生产生活和社会运转产生了严重冲击。截止2021年1月,新冠疫情已经蔓延至208个国家,累计感染人数超过9500万例,累计死亡人数高达2031717例。尽管各国政府在抗疫工作中投入了巨大的人力和物力。然而,当下的新冠疫情感染和死亡人数依然在高速增加,日新增感染人数和死亡人数不断创下新高。与此同时,绝大多数国家的医疗资源频频告急,如何精准获取患者足迹数据、科学地调配抗疫资源,解决“突发传染病情况下医疗资源配置体系短板突出”的问题,将为疫情防控工作提供强有力的技术支撑。
地理信息技术(GIS)在科学配置医疗设施领域具有独特的优势,其在医疗资源可达性测度和公共医疗资源配置方面已经得到了广泛而成功的应用,医疗资源可达性测度是检验医疗资源空间配置与优化是否合理的有效方式之一。以GIS技术为支撑的可达性测度研究大多以二维的欧式距离为基础测算出行距离,很少考虑路网的真实情况,例如常用的出行阻抗模型和医疗资源-人口比模型均以欧氏距离为基础,忽略了路网差异造成的实际距离远高于欧氏距离的情况,大大降低了模型精度。尽管两步搜索法和基于引力的模型综合考量了上述因素,但也存在出行摩擦系数和搜索半径难以确定,出行距离不等于出行时间成本等问题。
医疗资源可达性测度的精度受疾病自身特点的影响,以新冠为代表的突发传染病和常规疾病对医疗资源的需求存在巨大的差异。传染病因其流行性、传染性、病毒毒性变化性等特点,造成其医疗需求是动态变化的,而非传染性疾病对医疗资源的需求通常是静态不变的。然而,现有医疗资源配置模型尚未考虑过传染性疾病对医疗资源需求的动态变化;因此,如何根据传染性疾病自身的特点,实现医疗资源的动态最优配置对未来高效开展传染性疾病的防控工作亟待技术突破。
此外,现有的医疗资源配置方案,通常是基于引力模型。引力模型的思想来源于万有引力定律,1982年法国学者以万有引力定律为基础提出引力势能的概念,后续学者将其引入地理学,在医疗、经济和区域规划等领域得到广泛应用。引力模型通常综合考虑设施的服务能力、居民分享设施形成有限资源的竞争关系,以及供需双方空间阻隔的衰减等因素,因此被认为能全面评价医疗设施的空间可达性。在引力模型中,引力表示一物体对另一物体产生的引力势能,如j对i产生的能Aij的计算方法见公式(1):
式中:Mj表示j点的活动规模,Dij表示i点和j点的出行阻抗因子,β为出行摩擦系数。
当采用引力模型来度量研究区域内某个居民点i至所有医疗设施j的空间可达性Ai时,Mj表示医疗设施j的服务能力,Ai实际上是研究区域内各医疗设施对居民点i的吸引力的累计值。随出行阻抗Dij的增加,Ai会相应的降低,Ai值越大,空间可达性越好。出行阻抗与医疗设施的空间分布结构密切相关,在计算医疗设施出行阻抗时,通常只需计算二维平面空间中i和j两点之间的欧式距离即可。
但是利用引力模型对医疗设施进行空间可达性分析时,一般只考虑“供方”因素,即医疗设施对患者的引力。此时,医疗设施(供方)的分布是固定的,患者(需方)是流动的,为即为患者寻找医院设施的情形。而在传染病爆发时期,因传染病的可传染性等特殊性质需要最大可能的减少人群流动的特点。以新冠为例,在进行前期核酸检测和调查等阶段,实际需求是患者的地理位置为近似固定的,需要医护人员去固定的场所开展工作,从而避免了人群大规模流动造成的交叉感染问题。此时模型更应关注“需方”因素,从“需方”角度出发配置医疗资源。
在传统的引力模型中测算出行时间和距离时,使用的是二维的欧氏距离,并非考虑了供需双方之间的路网通达性和交通实况的真实的地理可达距离。欧氏距离为两点之间的几何距离,忽略了现实路网通达性、道路拥堵以及出行方式等因素的影响,使得出行时间成本测算结果与实际存在较大偏差。
精准的患者轨迹和实时人流量数据是动态还原病毒传播过程,科学指导突发传染病下医疗资源配置的关键所在。早期的流调主要依靠患者口述来获取关键信息,但此方式获取到的信息主观性太强,患者轨迹的时间和空间精度往往存在偏差。同时,流调所才用的询问、信访和问卷调查等方式对人力和物力资源消耗巨大且效率较低。在新冠疫情中后期,政府部门开始利用利用通信数据自动获用户的足迹信息,比如行程卡和健康码均是根据通信数据获取的足迹信息判定用户是否到达过高风险、中风险区域。然而,行程卡和健康码等技术均只能定位到市级行政区,却无法获取更加详细的时空位置信息,故该数据同样无法用于构建精准的足迹链。因此,如何获得精准的足迹数据,依然是开展疫情防控、医疗资源配置的重点和难点。
发明内容
为解决上述问题,本发明结合通信大数据技术和地理信息技术的优势,提供了一种疫情时期医疗资源分配方法。本发明能够更精准的或者阳性患者的真实足迹链构,通过实际的路网信息更精确的确定了高风险区域,并实时精确确定了各高风险区域所需的医疗资源配比,制定出医疗资源的最优配送方案。
为达到上述技术效果,本发明的技术方案是:
一种疫情时期医疗资源精准分配方法,包括如下步骤:
步骤一、利用手机信令数据,得到阳性患者的真实足迹链;
