CN114334106A - 一种基于问诊数据的医生分配算法 - Google Patents

Abstract

本发明公开了一种基于问诊数据的医生分配系统，属于医疗领域，应用于线上问诊平台；包括：获取接诊数据；得到每个医生对应的分配标识信息；构建一深层神经网络，训练得到分配神经网络模型并输出；接收问诊请求；获取可接诊医生列表；选择第二平均处理时间处于一预设的平均处理时间范围内的所有医生；根据被选择的每个医生分别对应的下单率和第二平均处理时间得到每个医生对应的下单时间比值；将最大的下单时间比值对应的医生分配给待咨询用户。本发明的有益效果在于：通过分析每位医生对每种病情的处理时间，能够合理的为每一位患者快速的分配对应的医生进行诊断治疗，提升患者的体验感。

Description

一种基于问诊数据的医生分配算法

技术领域

本发明涉及医疗领域，尤其涉及一种基于问诊数据的医生分配算法。

背景技术

随着网络的普及，医疗行业也开通了线上服务，传统的问诊方式通常是去医院挂号或预约门诊进行病情诊断，随着网络的普及，用户也可以通过线上预约，在预约的时间段去医院接收医生的诊断，医生和病人之间通过面对面交流进行诊断，但是目前的诊断方式还是具有很大的局限性，使患者必须去医院接收诊断，而且由于线上医生为患者诊断治疗的分配不合理，导致网上预约或挂号难的现象，医生资源的使用不合理，线上问诊排队时间长，用户体验感差，进而导致平台的成交总额(Gross Merchandise Volume，GMV)较低，因此针对以上问题，迫切需要设计出一种基于问诊数据的医生分配算法，以满足实际使用的需要。

发明内容

为了解决以上技术问题，本发明提供了一种基于问诊数据的医生分配算法。

本发明所解决的技术问题可以采用以下技术方案实现：

本发明提供一种基于问诊数据的医生分配系统，应用于线上问诊平台；其特征在于，包括：

一获取单元，用于从所述线上问诊平台获取历史分配信息，并根据所述历史分配信息获取对应的医生的接诊数据，所述接诊数据包括每个医生正在处理的第一接诊人数，每个所述医生待处理的第二接诊人数，于一预设时间段内的总接诊人数以及对应的总接诊时长；

一第一处理单元，连接所述获取单元，用于根据所述第一接诊人数和所述第二接诊人数处理得到每个所述医生分别对应的接诊人数饱和度，以及对所述接诊数据中的每个所述医生对应的所述总接诊人数和所述总接诊时长分别进行归一化处理，得到每个所述医生对应的所述总接诊时长的第一量化值、所述总接诊人数的第二量化值；

一标记单元，分别连接所述获取单元和所述第一处理单元，用于根据所述历史分配信息将对应的所述医生打上分配标识信息，并将所述分配标识信息与所述医生所对应的所述接诊人数饱和度、所述第一量化值和所述第二量化值相关联；

一训练单元，连接所述标记单元，用于构建一深层神经网络，并根据所述接诊人数饱和度、所述第一量化值、所述第二量化值，以及对应的所述分配标识信息对所述深层神经网络进行训练，以得到一分配神经网络模型并输出；

一接收单元，用于接收一待咨询用户的问诊请求，所述问诊请求包括所述待咨询用户对应的病症，以及根据所述病症获得对应的预计的平均处理时间；

一第二处理单元，分别连接所述接收单元和所述训练单元，用于获取当前时刻的可接诊医生列表，以及所述可接诊医生列表中的每个所述医生对应的所述接诊人数饱和度、所述第一量化值和所述第二量化值，并输入到所述分配神经网络模型中，得到一可分配列表并输出；

一第三处理单元，连接所述第二处理单元，用于获取所述可分配列表中每个可分配医生处理所述病症分别对应的第二平均处理时间，选择所述第二平均处理时间处于一预设的平均处理时间范围内的所有所述医生，并根据选择的所述医生的所述第二平均处理时间得到一平均处理时间数列输出；

