CN115660192A - 社区服务部署优化方法、系统、设备及介质 - Google Patents
社区服务部署优化方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115660192A CN115660192A CN202211372281.4A CN202211372281A CN115660192A CN 115660192 A CN115660192 A CN 115660192A CN 202211372281 A CN202211372281 A CN 202211372281A CN 115660192 A CN115660192 A CN 115660192A
- Authority
- CN
- China
- Prior art keywords
- community
- service
- community service
- data
- optimization
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例中提供了一种社区服务部署优化方法、系统、设备及介质,属于计算技术领域,具体包括:步骤1,获取目标地区的初始数据;步骤2,根据预设时间间隔将所述初始数据划分为文本输入数据;步骤3,采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;步骤4,采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;步骤5,将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。通过本公开的方案,提高了对社区服务调控的实时性和精准度。
Description
技术领域
本公开实施例涉及计算技术领域,尤其涉及一种社区服务部署优化方法、系统、设备及介质。
背景技术
目前,随着人口老龄化,将减少劳动力的供给数量、增加家庭养老负担和基本公共服务供给的压力。同时也要看到人口老龄化促进了‘银发经济’发展,扩大了老年产品和服务消费,还有利于推动技术进步。大量的老年人口进入了城市的社区,给社区的医疗和城市医疗带来了比较大的医疗压力。随着我国市场经济体制的确立和城市社区建设在全国范围内的推动,原有的医疗卫生体制已经不能适合新时期经济社会的发展需要,医疗资源利用、医疗服务水平不高、医疗费用增长等等问题都迫切需要发展社区医疗服务。社区医疗服务起源于18世纪的全科医疗。全科医疗是指受过一般医学训练且不分科的基层医生提供的医疗服务。政府鼓励符合规定的个体诊所和社会力量参与创办社区卫生服务机构,这为“社会办医疗”提供了政策依据。一些个人或社会团体出资兴办的条件较好的诊所,它们具有良好的服务、医疗条件以及公道的价格,也能够向社区居民提供服务。不论政府或社会力量举办的社区医疗机构,只要为社区居民提供公共卫生服务,均应该按照相关规定享受政府补助。例如苏州市区的社区医院并不是由政府主办,而是通过招投标引进社会力量兴办的。以前,卫生局和社区医院签的《目标责任书》是行政命令,而现在变成具有法律效力的合同。这样使双方都更明确自己的权利和义务,更适合“政府购买”的实际操作。
城市社区医疗服务是实现“人人享有初级卫生保健”这个目标的基本途径。要应该高度重视发展城市社区医疗服务,持续提升其综合水平,构建以社区医疗服务为基础,社区医疗服务与医疗机构合理分工、密切协作的新型医疗体系,使城市社区医疗服务得到长足发展,真正为群众提供便利。
随机最优化指带有随机因素的最优化问题,利用概率统计、随机过程、随机分析等工具解决。所谓的随机因素,包括环境的随机因素、控制变量不确定因素,准则值的不确定因素等。例如,在考虑水库优化调度问题题的时候,天然来水一般是三阶皮尔逊分布的随机变量。在考虑库存管理问题时,变动的需求常常考虑为外生的随机变量。这些都属于环境的不确定因素。在排队系统中服务速率确定后,真实的服务时间依然是随机变化的,这属于控制变量的不确定因素。使用药物最终能够达到的效果往往不是确定的,评判最优的阈值在很多问题中也具有不确定性,等等。
可见,亟需一种调控实时性和精准度高的社区服务部署优化方法。
发明内容
有鉴于此,本公开实施例提供一种社区服务部署优化方法、系统、设备及介质,至少部分解决现有技术中存在调控实时性和精准度较差的问题。
第一方面,本公开实施例提供了一种社区服务部署优化方法,包括:
步骤1,获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;
步骤2,根据预设时间间隔将所述初始数据划分为文本输入数据;
步骤3,采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;
步骤4,采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;