步骤二、以患者足迹链上的每一个点为搜索原点,确定高风险区域;所述高风险区域的确定方法为:以中心点为搜索原点,沿真实的路网向四周进行搜索,同时结合当日病毒毒性和患者足迹链周围的人流量,计算高风险区内各封闭单元的危险程度Pi(计算医疗资源投入量时Pi亦称作医疗资源投入系数),搜索至预设距离L或无法继续前进,搜索停止;最终得到了高风险区范围和各封闭单元的危险程度;
Pi=sumi×Dt
式中:Pi表示第i个封闭单元的医疗资源投入量系数;sumi表示第i个封闭单元的人流量,Dt表示第t天的病毒毒性,由相关部门当天测定得到;
步骤三、每日更新高风险区域,得到高风险区域内的各个封闭单元,本方法构建了新的实时医疗资源投入量估算模型,计算每个封闭单元所需的医疗资源投入:
式中:Sou表示当日可投入的医疗资源总量,Inputi表示第i个医院当前可投入的医疗资源;Soui表示第i个封闭单元的医疗资源投入,n表示封闭单元的个数;
步骤四、根据得到的当日各高风险区域的医疗资源投入,结合医疗资源的空间分布情况和实时交通状况,得到最快的配送时间和最优的配送方案,进行医疗资源的配送。
进一步的改进,所述步骤一中,阳性患者的足迹链的得到方法如下:
1.1)获得阳性患者的口述足迹链和手机信令足迹链;
1.2)检查口述足迹链和手机信令足迹链是否完全吻合,若完全吻合,则手机信令足迹链即为患者的真实足迹链,否则以手机信令足迹链为基础,将包含于口述足迹链但不包含于手机信令足迹链的地点和对应的时间,加入到患者足迹链中,直至遍历口述足迹链中的所有点得到的手机信令足迹链即为患者真实足迹链。
进一步的改进,所述手机信令足迹链的确定方法如下:
1.1.1)得到手机信令数据,手机信令数据包括用户ID、经度、纬度、时间戳;
1.1.2)对手机信令数据进行预处理,对于重复数据保留重复数据的第一条数据,删除其余重复数据;对于缺失数据采用均值法进行补充;
1.1.3)以时间戳最早的单个出行点为初始搜索位置,以预设半径r和时间戳time为邻域搜索位置数据集,统计邻域内的点数;
1.1.4)若邻域内的点数大于预设的最小点数minpoints,则将邻域内的点归为一类,否则标记为噪音点,直至遍历完整个数据集;
1.1.5)计算邻域形成的簇中所有点的核心点代替簇中所有的停留点,一系列的核心点按照时间维度排列后即为阳性患者的手机信令足迹链;所述核心点即所述邻域的圆心所处的点。
进一步的改进,所述步骤四中,医疗资源的配送方法包括如下步骤:测算不同配置方案下的多个医疗资源供方配送医疗资源到各高风险区域的出行时间,得到的总时间最短的方案即采用的配送方案。
进一步的改进,所述医疗资源的配送方法包括如下步骤:
4.1)若某单个供方k的可投入医疗资源总量Souk大于需方i的医疗资源需求Soui,则将k加入i的待配对集合M;
4.2)对M集合中的供方依次测算与需方之间的出行时间,选取出行时间最短的供方j的作为需方i的配对供方;
4.3)计算供方j的剩余医疗资源Resouj=Souj-Soui;Souj表示供方j的可投入医疗资源;
4.4)用Resouj替换Souj,重复步骤4.1)-4.3)进行下一轮搜索;直至单个的供方无法满足需方的要求时,进行组合配送;所述组合配送的方案如下:在剩余供方中计算出所有满足需方i的组合配送方案,并核算每一组方案和需方i之间的配送时间,选择时间最短的配送方案为最终的配送方案,完成医疗资源供需双方之间的理论医疗资源投入量和出行时间的核算。
进一步的改进,所述预设距离L由行业专家确定。
本发明的优点:
1.局部精确防控,降低全面防控对经济活动的影响
通过口述足迹链和手机信令足迹链的交叉印证,精准的重构患者足迹链,在此基础上快速、准确地锁定疫情高危区域,为局部封锁提供技术支撑;同时通过锁定高危区域的手机ID信息,及时通知高危区域内的人员做好防护措施、减少外出频次,从而降低了交叉感染的奉献。
2.消除民众的盲目恐慌
通过重构患者足迹链,锁定高危区域,并向公共在线发布足迹链地图和高危区域地图,使民众了解自身是否曾到达相关区域,避免造成民众盲目恐慌,同时,尽量远离高危区域降低被感染的风险。
3.关注疫情动态发展,灵活进行资源分配
本发明引入实时人流量和病毒毒性因子等指标,重构了高风险区的动态演化过程,使得医疗资源的配置可随着疫情的发展动态优化,为医疗资源的精准、灵活配置提供了强有力的技术支撑。
附图说明
图1为本发明的流程示意图;
图2为高风险区域的确定方法示意图;
图3足迹链提取算法示意图。
具体实施方式
以下通过具体实施方式对本发明的技术方案作具体说明。
一种疫情时期医疗资源分配方法,在小规模疫情爆发时,快速布置医疗资源的流程如图1所示:发现阳性患者后,利用传统调查手段得到患者口述的具有时间维度的足迹链(下文简称:口述足迹链)和结合通信大数据,利用手机信令数据计算出的具有时间维度的足迹链(下文简称:手机信令足迹链)信息,进行交叉验证与修订,得到近似真实的患者足迹链。之后利用本方法提出的顾及路网结构的高危区域搜索模型,结合病毒当日毒性、患者足迹中心点群、路网结构和通达性,进行高危区域的快速锁定和封闭单元的提取。在封闭单元内结合手机信令数据进行人流量的核算,并进行最佳医疗资源投入量的计算,最后结合网络地图服务和路径规划算法,得到最终的每个封闭单元医疗资源配送方案。