一第四处理单元，连接所述第三处理单元，用于根据每个所述医生对应于所述病症的接诊数和下单接诊数，处理得到每个所述医生对应的下单率，根据被选择的每个所述医生分别对应的下单率和所述平均处理时间数列中的所述第二平均处理时间得到每个所述医生对应的下单时间比值，所述下单接诊数是指接诊后于所述线上问诊平台下单的总用户数；

匹配单元，连接所述第四处理单元，用于将最大的所述下单时间比值对应的所述医生分配给所述待咨询用户。

优选地，所述第一处理单元根据下述公式处理得到所述接诊人数饱和度：

其中，

C_d表示所述医生正在处理的第一接诊人数；

C_st表示所述医生待处理的第二接诊人数；

P_c表示所述接诊人数饱和度。

优选地，所述第一处理单元对所述总接诊人数和所述总接诊时长分别进行离差标准化处理，得到每个所述医生对应的所述第一量化值和所述第二量化值。

优选地，还包括一数据库，所述数据库用以存储每个所述病症对应的第一平均处理时间；

所述数据库获取所述线上问诊平台上所有所述医生处理的所有病症，以及每个病症对应的每次处理所用的时间，并采用以下处理得到每个所述病症对应的所述第一平均处理时间：

其中，

T(DIS_k)表示第k次处理每个特定的所述病症对应的处理时间；

P_k表示第k次处理每个所述特定的所述病症的处理时间对应的频率；

E(DIS)表示每个所述病症对应的所述第一平均处理时间。

优选地，根据每个所述病症对应的所述第一平均处理时间和允许误差范围得到所述预设的平均处理时间范围，其中每个所述病症对应的所述允许误差范围根据下述公式得出：

其中，

E(DIS)表示每个所述病症对应的所述第一平均处理时间；

T(DIS_m)表示第m次处理所述病症对应的处理时间；

d表示所述允许误差范围；

则所述预设的平均处理时间范围为[E(DIS)-d，E(DIS)+d]。

优选地，所述第三处理单元采用下述公式得到每个所述医生处理所述病症对应的第二平均处理时间

其中，

a表示每个所述医生处理所述病症的次数；

T_x表示每个所述医生第x次处理所述病症时对应的处理时间；

表示每个所述医生的处理所述病症的第二平均处理时间。

优选地，所述训练单元包括：

一预处理模块，用于对所述接诊人数饱和度、所述第一量化值和所述第二量化值，以及相关联的所述分配标识信息进行预处理；

一训练数据准备模块，连接所述预处理模块，用于将所述接诊人数饱和度、所述第一量化值、所述第二量化值作为所述深层神经网络的输入，所述分配标识信息作为所述深层神经网络的输出；

训练模块，连接所述训练数据准备模块，用于对所述接诊人数饱和度、所述第一量化值、所述第二量化值，以及对应的所述分配标识信息进行训练，得到所述分配神经网络模型。

优选地，于所述分配神经网络模型训练之后，采用一自适应学习率调整函数对得到的所述分配神经网络模型进行优化。

优选地，所述第四处理单元根据所述医生对应于所述病症的接诊数和下单接诊数，并采用以下公式计算得到每个所述医生对应的下单率：

其中，

C_trt表示每个所述医生对应于所述病症的接诊数；

C_or表示每个所述医生对应于所述病症的下单接诊数；

P_or表示每个所述医生对应的所述下单率。

优选地，所述第四处理单元根据被选择的每个所述医生分别对应的下单率和所述第二平均处理时间，并采用以下公式处理得到每个所述医生对应的下单时间比值：

其中，

P_or表示第q个所述医生对应的所述下单率；

T(D_q)_z表示第q个所述医生对应于所述病症的所述第二平均处理时间；

D_q表示第q个所述医生对应的下单时间比值。

本发明的有益效果在于：

本发明基于平台前期的问诊数据，通过分析每位医生对每种病情的处理时间，能够合理的为每一位患者快速的分配对应的医生进行诊断治疗，大幅度减少线上患者排队的时间，提升患者的体验感；解决医生之间空闲时间不同的局面，合理规划医生资源，同时通过医生为患者诊断、下单开药，以进一步提升平台的成交总额。