步骤5,将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
根据本公开实施例的一种具体实现方式,所述步骤3具体包括:
设定所述单个大型社区的社区服务的第一种排队系统并得到其参数计算公式,其中,所述第一种排队系统为M/M/1模型;
根据所述单个大型社区的社区服务队列的特征和配置的服务人员的人数,比较服务强度和单个服务人员的服务上限M0,判断所述第一种排队系统在所述单个大型社区的工作状态,得到所述社区服务部署方法和所述参数。
根据本公开实施例的一种具体实现方式,所述第一种排队系统的参数计算公式为
其中,λ代表顾客平均到达率,μ代表平均服务率,P0代表系统里没有顾客的概率,即所有服务设施空闲的概率,Ls代表队列中等待的平均顾客数,Lq代表系统中的平均顾客数,包括正排队和正接受服务的顾客,Pn代表系统中有n个顾客的概率,ρ代表服务强度,Ws代表队列中顾客等待时间的期望值,即顾客进入队列到接受服务前的等待时间,Wq代表系统中顾客等待时间的期望值,即顾客进入队列到离开系统的停留时间。
根据本公开实施例的一种具体实现方式,所述步骤4具体包括:
设定全部临近大型社区的社区服务对应的第二种排队系统并得到其参数计算公式,其中,所述第二种排队系统为M/M/n模型;
根据该社区医疗服务队列的特征和配置的服务人员人数、比较服务人数、服务强度、单个服务人员的服务上限M0和所述第二种排队系统的服务上限MT0,并通过深度学习模型分析所述第二种排队系统在全部临近大型社区形成的社区群中工作状态,得到所述参数值。
根据本公开实施例的一种具体实现方式,所述第二种排队系统的参数计算公式为
其中,n表示系统中的顾客数量,P0代表系统里没有顾客的概率,即所有服务设施空闲的概率。
根据本公开实施例的一种具体实现方式,所述步骤5之前,所述方法还包括:
预先设定所述阈值θ1,θ2,θ3,θ1<θ2<θ3。
根据本公开实施例的一种具体实现方式,所述步骤5具体包括:
根据所述参数值计算不同社区的社区服务状态信息,若第k+1个时间线中第i个社区服务状态信息T(k+1)i与第k个时间线中所有社区服务信息Tki体现的服务综合度都小于阈值θ1,则判定第i个社区为“正常”状态;
若存在一个但不多于两个时间线k中社区服务状态信息Tki与时间线社区服务状态T(k+1)j的社区服务信息反映的综合度大于阈值θ2而全部小于θ3,则判定第i个社区为“调整”时态;
若时间线k中至少3个时间线k中社区服务状态Tki与时间线社区服务状态T(k+1)j的社区服务综合度度大于阈值θ2或者至少有一个大于阈值θ3,则判定第i个社区为“支援”状态。
第二方面,本公开实施例提供了一种社区服务部署优化系统,包括:
获取模块,用于获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;
划分模块,用于根据预设时间间隔将所述初始数据划分为文本输入数据;
计算模块,用于采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;
优化模块,用于采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;
调控模块,用于将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,与该至少一个处理器通信连接的存储器;其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的社区服务部署优化方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的社区服务部署优化方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的社区服务部署优化方法。
本公开实施例中的社区服务部署优化方案,包括:步骤1,获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;步骤2,根据预设时间间隔将所述初始数据划分为文本输入数据;步骤3,采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;步骤4,采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;步骤5,将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
本公开实施例的有益效果为:
1、提出了针对单个大型社区,结合随机优化模型的排队论理论,得到了相应参数的计算公式,数量关系比较明确;
2、随机优化模型和深度学习模型对社区服务进行学习,判断社区群中社区服务的服务综合度并进行动态调整和优化,提升社区服务的时效性和群众满意度;
