CN116362627A - 改进型kcf算法模型的职工一体化疗休养信息分析方法 - Google Patents
改进型kcf算法模型的职工一体化疗休养信息分析方法 Download PDFInfo
- Publication number
- CN116362627A CN116362627A CN202310637119.9A CN202310637119A CN116362627A CN 116362627 A CN116362627 A CN 116362627A CN 202310637119 A CN202310637119 A CN 202310637119A CN 116362627 A CN116362627 A CN 116362627A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- staff
- treatment
- module
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 73
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000002512 chemotherapy Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 230000010365 information processing Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 28
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 24
- 150000001875 compounds Chemical class 0.000 claims description 24
- 230000036541 health Effects 0.000 claims description 23
- 230000001225 therapeutic effect Effects 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 230000006978 adaptation Effects 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 238000002560 therapeutic procedure Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000036760 body temperature Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 4
- 230000006872 improvement Effects 0.000 claims 1
- 230000000474 nursing effect Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 5
- 238000009532 heart rate measurement Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种改进型KCF算法模型的职工一体化疗休养信息分析方法，涉及数据信息处理技术领域，解决的问题是提高一体化疗休养信息分析能力，采用的方法是：一种改进型KCF算法模型的职工一体化疗休养信息分析方法，包括如下步骤，步骤一、提取职工疗休养数据信息；步骤二、通过改进型KCF算法模型对职工的疗休养需求信息进行特征提取；步骤三、输出职工疗休养数据信息，建立职工一体化疗休养信息模型，步骤四、采用方案确认模块对职工疗休养数据信息进行存储、清洗和分析，步骤五、智能跟踪监测职工状态。本发明大大提高了数据信息处理能力。