准确判断高危区域的前提是掌握阳性患者精确的足迹链信息。本模型同时利用患者的口述足迹链和手机信令足迹链来共同确定患者的行动轨迹。在对患者进行口述信息采集时,主要工作为确定阳性患者的活动轨迹,确定旅行史、接触史、暴露史等相关信息,特别关注病例暴露于农贸市场、商场、超市、医院等人员密集型场所的停留时间,人员数量或密集程度等指标,从而确定可能的感染范围和易感人群。
手机信令足迹链的精确获取是掌握阳性患者精确足迹链信息的前提。手机信令数据的格式包括用户ID、经度、纬度、时间戳,示例如表1所示。为了消除数据误差对后续分析带来不利影响,需对数据进行预处理。步骤如下:(1)对于重复数据,保留重复数据的第一条数据,删除其余重复数据。(2)对于缺失数据,采用均值法进行替换。由数据格式可知,手机信令数据是一种基于基站位置的数据。因此利用三角公式估计算法即可完成单个的位置定位,得到具有单个出行点经纬度数据以及单个出行点的时间戳数据的位置数据集Point。如图3所示,基于手机信令数据集的足迹链提取算法的步骤如下:(1)将位置数据集按时间先后进行排序,并确定时间间隔t,在t内可能有多个停留点,但是需要利用多个停留点计算出一个核心点来构建足迹链,(2)设定地理聚类半径r和最小点数minpoints,半径r表示在时间间隔t内的用户的最大移动距离,最小点数minpoints表示在时间间隔t内,半径r内应该出现的最小的停留点数量,如果小于该数量,则可视为是通讯基站数据漂移引起的伪停留点,相关的伪停留点将被删除;如果大于最小点数minpoints则将其视为真实的停留点,并将根据这些停留点计算出核心点。3)利用上述的得到的核心点,按照时间纬度排序后,即可构建出阳性患者足迹链,即手机信令足迹链。
对于足迹链的提取主要还有如下方法:(1)基于手机定位数据,利用贝叶斯网络和隐式马尔可夫模型提取用户出行轨迹。(2)基于手机传感器数据运用小波分析、神经网络等挖掘技术,提取出行参数。(3)利用车载GPS数据和K-means聚类算法提取出行停留点。(4)基于GPS、基站、Wi-Fi数据的时间聚类提取停留点,通过时间特征和叠加地图的方式提取足迹链。本模型中所提出的路径点聚类提取算法与上述方法相比具有如下优点:(1)足迹链的提取结果对数据集中的异常点不敏感,且可以在提取足迹链的同时发现异常点。(2)提取算法初始值的选取对结果影响微弱。(3)可以对任意分布的位置数据集进行足迹链提取,而类似于K-means之类的聚类算法提取足迹链时只适合于凸集合上。
根据口述足迹链和手机信令足迹链得到阳性患者真实足迹链的过程如下:(1)检查口述足迹链和手机信令足迹链是否完全吻合,跳至步骤(2)。(2)若完全吻合,则此时的手机信令足迹链即为患者的真实足迹链,若不完全吻合,跳至步骤(3)。(3)患者足迹链以手机信令足迹链为基础,将包含于口述足迹链但不包含于手机信令足迹链的地点和其对应的时间,加入到患者足迹链中,直至遍历口述足迹链中的所有点,此时的手机信令足迹链即为患者真实足迹链。
在准确获取阳性患者的足迹链之后,足迹链周围的人流量统计和人员信息获取是计算医疗资源投入量的关键所在。在得到阳性患者的完备足迹链后,需要以患者足迹链上的每一个点为中心点,统计病毒潜在影响半径为L内的区域内的人流量,其中L为地理中的真实距离,该距离由行业专家确定。在真实的地理空间内,病毒影响区域并非是半径为L的圆,而是由路网结构形成了一个不规则多边形,本算法中以患者轨迹链上的一个点为中心,在沿真实的路网向四周进行搜索时,当距离达到L时停止,最终形成一个封闭的区域;另外,当搜索距离未达到L且无法继续前进时,同样可以停止搜索。搜索方案示意图如图2所示。最终将每个中心点形成的闭合区域连在一起,即为高风险区域。在统计高风险区域的人流量时,以落在高风险区内的封闭单元(如小区、学校、工厂等场所)为统计单位分别进行统计,根据手机用户的ID位置信息,分别统计出不同封闭单元内的人流量。
当根据上述方案得到每个封闭单元的人流量数据后,即可根据公式(2)计算出该单元的医疗资源投入的理论系数,详细的计算方法如下所示:
Pi=sumi×Dt (2)
式中Pi表示第i个封闭单元的理论医疗资源投入量系数,sumi表示第i,个封闭单元的人流量,Dt表示第t天的病毒毒性,其取值由相关部门当天测定而得。当测算出每个封闭单元的医疗资源投入的理论系数后,,代入公式(3)即可计算出该封闭单元的医疗资源投入量:
式中Sou表示当前可以投入的医疗资源总量。