3、在社区群的社区服务孪生网络结构中,对学习到的特征描述进行了增强的信息机制融合,通过引入增强的信息机制从全局方面把握对于相关信息的提取,以消除冗余信息和无关信息造成的干扰,同时强化那些最具辨别特性的特征描述。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种社区服务部署优化方法的流程示意图;
图2为本公开实施例提供的一种社区服务部署优化方法的整体实施流程示意图;
图3为本公开实施例提供的一种使用单个大型社区的社区服务示意图;
图4为本公开实施例提供的一种使用社区群的社区服务示意图;
图5为本公开实施例提供的一种使用深度学习中孪生网络模型的计算流程示意图;
图6为本公开实施例提供的一种社区服务部署优化系统的结构示意图;
图7为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种社区服务部署优化方法,所述方法可以应用于城市医疗和社区服务等场景的服务调控过程中。
参见图1,为本公开实施例提供的一种社区服务部署优化方法的流程示意图。如图1和图2所示,所述方法主要包括以下步骤:
步骤1,获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;
例如,可以通过实地调研或者调取所在区域的相关网络数据等方式在所在区域进行信息收集,确保数据真实性,数据集中可包含社区信息、居住信息、前期社区医疗服务信息等数据。
步骤2,根据预设时间间隔将所述初始数据划分为文本输入数据;
具体实施时,可以根据预设时间间隔将所述初始数据划分为文本输入数据,以便于后续作为网络模型所需的输入数据。
步骤3,采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;
在上述实施例的基础上,所述步骤3具体包括:
设定所述单个大型社区的社区服务的第一种排队系统并得到其参数计算公式,其中,所述第一种排队系统为M/M/1模型;
根据所述单个大型社区的社区服务队列的特征和配置的服务人员的人数,比较服务强度和单个服务人员的服务上限M0,判断所述第一种排队系统在所述单个大型社区的工作状态,得到所述社区服务部署方法和所述参数。
进一步的,所述第一种排队系统的参数计算公式为
其中,λ代表顾客平均到达率,μ代表平均服务率,P0代表系统里没有顾客的概率,即所有服务设施空闲的概率,Ls代表队列中等待的平均顾客数,Lq代表系统中的平均顾客数,包括正排队和正接受服务的顾客,Pn代表系统中有n个顾客的概率,ρ代表服务强度,Ws代表队列中顾客等待时间的期望值,即顾客进入队列到接受服务前的等待时间,Wq代表系统中顾客等待时间的期望值,即顾客进入队列到离开系统的停留时间。
具体实施时,首先分析单个大型社区社区服务的基本部署方法,主要是社区医疗服务的基本部署方法。
如图3所示,单个大型社区社区服务(医疗服务)的基本部署方法中主要涉及服务人员的数量和配置方式。单个大型社区社区服务(医疗服务)的排队系统基本符合标准的M/M/1模型,其顾客源是有个大的上限或者是无限的,顾客单个到达,相互独立,一定时间的到达数服从泊松分布,到达过程是平稳的,顾客到达后排成一条单队列,队长没有限制,先到达的顾客先接受服务,服务机构是单服务台的,各个顾客的服务时间是相互独立的,服务时间服从相同的负指数分布,顾客到达间隔时间和服务时间是相互独立的。
社区服务(医疗服务)的排队系统基本符合标准的M/M/1模型,该M/M/1排队系统的具体参数计算公式表述如下:
其中,λ代表顾客平均到达率,μ代表平均服务率,P0代表系统里没有顾客的概率,即所有服务设施空闲的概率,Ls代表队列中等待的平均顾客数,Lq代表系统中的平均顾客数,包括正排队和正接受服务的顾客,Pn代表系统中有n个顾客的概率,ρ代表服务强度,Ws代表队列中顾客等待时间的期望值,即顾客进入队列到接受服务前的等待时间,Wq代表系统中顾客等待时间的期望值,即顾客进入队列到离开系统的停留时间。
然后根据该社区医疗服务队列的特征和配置的服务人员的人数,比较服务强度和单个服务人员的服务上限M0,分析这个系统在该大型社区是否能构正常工作还是超负荷运转而需要动态增加服务人员的数量。
步骤4,采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;
在上述实施例的基础上,所述步骤4具体包括:
设定全部临近大型社区的社区服务对应的第二种排队系统并得到其参数计算公式,其中,所述第二种排队系统为M/M/n模型;
根据该社区医疗服务队列的特征和配置的服务人员人数、比较服务人数、服务强度、单个服务人员的服务上限M0和所述第二种排队系统的服务上限MT0,并通过深度学习模型分析所述第二种排队系统在全部临近大型社区形成的社区群中工作状态,得到所述参数值。
进一步的,所述第二种排队系统的参数计算公式为
其中,n表示系统中的顾客数量,P0代表系统里没有顾客的概率,即所有服务设施空闲的概率。