Description
技术领域
本发明数据信息处理技术领域，且更确切地涉及一种改进型KCF算法模型的职工一体化疗休养信息分析方法。
背景技术
职工疗休养事业是职工福利事业的一个重要组成部分，其主要任务是通过疗休养院和生态旅游区，来恢复与增进职工的身体健康，降低职工的疾病率，调动职工的积极性，使职工不仅有充沛的体力，而且有高昂的劳动热情投入生产建设事业，职工的疗养事业既是职工福利的一个重要组成部分，又是医疗预防事业的一个重要内容，只有坚持疗养事业是医疗预防机构的任务，坚持疗养院的工作要以医疗为中心，才能保证完成降低职工的疾病率、恢复与增进职工身体健康的任务。
随着职工的数量不断增加，巨大的数据量使管理方面变得繁琐复杂，职工一体化疗休养数据信息通常包含有活动范围数据信息、参与人数数据信息、活动类型数据信息、参与者的年龄数据信息等。具体而言，比如覆盖多个城市和地区的职工一体化疗休养活动数据信息、旅游、健身、文化等多个方面，比如旅游、登山、羽毛球等活动等数据信息、旅途中的交通、住宿、餐饮等费用，以及活动所需的物资和设备数据信息等，这些数据信息难以在处理过程中，内容繁杂，数据量繁多，信息难以处理，尤其在不同城市或者区域下，数据更加难以处理。
现有技术中职工一体化疗休养信息分析方法不能自动规划职工疗休养方案，时间成本高，分析效率低，无法评估目标疗养地环境对职工体质的适配度，也无法实时观察职工健康状态，存在应对职工在疗休养期间的突发疾病不及时的问题，不能满足现代化应用的需求。数据信息处理能力极为低下，如何对职工一体化疗休养信息进行有效的分析，为职工健康提供更好的保障，是当前需要解决的问题。因此，需要一种更加高效、精确和全面的疗休养信息分析方法。
发明内容
针对上述技术的不足，本发明公开一种改进型KCF算法模型的职工一体化疗休养信息分析方法，引入人工智能的计算方法，大大提高了数据信息处理能力，进而提高职工一体化疗休养信息分析能力。
为了实现上述技术效果，本发明采用以下技术方案：
一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其中包括如下步骤：
步骤一、提取职工疗休养数据信息；按照职工工龄、职工健康、区域、活动项目、旅游、健身或文化信息获取疗休养职工数据信息；
步骤二、通过改进型KCF算法模型对职工的疗休养需求信息进行特征提取，将疗休养需求信息转换为数字特征向量，以进行数据信息分析；其中所述改进型KCF算法模型包括图神经网络模型，所述图神经网络模型包含输入模块、时间卷积模块、图卷积模块、图学习模块、临接矩阵、Clara-BFM算法模型和输出模块，其中所述输入模块通过1*1卷积与时间卷积模块连接，时间卷积模块与图卷积模块交替连接，图学习模块分别与时间卷积模块和图卷积模块连接，时间卷积模块和图卷积模块的输出端与临接矩阵的输入端连接，临接矩阵的输出端与Clara-BFM算法模型的输入端连接，Clara-BFM算法模型的输出端与输出模块的输入端连接；其中输入模块用于输入职工疗休养数据信息，时间卷积模块用于对给定时间序列的职工疗休养数据信息通过反向传播算法卷积和计算，以提高职工疗休养数据信息预测能力；图卷积模块用于提取图像的特征，通过多层卷积层结构提升模型的准确度；图学习模块用来表示复杂的职工疗休养数据信息，以进行3D建模，提高职工疗休养数据信息训练与学习能力；临接矩阵用于记录职工疗休养数据信息边与边之间的关系，以提高职工疗休养数据信息计算能力；Clara-BFM算法模型用于对职工疗休养数据信息分类和处理，以提高职工疗休养数据信息计算能力；输出模块用于输出职工疗休养数据信息计算结果，以将职工疗休养数据信息输出；
步骤三、输出职工疗休养数据信息，建立职工一体化疗休养信息模型，以评估职工疗休养效果；