附图说明

图1为本发明中一种基于问诊数据的医生分配算法的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明提供一种基于问诊数据的医生分配系统，属于医疗领域，应用于线上问诊平台，该线上问诊平台与现有技术中的在线问诊软件类似，其具体运作模式大致为：患者发起问诊请求、平台分配医生接待患者、医生响应患者问诊、医生与患者沟通、问诊结束后医生在平台为患者开药、患者付款并结束问诊请求、医生邀请患者评价服务、问诊结束。

如图1所示，则上述医生分配系统具体包括两大部分，一是分配神经网络模型的训练，二是利用训练好的分配神经网络模型进行分配；

分配神经网络模型的训练过程如下：

一获取单元1，用于从线上问诊平台获取历史分配信息，并根据历史分配信息获取对应的医生的接诊数据，接诊数据包括每个医生正在处理的第一接诊人数，每个医生待处理的第二接诊人数，于一预设时间段内的总接诊人数以及对应的总接诊时长；

具体的，历史分配信息是指某一历史时刻，有一患者于线上问诊平台上发起问诊请求，平台将该患者分配给某一医生，即获取该医生这一天开始截至分配时刻的正在处理的第一接诊人数，待处理的第二接诊人数，总接诊人数以及对应的总接诊时长作为接诊数据；

上述接诊数据和历史分配信息一一对应，即平台分配患者给某一医生，获取该医生当前时刻的接诊数据；

其中，接诊数据为有效接诊数据，有效接诊数据表示咨询交流信息大于4的问诊数据，即医生和患者的一问一答的信息要超过4条；

预设时间段可根据线上问诊平台的实际问诊情况来确定，一般情况下该预设时间段小于一天，即24小时内；

需注意的是，在历史分配过程中，平台采用随机分配的方式将患者分配给医生。

一第一处理单元2，连接获取单元1，用于根据第一接诊人数和第二接诊人数处理得到每个医生分别对应的接诊人数饱和度；

第一处理单元2根据下述公式(1)处理得到接诊人数饱和度：

其中，

C_d表示医生正在处理的第一接诊人数；

C_st表示医生待处理的第二接诊人数；

P_c表示接诊人数饱和度；

当平台上问诊患者较多时，一个医生可能会同一时间段处理多个患者，即为该医生正在处理的第一接诊人数C_d，该医生待处理的第二接诊人数表示平台分配给这个医生的，但医生还没有处理的患者人数；

第一处理单元2还对历史分配信息中每个医生对应的总接诊人数和总接诊时长进行min-max标准化(Min-Max Normalization)处理，也称为离差标准化，是对原始数据的线性变换，分别得到每个医生对应的总接诊时长的第一量化值、总接诊人数的第二量化值，使量化值映射到[0，1]之间。

一标记单元3，分别连接获取单元1和第一处理单元2，用于根据历史分配信息将对应的医生打上分配标识信息，并将分配标识信息与医生所对应的接诊人数饱和度、第一量化值和第二量化值相关联；

具体的，由于接诊数据和历史分配信息是一一对应的，根据历史分配信息，将对应的计算得到的接诊人数饱和度、第一量化值和第二量化值，标记一分配标识信息，该分配标识信息为可分配，表示对应于上述接诊人数饱和度、第一量化值和第二量化值的医生可以分配；

一训练单元4，连接标记单元3，用于构建一深层神经网络，并根据接诊人数饱和度、第一量化值、第二量化值，以及对应的分配标识信息对深层神经网络进行训练，以得到一分配神经网络模型并输出；

在一个较佳的实施例中，训练单元4包括：

一预处理模块，用于对接诊人数饱和度、第一量化值和第二量化值，以及相关联的分配标识信息进行预处理；

具体的，预先设置多个阈值，将接诊数据以及计算得到的接诊人数饱和度、第一量化值、第二量化值分别与对应的阈值进行比较，剔除异常的接诊数据，例如将接诊人数饱和度与一第一阈值相比较，当某医生当天的接诊人数饱和度大于第一阈值，但该平台还是将问诊的患者分配给这个医生，则剔除这条问诊数据，其中第一阈值大约为90％；由于人的精力有限，若某医生的总接诊时长超过10个小时，则这项接诊数据也需要剔除掉；由于每个医生擅长处理的病症不同，水平高低参差不齐，一般情况下，假设大约10分钟能够处理完一个患者的问诊请求，每个医生每天约工作八小时，再除去休息的时间，以及其他杂余时间，一个医生每天大约能够处理36个患者，若该医生当天的总接诊人数超过了36人，同样需要剔除该数据；采用包括但不限于上述方法对待训练的数据进行预处理；