医疗资源送达时间的测算是提升医疗资源配置效率的关键所在。本模型利用高德地图API,基于数字地图和高德提供的海量实时路网数据,测算不同配置方案下的医疗资源供方到医疗资源需方的出行时间,确定最合适的供方在最短的时间内为需方提供医疗服务。为了率定医疗资源供需双方之间的最优对应关系,对可提供医疗资源的供方进行如下操作:(1)若某单个供方k的可投入医疗资源总量Souk大于需方i的医疗资源需求Soui,则将k加入i的待配对集合M。(2)对M集合中的供方依次测算其和需方之间的出行时间,选取出行时间最短的供方j的作为需方i的配对供方。(3)计算供方j的剩余医疗资源Resouj=Souj-Soii。(4)利用Resouj替换Souj,进行下一轮搜索。直至单个的供方无法满足需方的要求时,进行多中心配送。多中心配送的方案如下:在剩余供方中计算出所有满足需方i的组合配送方案,并核算每一组方案和需方i之间的配送时间,选择时间最短的为最终的配送方案。至此完成了医疗资源供需双方之间的理论医疗资源投入量和出行时间的核算。
上述仅为本发明的一个具体导向实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明的保护范围的行为。
Claims (6)
1.一种疫情时期医疗资源精准分配方法,其特征在于,包括如下步骤:
步骤一、利用手机信令数据,得到阳性患者的真实足迹链;
步骤二、以患者足迹链上的每一个点为搜索原点,确定高风险区域;所述高风险区域的确定方法为:以中心点为搜索原点,沿真实的路网向四周进行搜索,同时结合当日病毒毒性和患者足迹链周围的人流量,计算高风险区内各封闭单元的危险程度Pi(计算医疗资源投入量时Pi亦称作医疗资源投入系数),搜索至预设距离L或无法继续前进,搜索停止;最终得到了高风险区范围和各封闭单元的危险程度;
Pi=sumi×Dt
式中:Pi表示第i个封闭单元的医疗资源投入量系数;sumi表示第i个封闭单元的人流量,Dt表示第t天的病毒毒性,由相关部门当天测定得到;
步骤三、每日更新高风险区域,得到高风险区域内的各个封闭单元,本方法构建了新的实时医疗资源投入量估算模型,计算每个封闭单元所需的医疗资源投入:
式中:Sou表示当日可投入的医疗资源总量,Inputi表示第i个医院当前可投入的医疗资源;Soui表示第i个封闭单元的医疗资源投入,n表示封闭单元的个数;
步骤四、根据得到的当日各高风险区域所需的医疗资源投入,结合医疗资源供方的空间分布情况和实时交通状况,得到最快的配送时间和最优的配送方案,进行医疗资源的单中心配送和多中心配送。
2.如权利要求1所述的疫情时期医疗资源分配方法,其特征在于,所述步骤一中,阳性患者的足迹链的得到方法如下:
1.1)获得阳性患者的口述足迹链和手机信令足迹链;
1.2)检查口述足迹链和手机信令足迹链是否完全吻合,若完全吻合,则手机信令足迹链即为患者的真实足迹链,否则以手机信令足迹链为基础,将包含于口述足迹链但不包含于手机信令足迹链的地点和对应的时间,加入到患者足迹链中,直至遍历口述足迹链中的所有点得到的手机信令足迹链即为患者真实足迹链。
3.如权利要求2所述的疫情时期医疗资源分配方法,其特征在于,所述手机信令足迹链的确定方法如下:
1.1.1)得到手机信令数据,手机信令数据包括用户ID、经度、纬度、时间戳;
1.1.2)对手机信令数据进行预处理,对于重复数据保留重复数据的第一条数据,删除其余重复数据;对于缺失数据采用均值法进行补充;
1.1.3)以时间戳最早的单个出行点为初始搜索位置,以预设半径r和时间戳time为邻域搜索位置数据集,统计邻域内的点数;
1.1.4)若邻域内的点数大于预设的最小点数minpoints,则将邻域内的点归为一类,否则标记为噪音点,直至遍历完整个数据集;
1.1.5)计算邻域形成的簇中所有点的核心点代替簇中所有的停留点,一系列的核心点按照时间维度排列后即为阳性患者的手机信令足迹链;所述核心点即所述邻域的圆心所处的点。
4.如权利要求1所述的疫情时期医疗资源分配方法,其特征在于,所述步骤四中,医疗资源的配送方法包括如下步骤:
测算不同配置方案下的多个医疗资源供方配送医疗资源到各高风险区域的出行时间,假设单个医疗资源供方的医疗资源总量不足,可同时协调n个医疗资源供方配送医疗资源到同一目标,得到的时效最优的方案即采用的配送方案。
5.如权利要求4所述的疫情时期医疗资源分配方法,其特征在于,所述医疗资源的配送方法包括如下步骤:
4.1)若某单个供方k的可投入医疗资源总量Souk大于需方i的医疗资源需求Soui,则将k加入i的待配对集合M;
4.2)对M集合中的供方依次测算与需方之间的出行时间,选取出行时间最短的供方j的作为需方i的配对供方;
4.3)计算供方j的剩余医疗资源Resouj=Souj-Soui;Souj表示供方j的可投入医疗资源;
4.4)用Resouj替换Souj,重复步骤4.1)-4.3)进行下一轮搜索;直至单个的供方无法满足需方的要求时,进行组合配送;所述组合配送的方案如下:在剩余供方中计算出所有满足需方i的组合配送方案,并核算每一组方案和需方i之间的配送时间,选择时间最短的配送方案为最终的配送方案,完成医疗资源供需双方之间的理论医疗资源投入量和出行时间的核算。