步骤四、采用方案确认模块对职工疗休养数据信息进行存储、清洗和分析，所述方案确认模块包含数据存储子模块、数据清洗子模块和数据诊断子模块，所述数据存储子模块用于存储职工疗休养信息，所述数据清洗子模块用于修正数据，所述数据诊断子模块用于分析数据并确定职工疗休养方案，所述数据存储子模块的输出端与所述数据清洗子模块输入端连接，所述数据清洗子模块的输出端与所述数据诊断子模块输入端连接；
步骤五、智能跟踪监测职工状态，并及时发出报警信息；通过数据可视化模块将分析结果以图表形式展示，将分析结果进行可视化处理；
数据可视化模块包括可视化平台、定位模块、测量模块和报警模块，所述可视化平台将职工实时位置信息与健康信息以图表形式展示，所述定位模块采用北斗定位系统与摄像单元获取职工和管理人员的实时定位信息，所述测量模块用于实时获取职工的健康信息和管理人员的工作状态信息，所述报警模块用于检测到职工状态异常后发出报警信息，所述可视化平台用于多维度显示职工的健康状态信息和职工与管理人员的定位信息与状态信息，所述定位模块的输出端与所述测量模块的输入端连接，所述测量模块的输出端与所述报警模块的输入端连接，所述报警模块的输出端与所述可视化平台的输入端连接。
作为本发明进一步的技术方案，图神经网络模型的工作方法为：
通过输入模块输入提取到的职工疗休养数据信息特征，并对职工疗休养数据信息进行编码处理，以供图神经网络模型进行数据信息处理与计算；
通过时间卷积模块内部设置卷积滤波器来提取职工疗休养数据信息高级时间特征；
通过图卷积模块将节点信息与其邻居信息融合，以处理图中的职工疗休养数据信息空间相关性，其中图形卷积模块由两个混合传播层组成，分别处理通过每个节点的流入和流出信息，输出信息为两个混合传播层的和；通过图学习模块对输入的职工疗休养数据信息进行卷积预测计算，通过设置的图学习层自适应地学习图邻接矩阵，以捕获时间序列数据之间的隐藏关系；并进行职工疗休养数据信息链接预测、节点标记预测和图嵌入，以提高职工疗休养相似性度量计算；
通过临接矩阵对职工疗休养数据信息进行处理，方法为：
将职工疗休养属性数据信息、市场数据和用户数据输入总顶点数和总边数；
依次输入点的职工疗休养属性数据信息、市场数据和用户数据存入顶点表中；
初始化包含职工疗休养属性数据信息、市场数据和用户数据信息的邻接矩阵，使每个权值初始化为极大值；
将包含职工疗休养属性数据信息、市场数据和用户数据的数学信息构造邻接矩阵；
然后通过Clara-BFM算法模型对构建好的职工疗休养数据信息进行分类处理；
最后通过输出模块对职工疗休养数据信息输出。
作为本发明进一步的技术方案，Clara-BFM算法的计算方法为：
对职工疗休养大数据进行数据分析，从职工疗休养大数据中按比例随机抽取职工疗休养数据作为Clara聚类样本，样本职工疗休养数据表达式为：
式（1）中，
是整体样本职工疗休养数据规模，/>
是聚类职工疗休养数据规模减少倍数，对样本职工疗休养数据进行标准化处理，映射到区间(0，1)内，处理结果如下：
式（2）中，
是标准化前的样本职工疗休养数据，/>
是标准化后的样本职工疗休养数据，/>
和/>
分别代表样本职工疗休养数据的最大值和最小值；将选取样本职工疗休养数据集合中(N-K)个非中心职工疗休养数据归类到K个中心职工疗休养数据的簇类中，归类依据是非中心职工疗休养数据与中心职工疗休养数据的最近欧拉距离，欧拉距离公式为：
式（3）中，
是非中心职工疗休养数据，/>
是空间维数集，/>
是空间维数集中的一个维数，/>
是第/>
个非中心职工疗休养数据的第/>
维数据值，/>
是职工疗休养数据向量的个数/>
，/>
是中心职工疗休养数据，/>
是中心职工疗休养数据的数量，
是第/>
个中心职工疗休养数据，/>
是第/>
个中心职工疗休养数据的第/>
维数据值，
是非中心职工疗休养数据/>
与中心职工疗休养数据/>
之间的欧拉距离；非中心职工疗休养数据替换中心职工疗休养数据，通过计算替换代价判断替代是否有助于改善聚类质量，替换代价公式为：
式（4）中，
是非中心职工疗休养数据/>
替换中心职工疗休养数据/>