具体实施时,在得到单个大型社区的社区服务基本部署方法和参数后,可以继续分析多个临近的大型社区组成的社区群的社区服务的基本部署方法,具体的,如图4所示,全部临近大型社区的社区服务对应的第二种排队系统若符合标准的M/M/n模型,其顾客源是无限的,顾客单个到达,相互独立,一定时间的到达数服从泊松分布,到达过程是平稳的,顾客到达后排成一条单队列,队长没有限制,先到达的顾客先接受服务,服务机构有n个服务台,各个顾客的服务时间是相互独立的,各个服务台的服务时间服从均值为μ的负指数分布,则系统的参数具体表达如下:
其中,p代表系统中有n个顾客的概率,服务强度,n表示系统中的顾客数量,P0代表系统里没有顾客的概率,即所有服务设施空闲的概率。
然后根据社区群里的该社区医疗服务队列的特征和配置的服务人员的人数,比较服务强度和单个服务人员的服务上限M0,可以采用LDA主题模型结合增强形的孪生BiLSTM网络模型分析这个系统的状态,从而来判定该大型社区群社区服务是否能构正常工作还是超负荷运转而需要动态增加服务人员的数量。
步骤5,将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
可选的,所述步骤5之前,所述方法还包括:
预先设定所述阈值θ1,θ2,θ3,θ1<θ2<θ3。
进一步的,所述步骤5具体包括:
根据所述参数值计算不同社区的社区服务状态信息,若第k+1个时间线中第i个社区服务状态信息T(k+1)i与第k个时间线中所有社区服务信息Tki体现的服务综合度都小于阈值θ1,则判定第i个社区为“正常”状态;
若存在一个但不多于两个时间线k中社区服务状态信息Tki与时间线社区服务状态T(k+1)j的社区服务信息反映的综合度大于阈值θ2而全部小于θ3,则判定第i个社区为“调整”时态;
若时间线k中至少3个时间线k中社区服务状态Tki与时间线社区服务状态T(k+1)j的社区服务综合度度大于阈值θ2或者至少有一个大于阈值θ3,则判定第i个社区为“支援”状态。
具体实施时,所述服务状态信息可以采用以下公式进行计算
进一步地,所述服务综合度可以采用以下公式计算
具体如图5所示,对于社区群各个社区的社区服务综合度的提取部分,本发明采用的核心模型为基于循环神经网络改进的长短期记忆网络,相较侧重于识别跨空间的模式的卷积神经网络,其在检测局部的任务中取得较优的结果而言,循环神经网络侧重于跨时间的模式,因此在社区服务的数据本身存在的时序性特点前提下,循环神经网络具有更好的表现,而长短期记忆网络作为循环神经网络的改进模型,其模型结构中记忆单元能有效的记录社区服务信息时序特征,在解决传统方法中较弱的缺点上能够得到更好的效果。
本发明结合Graves提出的双向长短期记忆网络,该模型可以获得更多的信息。且在该基础上引入了增强型信息机制解决上述存在的信息丢失问题,从全局考虑文本语义信息,提取全局文本信息进行计算。具体的信息增强的计算公式如下式所示:
公式中其中R表示为向量空间,n表示多头注意力机制中的层数,dk,dv分别表示为相关信息维度。激活函数softmax中为三个矩阵相乘,得到一个n×dv的矩阵,可以简单的理解为Attention层把n×dk的序列Q编码为n×dv的新序列。
服务综合度使用基于孪生双向长短期记忆网络和信息增加机制并且使用曼哈顿距离的方法来实现句对之间的相似度度量。两个输入信息经过双向长短期记忆网络得到表征当前状态相关的向量,并通过信息增强机制中Q,K,V权重矩阵,对得到的向量进行权重分配,通过曼哈顿函数进行计算得到两者相似度。当计算时间线Tk中的第n个社区服务信息和时间线Tk+1中第m个社区服务信息的服务综合度度如下公式所示,式中以及分别为社区服务信息在相应向量空间中的表示。
其中||||1为1-范式,表示向量元素绝对值之和。
本步骤结合随机优化模型和注意力增强的孪生双向长短期记忆网络模型能够在现有技术的基础上加入了对于相关信息的关注,提高了分辨信息间关系的准确率。本步骤中选择采用网格搜索来确定确定计算相关参数,提高计算准确度和精度。
在得到所述服务综合度后,可以将其对预先设定的阈值θ1,θ2,θ3进行比较,从而确定下一步操作流程,若第k+1个时间线中第i个社区服务状态信息T(k+1)i与第k个时间线中所有社区服务信息Tki体现的服务综合度都小于阈值θ1,则判定第i个社区为“正常”状态;
若存在一个但不多于两个时间线k中社区服务状态信息Tki与时间线社区服务状态T(k+1)j的社区服务信息反映的综合度大于阈值θ2而全部小于θ3,则判定第i个社区为“调整”时态;
若时间线k中至少3个时间线k中社区服务状态Tki与时间线社区服务状态T(k+1)j的社区服务综合度度大于阈值θ2或者至少有一个大于阈值θ3,则判定第i个社区为“支援”状态,需要及时调整支援,满足群众社区服务的需要。
本实施例提供的社区服务部署优化方法,通过基于随机优化中排队论模型和深度学习中的来分析大型社区中医疗服务的配置和优化方法。同时结合深度学习模型,建立评价机制和动态调整方法,从而进一步分析和提高社区或社区群的医疗服务调控的时效性和精准度,也能提升社区群众对医疗服务的满意度。