基于预处理后的接诊人数饱和度、对应于总接诊时长的第一量化值、对应于总接诊人数的第二量化值，以及标记得到的对应的分配标识信息，能够得到一个四维的数据矩阵，如下矩阵(2)所示：

其中，

P_tti表示第i个医生对应的总接诊时长的第一量化值；

P_tci表示第i个医生对应的总接诊人数的第二量化值；

F_i表示第i个医生对应的分配标识信息；

其中，这里的1到i的总数表示的是线上问诊平台上已注册的所有医生；

一训练数据准备模块，连接预处理模块，用于构建一深层神经网络，将接诊人数饱和度、第一量化值、第二量化值作为深层神经网络的输入，分配标识信息作为深层神经网络的输出；

其中，深层神经网络的输入层中有i个神经节点，隐藏层采用3层，输出层也有i节点，接诊人数饱和度、第一量化值、第二量化值作为深层神经网络的输入参数，分配标识信息作为深层神经网络的输出参数，进行神经网络训练；

训练模块，连接训练数据准备模块，用于对接诊人数饱和度、第一量化值、第二量化值，以及对应的分配标识信息进行训练，得到能够合理分配医生进行相应病症的诊断治疗，且加快诊治时长的分配神经网络模型。

进一步的，于上述较佳的实施例中，分配神经网络模型包括一输入层、多个隐藏层和一输出层，其中，输入层与每个隐藏层均采用逻辑函数进行神经网络训练，逻辑函数为Sigmoid函数，并采用一自适应学习率调整函数对得到的分配神经网络模型进行优化，自适应学习率调整函数为AdaDelta函数。

第二大部分：分配神经网络模型训练好后，利用该模型分配患者给医生

患者在平台中发起问诊，咨询某一病症，接收单元5接收待咨询用户的问诊请求，并根据咨询的病症获取该病症预计需要的平均处理时间，这里的平均处理时间是根据所有处理过该病症的医生每次处理该病症时所花费的时间计算得到的；

进一步的，还包括一数据库，数据库用以存储每个病症对应的第一平均处理时间；

数据库获取线上问诊平台上所有医生处理的所有病症，以及对应每个病症的每次处理所用的时间，并采用以下公式(3)处理得到每个病症对应的第一平均处理时间：

其中，

T(DIS_k)表示第k次处理某个特定的病症对应的处理时间；

P_k表示第k次处理该特定的病症的处理时间对应的频率；

E(DIS)表示每个病症对应的第一平均处理时间，其具体为该平台中所有医生处理同一个病症的平均处理时间；

具体的，于线上问诊平台中，对于某个特定的病症，可能存在多个医生处理过该特定的病症，同样的，某个医生也可能多次处理过该特定的病症，因此，获取平台中处理过该病症的所有医生每次处理该病症时所用的时间，假设某一次处理该病症所用的时间为5分钟，则从上述获取的所有处理该病症时所用的时间中找出所用的时间为5分钟对应的次数，将所用的时间为5分钟对应的次数再除以所有医生处理该特定病症的总次数(若某个医生多次处理过该病症，则总次数中包括该医生处理的次数)得到的比值，即为某一次处理该特定的病症的处理时间对应的频率。

需要说明的是，每个病症对应的预计需要的平均处理时间事先已经计算处理好，并存储在数据库中，当接收患者问诊时，直接根据问诊请求中的需咨询的病症从数据库中调取相应的第一平均处理时间作为该病症对应的预计需要的平均处理时间。