的替换代价，/>
在式中表示/>
，表示非中心职工疗休养数据的代表点，/>
是非中心职工疗休养数据/>
替换中心职工疗休养数据/>
时代表点/>
的替换代价，替换代价分两种情况计算，方式如下：
第一种情况：当
属于/>
的簇类
式（5）中，
是代表点/>
的此临近中心数据；
第二种情况：当
属于/>
的簇类
式（6）中，
是职工疗休养中心数据集之外的其他职工疗休养中心数据，/>
是其他职工疗休养中心数据的数量；
替换条件为：
式（7）中，替换代价小于0时，替换操作有利于提高聚类质量，开始替换操作；
用所有非中心职工疗休养数据与所属的中心职工疗休养数据聚类之和作为聚类质量测试指标，计算方式为：
式（8）中，
是对职工疗休养数据聚类后的抽取次数，/>
是第/>
次随机抽取聚类后第/>
个非中心职工疗休养数据，/>
是/>
所属簇类的中心职工疗休养数据，/>
表示第/>
次随机抽取聚类后/>
与/>
的最近欧拉距离；/>
是聚类质量测试指标，/>
越大，证明聚类效果越好。
作为本发明进一步的技术方案，所述数据清洗子模块包括遗漏数据补充单元和噪声数据过滤单元，所述遗漏数据补充单元用于填补数残缺的部分，所述噪声数据过滤单元用于修正数据的异常部分，所述遗漏数据补充单元连接所述噪声数据过滤单元。
作为本发明进一步的技术方案，所述数据诊断子模块包括职工信息编码系统、职工信息分割系统、疗养地适配度评估系统、职工信息计算系统和职工信息监测系统，其中所述职工信息编码系统用于将职工数据信息按照识别编码进行编制，职工信息分割系统用于通过职工身份信息、职工工龄信息、职工身体状态信息和职工合同休假天数进行分割数据信息，疗养地适配度评估系统用于评估疗养地环境与职工体质的适配度，职工信息计算系统用于对分割后的职工数据信息按照职工的性别、年龄、身体状态、心理状态和意向疗休养方式进行分类，匹配相应的疗养地点、疗养方式、疗养天数和出行方式，职工信息监测系统用于对计算后的职工信息进行监测，所述职工信息编码系统的输出端与所述职工信息分割系统的输入端连接，所述职工信息分割系统的输出端与所述疗养地适配度评估系统的输入端连接，所述疗养地适配度评估系统的输出端与所述职工信息计算系统的输入端连接，所述职工信息计算系统的输出端与所述职工信息监测系统的输入端连接。
作为本发明进一步的技术方案，所述疗养地适配度评估系统包括环境数据收集单元和数据测算单元，所述环境数据收集单元用于获取疗养地的地理环境数据，所述数据测算单元采用休养数据模型计算疗养地的四季休养适宜体质，并计算职工体质类型与疗养地环境的适配度，所述环境数据收集单元的输出端连接所述数据测算单元的输入端。
作为本发明进一步的技术方案，所述测量模块包括体温测量设备、心率测量设备、血氧测量设备、多功能传感器和工作状态监测系统，所述体温测量设备用于实时获取职工的体温信息，所述心率测量设备用于实时获取职工的心率信息，所述血氧测量设备用于实时获取职工的血氧信息，所述多功能传感器用于实时获取职工的行动状态信息，所述工作状态监测系统用于实时监测管理人员的工作状态，所述体温测量设备与所述心率测量设备连接，所述心率测量设备与所述血氧测量设备连接。
作为本发明进一步的技术方案，改进型KCF算法模型还包含遮挡判定模型，遮挡判定模型工作方法为：
步骤一、构造职工摄像图像数据信息样本，通过傅里叶变换的对角化转换为对角矩阵，对角化公式为：
式（9）中，
为X的离散傅里叶变换，F为离散傅里叶变换矩阵，/>
为F的共轭矩阵，
为对角矩阵；
步骤二、构建图像分类器，职工摄像图像数据样本与回归标签之间的平方差最小的表达式为：
式（10）中，
职工摄像图像数据样本，/>
为回归标签，i为样本编号，/>
为防止过拟合的正则化参数，N为样本总数，/>
为目标函数，/>
为样本映射值。
作为本发明进一步的技术方案，改进型KCF算法模型还包含改进型高斯混合模型GMM和改进型RSYNC算法模型。