与上面的方法实施例相对应,参见图6,本公开实施例还提供了一种社区服务部署优化系统60,包括:
获取模块601,用于获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;
划分模块602,用于根据预设时间间隔将所述初始数据划分为文本输入数据;
计算模块603,用于采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;
优化模块604,用于采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;
调控模块605,用于将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
图6所示系统可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图7,本公开实施例还提供了一种电子设备70,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的社区服务部署优化方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的社区服务部署优化方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的社区服务部署优化方法。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备70的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备70可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备70操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备70与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备70,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种社区服务部署优化方法,其特征在于,包括:
步骤1,获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;
步骤2,根据预设时间间隔将所述初始数据划分为文本输入数据;
步骤3,采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;
步骤4,采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;
步骤5,将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
2.根据权利要求1所述的方法,其特征在于,所述步骤3具体包括:
设定所述单个大型社区的社区服务的第一种排队系统并得到其参数计算公式,其中,所述第一种排队系统为M/M/1模型;
根据所述单个大型社区的社区服务队列的特征和配置的服务人员的人数,比较服务强度和单个服务人员的服务上限M0,判断所述第一种排队系统在所述单个大型社区的工作状态,得到所述社区服务部署方法和所述参数。
4.根据权利要求3所述的方法,其特征在于,所述步骤4具体包括:
设定全部临近大型社区的社区服务对应的第二种排队系统并得到其参数计算公式,其中,所述第二种排队系统为M/M/n模型;
根据该社区医疗服务队列的特征和配置的服务人员人数、比较服务人数、服务强度、单个服务人员的服务上限M0和所述第二种排队系统的服务上限MT0,并通过深度学习模型分析所述第二种排队系统在全部临近大型社区形成的社区群中工作状态,得到所述参数值。
6.根据权利要求5所述的方法,其特征在于,所述步骤5之前,所述方法还包括:
预先设定所述阈值θ1,θ2,θ3,θ1<θ2<θ3。
7.根据权利要求6所述的方法,其特征在于,所述步骤5具体包括:
根据所述参数值计算不同社区的社区服务状态信息,若第k+1个时间线中第i个社区服务状态信息T(k+1)i与第k个时间线中所有社区服务信息Tki体现的服务综合度都小于阈值θ1,则判定第i个社区为“正常”状态;
若存在一个但不多于两个时间线k中社区服务状态信息Tki与时间线社区服务状态T(k+1)j的社区服务信息反映的综合度大于阈值θ2而全部小于θ3,则判定第i个社区为“调整”时态;
若时间线k中至少3个时间线k中社区服务状态Tki与时间线社区服务状态T(k+1)j的社区服务综合度度大于阈值θ2或者至少有一个大于阈值θ3,则判定第i个社区为“支援”状态。
8.一种社区服务部署优化系统,其特征在于,包括:
获取模块,用于获取目标地区的初始数据,其中,所述初始数据包括社区布置数据、人员分布数据、道路情况数据和社区服务数据;
划分模块,用于根据预设时间间隔将所述初始数据划分为文本输入数据;