6.如权利要求1所述的疫情时期医疗资源分配方法,其特征在于,所述预设距离L由行业专家确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387444.5A CN113096785B (zh) | 2021-04-09 | 2021-04-09 | 一种疫情时期医疗资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387444.5A CN113096785B (zh) | 2021-04-09 | 2021-04-09 | 一种疫情时期医疗资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096785A true CN113096785A (zh) | 2021-07-09 |
CN113096785B CN113096785B (zh) | 2022-01-25 |
Family
ID=76677291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110387444.5A Active CN113096785B (zh) | 2021-04-09 | 2021-04-09 | 一种疫情时期医疗资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096785B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166229A (zh) * | 2021-12-14 | 2022-03-11 | 哈尔滨工业大学 | 基于冗余防御规避算法的健康出行路线规划系统 |
CN116013541A (zh) * | 2023-01-03 | 2023-04-25 | 武汉博科国泰信息技术有限公司 | 一种用于结核病检测的资源配置方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143839A1 (en) * | 2005-12-15 | 2007-06-21 | Microsoft Corporation | Access Unit Switching Through Physical Mediation |
US20140229195A1 (en) * | 2006-02-09 | 2014-08-14 | Syus, Llc | System, method, and computer program product for reducing the burden on scheduling systems by forecasting a demand for medical resources |
CN104750984A (zh) * | 2015-03-20 | 2015-07-01 | 华南理工大学 | 一种选择紧急医疗反应路径的方法 |
CN105160515A (zh) * | 2015-09-23 | 2015-12-16 | 胡卫建 | 地震救援装备物资仓储信息系统及物资仓储配送控制方法 |
US20160132652A1 (en) * | 2014-11-11 | 2016-05-12 | Ebay Inc. | Communicable disease tracking |
CN106912015A (zh) * | 2017-01-10 | 2017-06-30 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN107277765A (zh) * | 2017-05-12 | 2017-10-20 | 西南交通大学 | 一种基于聚类离群分析的手机信令轨迹预处理方法 |
CN109104694A (zh) * | 2018-06-26 | 2018-12-28 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
CN109461505A (zh) * | 2018-11-16 | 2019-03-12 | 河南省疾病预防控制中心 | 一种利用空间信息降低狂犬病防控成本的方法 |
CN110727714A (zh) * | 2019-10-21 | 2020-01-24 | 西南交通大学 | 融合时空聚类和支持向量机的居民出行特征提取方法 |
CN112132490A (zh) * | 2020-11-23 | 2020-12-25 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
CN112511982A (zh) * | 2020-11-19 | 2021-03-16 | 同济大学 | 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 |
-
2021