作为本发明进一步的技术方案，所述数据诊断子模块包含多目标分析算法，多目标分析算法工作方法为：
公式（11）中，
为职工信息中第k个目标函数，/>
为最大量化目标，
为最小量化目标，n为目标函数的个数，x为目标函数的决策变量，优化函数为：
公式（12）中，
为包含n个分析目标的函数，/>
为n维目标函数向量，x为m维决策变量,/>
为第i个不等式约束，/>
为第j个等式约束, p为不等式约束的数目,q为等式约束的数目,m为决策变量的数目。
本发明有益的积极效果在于：
区别于常规的职工一体化疗休养信息分析方法，本发明公开一种改进型KCF算法模型的职工一体化疗休养信息分析方法，通过改进型KCF算法模型对职工的疗休养需求信息进行特征提取，将疗休养需求信息转换为数字特征向量，以进行数据信息分析，通过引入人工智能技术，大大提高了职工一体化数据信息分析能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明整体流程示意图；
图2为本发明中图神经网络模型原理示意图；
图3为本发明中Clara-BFM算法一种实施例示意图。
具体实施方式
下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1-3所示，一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其中包括如下步骤：
步骤一、提取职工疗休养数据信息；按照职工工龄、职工健康、区域、活动项目、旅游、健身或文化信息获取疗休养职工数据信息；
步骤二、通过改进型KCF算法模型对职工的疗休养需求信息进行特征提取，将疗休养需求信息转换为数字特征向量，以进行数据信息分析；其中所述改进型KCF算法模型包括图神经网络模型，所述图神经网络模型包含输入模块、时间卷积模块、图卷积模块、图学习模块、临接矩阵、Clara-BFM算法模型和输出模块，其中所述输入模块通过1*1卷积与时间卷积模块连接，时间卷积模块与图卷积模块交替连接，图学习模块分别与时间卷积模块和图卷积模块连接，时间卷积模块和图卷积模块的输出端与临接矩阵的输入端连接，临接矩阵的输出端与Clara-BFM算法模型的输入端连接，Clara-BFM算法模型的输出端与输出模块的输入端连接；其中输入模块用于输入职工疗休养数据信息，时间卷积模块用于对给定时间序列的职工疗休养数据信息通过反向传播算法卷积和计算，以提高职工疗休养数据信息预测能力；图卷积模块用于提取图像的特征，通过多层卷积层结构提升模型的准确度；图学习模块用来表示复杂的职工疗休养数据信息，以进行3D建模，提高职工疗休养数据信息训练与学习能力；临接矩阵用于记录职工疗休养数据信息边与边之间的关系，以提高职工疗休养数据信息计算能力；Clara-BFM算法模型用于对职工疗休养数据信息分类和处理，以提高职工疗休养数据信息计算能力；输出模块用于输出职工疗休养数据信息计算结果，以将职工疗休养数据信息输出；
步骤三、输出职工疗休养数据信息，建立职工一体化疗休养信息模型，以评估职工疗休养效果；
步骤四、采用方案确认模块对职工疗休养数据信息进行存储、清洗和分析，所述方案确认模块包含数据存储子模块、数据清洗子模块和数据诊断子模块，所述数据存储子模块用于存储职工疗休养信息，所述数据清洗子模块用于修正数据，所述数据诊断子模块用于分析数据并确定职工疗休养方案，所述数据存储子模块的输出端与所述数据清洗子模块输入端连接，所述数据清洗子模块的输出端与所述数据诊断子模块输入端连接；
步骤五、智能跟踪监测职工状态，并及时发出报警信息；通过数据可视化模块将分析结果以图表形式展示，将分析结果进行可视化处理；
数据可视化模块包括可视化平台、定位模块、测量模块和报警模块，所述可视化平台将职工实时位置信息与健康信息以图表形式展示，所述定位模块采用北斗定位系统与摄像单元获取职工和管理人员的实时定位信息，所述测量模块用于实时获取职工的健康信息和管理人员的工作状态信息，所述报警模块用于检测到职工状态异常后发出报警信息，所述可视化平台用于多维度显示职工的健康状态信息和职工与管理人员的定位信息与状态信息，所述定位模块的输出端与所述测量模块的输入端连接，所述测量模块的输出端与所述报警模块的输入端连接，所述报警模块的输出端与所述可视化平台的输入端连接。