计算模块,用于采用随机优化模型和排队论模型提取时段内的文本输入数据并计算单个大型社区的社区服务部署方法和参数;
优化模块,用于采用深度学习模型和马尔科夫转移机制研究多个临近大型社区的社区服务部署方法和参数优化,得到参数值;
调控模块,用于将临近社区的参数值与阈值比较,确定社区群社区服务部署方法和动态调控方式。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的社区服务部署优化方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的社区服务部署优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372281.4A CN115660192A (zh) | 2022-11-03 | 2022-11-03 | 社区服务部署优化方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211372281.4A CN115660192A (zh) | 2022-11-03 | 2022-11-03 | 社区服务部署优化方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660192A true CN115660192A (zh) | 2023-01-31 |
Family
ID=84996186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211372281.4A Pending CN115660192A (zh) | 2022-11-03 | 2022-11-03 | 社区服务部署优化方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660192A (zh) |
-
2022
- 2022-11-03 CN CN202211372281.4A patent/CN115660192A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111381909B (zh) | 一种页面展示方法、装置、终端设备及存储介质 | |
JP2022058915A (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN110874716A (zh) | 面试测评方法、装置、电子设备及存储介质 | |
JPWO2016136056A1 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN109389365B (zh) | 多人协作式文档的处理方法、装置和电子设备 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN105184708A (zh) | 一种留学申请匹配方法及系统 | |
US20140172505A1 (en) | Methods and systems for online support and promotion of authors | |
CN111563158A (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
CN114757518A (zh) | 资产评估方法、装置、设备及介质 | |
CN111275683B (zh) | 图像质量评分处理方法、系统、设备及介质 | |
CN116402166A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN111382977A (zh) | 基于用户借阅行为的图书采购方法、装置及存储介质 | |
CN116664227A (zh) | 金融产品智能推荐方法及装置 | |
CN115660192A (zh) | 社区服务部署优化方法、系统、设备及介质 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN113781247A (zh) | 协议数据推荐方法、装置、计算机设备及存储介质 | |
CN107066337A (zh) | 资源平衡性的确定方法、装置、设备以及存储介质 | |
CN111125556A (zh) | 推荐排序方法、系统、电子设备及可读存储介质 | |
CN112948691B (zh) | 实体场所的体验指标计算方法和装置 | |
CN112231585B (zh) | 推荐信息显示方法、装置、设备和计算机可读介质 | |
CN114125537B (zh) | 直播教学的讨论方法、装置、介质和电子设备 |
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 |