一第二处理单元6，分别连接接收单元5和训练单元4，用于获取当前时刻的可接诊医生列表，其中可接诊医生列表由当前时刻(即患者发起问诊请求时)在线的所有医生组成；

具体的，获取所有可接诊医生当天截至患者发起问诊请求时刻为止的接诊数据，并根据上述公式(1)计算得到接诊人数饱和度，根据min-max标准化公式处理得到对应的第一量化值和第二量化值，将当前时刻对应的接诊人数饱和度、第一量化值和第二量化值输入到分配神经网络模型中，得到一可分配列表并输出，其中，可分配列表由经分配神经网络模型输出后得到分配标识信息为可分配对应的所有医生组成。

根据分配标识信息可以将平台上的所有医生划分得到可分配医生(即分配标识信息为可分配)，剩下的即为不可分配医生；

一第三处理单元7，连接第二处理单元6，用于获取可分配列表中每个可分配医生处理病症分别对应的第二平均处理时间，选择第二平均处理时间处于一预设的平均处理时间范围内的所有医生，并根据选择的医生的第二平均处理时间得到一平均处理时间数列输出；

在一个较佳的实施例中，第三处理单元7采用下述公式(4)得到每个医生处理病症对应的第二平均处理时间：

其中，

a表示每个医生处理某个特定的病症的次数；

T_x表示每个医生第x次处理该病症时对应的处理时间；

表示每个医生的处理病症的第二平均处理时间，其具体表示每一个医生多次处理同一病症的平均处理时间。

其中，每个病症对应的第一平均处理时间E(DIS)，以及对每个病症对应的允许误差范围d(具体计算方式见下文公式(8))直接从数据库中获取，预设的平均处理时间范围为[E(DIS)-d，E(DIS)+d]，从可分配医生列表筛选出第二平均处理时间

处于[E(DIS)-d，E(DIS)+d]内的所有医生。

进一步的，上述第一平均处理时间是根据平台上的所有医生每次处理的某个特定的病症时所用的时间计算得到的(具体计算方式见上文)，第一平均处理时间对应的是某个病症，即为该病症对应的预计处理时间，该预计处理时间是预先计算好的，并且存储在平台的数据库中；而第二平均处理时间是根据平台上的某一个医生每次处理的某个特定的病症时所用的时间计算得到的(具体计算方式见上文)，第二平均处理时间对应的是某个医生，即为每一个医生处理某个特定的病症对应的平均处理时间，该第二平均处理时间可以是预先计算好后存储在平台中，也可以是当用户咨询某一病症时，经上述分配神经网络模型得到可分配列表后，实时计算得到可分配列表中的每个可分配医生对应的第二平均处理时间；

需要说明的是，医疗诊断技术的进步，以及每个医生的经验的积累，或者处理的病症的复杂程度，都会影响处理某个病症的所用的时间，因此，上述第一平均处理时间需要隔一段时间进行一次更新；若第二平均处理时间是事先计算好的话，那么第二平均处理时间也需要隔一段时间进行一次更新，具体更新间隔时间可根据实际问诊接诊情况确定。

一第四处理单元8，连接第三处理单元7，用于根据每个医生对应于某个病症的接诊数和下单接诊数，处理得到每个医生对应的下单率，根据被选择的每个医生分别对应的下单率和第二平均处理时间得到每个医生对应的下单时间比值，下单接诊数是指医生接诊后，与患者沟通结束并为患者开药，患者于该线上问诊平台下单付款的总用户数；