在上述实施例中，提取职工疗休养数据信息时，可以配套使用职工评选模块。其中在进一步的实施例中，职工评选模块根据职工的工龄、健康和绩效确定疗休养的职工名单，所述职工评选模块包含职工工龄评选子模块、职工健康评选子模块和职工绩效评选子模块，所述职工工龄评选子模块用于获取全体职工工龄信息并进行对比筛选，所述职工健康评选子模块用于获取全体职工健康状态信息并筛选出符合健康规定的职工，所述职工绩效评选子模块用于获取全体职工的工作绩效信息，并进行对比筛选，所述职工工龄评选子模块的输出端连接所述职工健康评选子模块的输入端，所述职工健康评选子模块的输出端连接所述职工绩效评选子模块的输入端。
在进一步的实施例中，图神经网络模型的工作方法为：
通过输入模块输入提取到的职工疗休养数据信息特征，并对职工疗休养数据信息进行编码处理，以供图神经网络模型进行数据信息处理与计算；
通过时间卷积模块内部设置卷积滤波器来提取职工疗休养数据信息高级时间特征；
通过图卷积模块将节点信息与其邻居信息融合，以处理图中的职工疗休养数据信息空间相关性，其中图形卷积模块由两个混合传播层组成，分别处理通过每个节点的流入和流出信息，输出信息为两个混合传播层的和；通过图学习模块对输入的职工疗休养数据信息进行卷积预测计算，通过设置的图学习层自适应地学习图邻接矩阵，以捕获时间序列数据之间的隐藏关系；并进行职工疗休养数据信息链接预测、节点标记预测和图嵌入，以提高职工疗休养相似性度量计算；
通过临接矩阵对职工疗休养数据信息进行处理，方法为：
将职工疗休养属性数据信息、市场数据和用户数据输入总顶点数和总边数；
依次输入点的职工疗休养属性数据信息、市场数据和用户数据存入顶点表中；
初始化包含职工疗休养属性数据信息、市场数据和用户数据信息的邻接矩阵，使每个权值初始化为极大值；
将包含职工疗休养属性数据信息、市场数据和用户数据的数学信息构造邻接矩阵；
然后通过Clara-BFM算法模型对构建好的职工疗休养数据信息进行分类处理；
最后通过输出模块对职工疗休养数据信息输出。
在具体实施例中，比如通过聚类分类模块能够从大量职工疗休养数据中获取具有“相似”特征的数据点或样本划分为一个类别。聚类分析提供了样本集在非监督模式下的类别划分。聚类的基本思想是“物以类聚、人以群分”，将大量数据集中相似的数据样本区分出来，并发现不同类的特征。比如，职工一体化疗休养活动数据信息、旅游、健身、文化等多个方面，比如旅游、登山、羽毛球等活动等数据信息、旅途中的交通、住宿、餐饮等费用，以及活动所需的物资和设备数据信息等，这些数据信息难以在处理过程中，内容繁杂，数据量繁多，信息难以处理，尤其在不同城市或者区域下，数据更加难以处理。首先通过聚类的方式实现数据大类的区分，通过这种方式大大提高了数据信息处理能力。
在进一步的实施例中，数据分析系统包括：数据采集系统、数据分析系统、数据传输系统、主控系统、安全监护系统和数据应用系统；其中所述数据采集系统通过网络爬虫收集职工疗休养中信息，所述数据分析系统通过Clara-BFM算法对职工疗休养数据进行分析处理，所述数据传输系统通过无线局域网完成职工疗休养与后台控制端的通信，所述主控系统用于控制系统与系统之间工作方式，所述安全监护系统用于监测职工疗休养的工作安全，数据应用系统用于将分析处理后的数据分类到合适子系统。