- 2021-04-09 CN CN202110387444.5A patent/CN113096785B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070143839A1 (en) * | 2005-12-15 | 2007-06-21 | Microsoft Corporation | Access Unit Switching Through Physical Mediation |
US20140229195A1 (en) * | 2006-02-09 | 2014-08-14 | Syus, Llc | System, method, and computer program product for reducing the burden on scheduling systems by forecasting a demand for medical resources |
US20160132652A1 (en) * | 2014-11-11 | 2016-05-12 | Ebay Inc. | Communicable disease tracking |
CN104750984A (zh) * | 2015-03-20 | 2015-07-01 | 华南理工大学 | 一种选择紧急医疗反应路径的方法 |
CN105160515A (zh) * | 2015-09-23 | 2015-12-16 | 胡卫建 | 地震救援装备物资仓储信息系统及物资仓储配送控制方法 |
CN106912015A (zh) * | 2017-01-10 | 2017-06-30 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN107277765A (zh) * | 2017-05-12 | 2017-10-20 | 西南交通大学 | 一种基于聚类离群分析的手机信令轨迹预处理方法 |
CN109104694A (zh) * | 2018-06-26 | 2018-12-28 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
CN109360660A (zh) * | 2018-10-31 | 2019-02-19 | 河南省疾病预防控制中心 | 一种疾控与出行信息互联的防控方法及防控系统 |
CN109461505A (zh) * | 2018-11-16 | 2019-03-12 | 河南省疾病预防控制中心 | 一种利用空间信息降低狂犬病防控成本的方法 |
CN110727714A (zh) * | 2019-10-21 | 2020-01-24 | 西南交通大学 | 融合时空聚类和支持向量机的居民出行特征提取方法 |
CN112511982A (zh) * | 2020-11-19 | 2021-03-16 | 同济大学 | 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 |
CN112132490A (zh) * | 2020-11-23 | 2020-12-25 | 中电科新型智慧城市研究院有限公司 | 城市传染病高风险社区识别方法、装置、电子设备及介质 |
Non-Patent Citations (2)
Title |
---|
RUSSELL KONDAVETI,AURA GANZ: "Decision support system for resource allocation in disaster management", 《IEEE XPLORE》 * |
吴张峰,李成仁: "多源时空大数据在疫情防控中的应用", 《信息技术与标准化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166229A (zh) * | 2021-12-14 | 2022-03-11 | 哈尔滨工业大学 | 基于冗余防御规避算法的健康出行路线规划系统 |
CN114166229B (zh) * | 2021-12-14 | 2023-12-05 | 哈尔滨工业大学 | 基于冗余防御规避算法的健康出行路线规划系统 |
CN116013541A (zh) * | 2023-01-03 | 2023-04-25 | 武汉博科国泰信息技术有限公司 | 一种用于结核病检测的资源配置方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113096785B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | From traces to trajectories: How well can we guess activity locations from mobile phone traces? | |
Yin et al. | A generative model of urban activities from cellular data | |