在一个较佳的实施例中，第四处理单元8根据医生对应于病症的接诊数和下单接诊数，并采用以下公式(5)计算得到每个医生对应的下单率：

其中，

C_trt表示每个医生对应于病症的接诊数；

C_or表示每个医生对应于病症的下单接诊数；

P_or表示每个医生对应的下单率。

在一个较佳的实施例中，第四处理单元8根据被选择的每个医生分别对应的下单率和第二平均处理时间，并采用以下公式(6)处理得到每个医生对应的下单时间比值：

其中，

P_or表示第q个医生对应的下单率；

T(D_q)_z表示第q个医生对应于病症的第二平均处理时间；

D_q表示第q个医生对应的下单时间比值。

匹配单元9，连接第四处理单元8，用于将最大的下单时间比值对应的医生分配给待咨询用户。

由于线上医生为患者诊断治疗的分配不合理，医生资源的使用不合理，导致患者发起问诊请求后，还需等待排队，造成用户体验感差；

而采用本技术方案，首先在前期调研的过程中，大量采集线上问诊平台实际运行过程中每位医生针对每种病症的问诊数据，通过神经网络训练得到稳定的网络模型，将线上问诊医生的数据代入模型中，获取可分配医生列表，通过分析每位医生对每种病症的处理时间，在处理误差范围内筛选出能够处理该病症的医生列表(即可分配医生列表)，根据医生的单位时间内下单时间比从获取的可分配医生列表中筛选出最合适的医生，并分配给咨询的患者，能够合理的为每一位患者快速的分配对应的医生进行诊断治疗，大幅度减少线上患者排队的时间，提升患者的体验感；解决医生之间空闲时间不同的局面，合理规划医生资源，同时通过医生为患者诊断、下单开药，以进一步提升平台的成交总额。

进一步的，匹配单元9还可将下单时间比值按照由大到小的顺序排序，随后将排序靠前的多个医生筛选出来，并分配给当前咨询的患者，以供患者进行选择。

优选的，于上述较佳的实施例中，匹配单元9还可以获取筛选的每个医生的个人简介以及历史接诊的典型案例等信息，并推送给患者，供患者在选择时进行参考。

在一个较佳的实施例中，根据每个病症对应的第一平均处理时间和允许误差范围得到预设的平均处理时间范围，其中每个病症对应的允许误差范围根据下述公式(7)得出：

其中，

E(DIS)表示每个病症对应的第一平均处理时间；

T(DIS_m)表示第m次处理病症对应的处理时间；

d表示允许误差范围；

则预设的平均处理时间范围为[E(DIS)-d，E(DIS)+d]。

本发明的有益效果在于：

本发明基于平台前期的问诊数据，通过分析每位医生对每种病情的处理时间，能够合理的为每一位患者快速的分配对应的医生进行诊断治疗，大幅度减少线上患者排队的时间，提升患者的体验感；解决医生之间空闲时间不同的局面，合理规划医生资源，同时通过医生为患者诊断、下单开药，以进一步提升平台的成交总额。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种基于问诊数据的医生分配系统，应用于线上问诊平台；其特征在于，包括：

一获取单元，用于从所述线上问诊平台获取历史分配信息，并根据所述历史分配信息获取对应的医生的接诊数据，所述接诊数据包括每个医生正在处理的第一接诊人数，每个所述医生待处理的第二接诊人数，于一预设时间段内的总接诊人数以及对应的总接诊时长；

一第一处理单元，连接所述获取单元，用于根据所述第一接诊人数和所述第二接诊人数处理得到每个所述医生分别对应的接诊人数饱和度，以及对所述接诊数据中的每个所述医生对应的所述总接诊人数和所述总接诊时长分别进行归一化处理，得到每个所述医生对应的所述总接诊时长的第一量化值、所述总接诊人数的第二量化值；

一标记单元，分别连接所述获取单元和所述第一处理单元，用于根据所述历史分配信息将对应的所述医生打上分配标识信息，并将所述分配标识信息与所述医生所对应的所述接诊人数饱和度、所述第一量化值和所述第二量化值相关联；

一训练单元，连接所述标记单元，用于构建一深层神经网络，并根据所述接诊人数饱和度、所述第一量化值、所述第二量化值，以及对应的所述分配标识信息对所述深层神经网络进行训练，以得到一分配神经网络模型并输出；

一接收单元，用于接收一待咨询用户的问诊请求，所述问诊请求包括所述待咨询用户对应的病症，以及根据所述病症获得对应的预计的平均处理时间；

一第二处理单元，分别连接所述接收单元和所述训练单元，用于获取当前时刻的可接诊医生列表，以及所述可接诊医生列表中的每个所述医生对应的所述接诊人数饱和度、所述第一量化值和所述第二量化值，并输入到所述分配神经网络模型中，得到一可分配列表并输出；

一第三处理单元，连接所述第二处理单元，用于获取所述可分配列表中每个可分配医生处理所述病症分别对应的第二平均处理时间，选择所述第二平均处理时间处于一预设的平均处理时间范围内的所有所述医生，并根据选择的所述医生的所述第二平均处理时间得到一平均处理时间数列输出；

一第四处理单元，连接所述第三处理单元，用于根据每个所述医生对应于所述病症的接诊数和下单接诊数，处理得到每个所述医生对应的下单率，根据被选择的每个所述医生分别对应的下单率和所述平均处理时间数列中的所述第二平均处理时间得到每个所述医生对应的下单时间比值，所述下单接诊数是指接诊后于所述线上问诊平台下单的总用户数；

匹配单元，连接所述第四处理单元，用于将最大的所述下单时间比值对应的所述医生分配给所述待咨询用户。

2.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，所述第一处理单元根据下述公式处理得到所述接诊人数饱和度：

其中，

C_d表示所述医生正在处理的第一接诊人数；

C_st表示所述医生待处理的第二接诊人数；

P_c表示所述接诊人数饱和度。

3.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，所述第一处理单元对所述总接诊人数和所述总接诊时长分别进行离差标准化处理，得到每个所述医生对应的所述第一量化值和所述第二量化值。

4.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，还包括一数据库，所述数据库用以存储每个所述病症对应的第一平均处理时间；

所述数据库获取所述线上问诊平台上所有所述医生处理的所有病症，以及每个病症对应的每次处理所用的时间，并采用以下处理得到每个所述病症对应的所述第一平均处理时间：

其中，

T(DIS_k)表示第k次处理每个特定的所述病症对应的处理时间；

P_k表示第k次处理每个所述特定的所述病症的处理时间对应的频率；

E(DIS)表示每个所述病症对应的所述第一平均处理时间。

5.根据权利要求4所述的基于问诊数据的医生分配系统，其特征在于，根据每个所述病症对应的所述第一平均处理时间和允许误差范围得到所述预设的平均处理时间范围，其中每个所述病症对应的所述允许误差范围根据下述公式得出：

其中，

E(DIS)表示每个所述病症对应的所述第一平均处理时间；

T(DIS_m)表示第m次处理所述病症对应的处理时间；

d表示所述允许误差范围；

则所述预设的平均处理时间范围为[E(DIS)-d，E(DIS)+d]。

6.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，所述第三处理单元采用下述公式得到每个所述医生处理所述病症对应的第二平均处理时间

其中，

a表示每个所述医生处理所述病症的次数；

T_x表示每个所述医生第x次处理所述病症时对应的处理时间；

表示每个所述医生的处理所述病症的第二平均处理时间。

7.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，所述训练单元包括：

一预处理模块，用于对所述接诊人数饱和度、所述第一量化值和所述第二量化值，以及相关联的所述分配标识信息进行预处理；

一训练数据准备模块，连接所述预处理模块，用于将所述接诊人数饱和度、所述第一量化值、所述第二量化值作为所述深层神经网络的输入，所述分配标识信息作为所述深层神经网络的输出；

训练模块，连接所述训练数据准备模块，用于对所述接诊人数饱和度、所述第一量化值、所述第二量化值，以及对应的所述分配标识信息进行训练，得到所述分配神经网络模型。

8.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，于所述分配神经网络模型训练之后，采用一自适应学习率调整函数对得到的所述分配神经网络模型进行优化。

9.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，所述第四处理单元根据所述医生对应于所述病症的接诊数和下单接诊数，并采用以下公式计算得到每个所述医生对应的下单率：

其中，

C_trt表示每个所述医生对应于所述病症的接诊数；

C_or表示每个所述医生对应于所述病症的下单接诊数；

P_or表示每个所述医生对应的所述下单率。

10.根据权利要求1所述的基于问诊数据的医生分配系统，其特征在于，所述第四处理单元根据被选择的每个所述医生分别对应的下单率和所述第二平均处理时间，并采用以下公式处理得到每个所述医生对应的下单时间比值：

其中，

P_or表示第q个所述医生对应的所述下单率；

T(D_q)_z表示第q个所述医生对应于所述病症的所述第二平均处理时间；

D_q表示第q个所述医生对应的下单时间比值。

Images