CN106931974B (zh) | 基于移动终端gps定位数据记录计算个人通勤距离的方法 | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
Xu et al. | Network structure of subway passenger flows | |
CN113096785B (zh) | 一种疫情时期医疗资源分配方法 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
AU2005232219A1 (en) | Forecasting based on geospatial modeling | |
CN109495856A (zh) | 一种基于大数据的手机用户类型标记方法 | |
Hu et al. | An adaptive hawkes process formulation for estimating time-of-day zonal trip arrivals with location-based social networking check-in data | |
WO2014012927A1 (en) | Method and system for traffic estimation | |
Breyer et al. | Comparative analysis of travel patterns from cellular network data and an urban travel demand model | |
Deng et al. | The impact of new metro on travel behavior: Panel analysis using mobile phone data | |
Xu et al. | Understanding vehicular routing behavior with location-based service data | |
CN109672986A (zh) | 一种时空大数据分析系统 | |
Yao et al. | Understanding human activity and urban mobility patterns from massive cellphone data: Platform design and applications | |
CN115101180A (zh) | 基于大数据的医疗资源配置方法和电子设备 | |
Ji et al. | Research on classification and influencing factors of metro commuting patterns by combining smart card data and household travel survey data | |
Duan et al. | MobilePulse: Dynamic profiling of land use pattern and OD matrix estimation from 10 million individual cell phone records in Shanghai | |
Cabanilla et al. | Optimal selection of COVID-19 vaccination sites in the Philippines at the municipal level | |
Jiao et al. | Understanding the land use function of station areas based on spatiotemporal similarity in rail transit ridership: A case study in Shanghai, China | |
Cheng et al. | Characterising travel behaviour patterns of transport hub station area users using mobile phone data | |
Dash et al. | From Mobile Phone Data to Transport Network--Gaining Insight about Human Mobility | |
CN110399919A (zh) | 一种人类出行稀疏轨迹数据插值重构方法 | |
Li et al. | A simulation approach to detect arterial traffic congestion using cellular data |
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 |