在一种实施例中，通过邻接矩阵能够直观、简单地理解职工疗休养数据信息，在具体应用中，需要便于检查任意一对顶点间是否存在边，方便找任一顶点的所有“邻接点”（有边直接相连的顶点）。为了方便计算任一顶点的“度”（从该点发出的边数为“出度”，指向该点的边数为“入度”），其中无向图中，其对应行（或列）非0元素的个数；在有向图：对应行非0元素的个数是“出度”；对应列非0元素的个数是“入度”。在具体逻辑结构中，逻辑结构分为两部分：V和E集合，其中，V是顶点，E是边。因此，用一个一维数组存放图中所有顶点数据；用一个二维数组存放顶点间关系（边或弧）的数据，这个二维数组称为邻接矩阵。邻接矩阵又分为有向图邻接矩阵和无向图邻接矩阵。在创建邻接矩阵时，由于无向图和无向图的边都是没有权值的，所以在具体应用中，通过1表示某两顶点之间有边存在，用0表示这两边是没有边存在的。然后进行网的邻接矩阵，邻接矩阵中对应得v[i][j]就不是表示存不存在边。
在具体应用中，比如在有向图的邻接矩阵中，第i行含义：以结点vi为尾的弧（即出度边）；第i列含义：以结点vi为头的弧（即入度边）。在进行数据信息分析时，其中有向图的邻接矩阵可能是不对称的；点的出度 = 第 i 行元素之和，顶点的入度 = 第 i 列元素之和，顶点的度 = 第 i 行元素之和 + 第 i 列元素之和，用两个数组分别存储顶点表和邻接矩阵，使用邻接矩阵实现图结构，无论是有向图、无向图、带权图还是无权图，都可以指定。因此通过上述方法能够大大提高职工疗休养预测能力。
在进一步的实施例中，Clara-BFM算法的计算方法为：
对职工疗休养大数据进行数据分析，从职工疗休养大数据中按比例随机抽取职工疗休养数据作为Clara聚类样本，样本职工疗休养数据表达式为：
式（1）中，
是整体样本职工疗休养数据规模，/>
是聚类职工疗休养数据规模减少倍数，对样本职工疗休养数据进行标准化处理，映射到区间(0，1)内，处理结果如下：
式（2）中，
是标准化前的样本职工疗休养数据，/>
是标准化后的样本职工疗休养数据，/>
和/>
分别代表样本职工疗休养数据的最大值和最小值；将选取样本职工疗休养数据集合中(N-K)个非中心职工疗休养数据归类到K个中心职工疗休养数据的簇类中，归类依据是非中心职工疗休养数据与中心职工疗休养数据的最近欧拉距离，欧拉距离公式为：
式（3）中，
是非中心职工疗休养数据，/>
是空间维数集，/>
是空间维数集中的一个维数，/>
是第/>
个非中心职工疗休养数据的第/>
维数据值，/>
是职工疗休养数据向量的个数/>
，/>
是中心职工疗休养数据，/>
是中心职工疗休养数据的数量，
是第/>
个中心职工疗休养数据，/>
是第/>
个中心职工疗休养数据的第/>
维数据值，
是非中心职工疗休养数据/>
与中心职工疗休养数据/>
之间的欧拉距离；非中心职工疗休养数据替换中心职工疗休养数据，通过计算替换代价判断替代是否有助于改善聚类质量，替换代价公式为：
式（4）中，
是非中心职工疗休养数据/>
替换中心职工疗休养数据/>
的替换代价，/>
在式中表示/>
，表示非中心职工疗休养数据的代表点，/>
是非中心职工疗休养数据/>
替换中心职工疗休养数据/>
时代表点/>
的替换代价，替换代价分两种情况计算，方式如下：
第一种情况：当
属于/>
的簇类
式（5）中，
是代表点/>
的此临近中心数据；
第二种情况：当
属于/>
的簇类
式（6）中，
是职工疗休养中心数据集之外的其他职工疗休养中心数据，/>
是其他职工疗休养中心数据的数量；
替换条件为：
式（7）中，替换代价小于0时，替换操作有利于提高聚类质量，开始替换操作；
用所有非中心职工疗休养数据与所属的中心职工疗休养数据聚类之和作为聚类质量测试指标，计算方式为：
式（8）中，
是对职工疗休养数据聚类后的抽取次数，/>
是第/>
次随机抽取聚类后第/>
个非中心职工疗休养数据，/>
是/>
所属簇类的中心职工疗休养数据，/>
表示第/>
次随机抽取聚类后/>
与/>
的最近欧拉距离；/>
是聚类质量测试指标，/>
越大，证明聚类效果越好。为了验证上述技术方案，现从数据库抽出一些数据信息，以提高数据信息计算能力，试验数据表如表1所示。
表1 试验数据表
通过5小时试验，表1中的数据信息能够快速从诸多数据库中分析出不同种类的信息，根据不同的维度计算和信息库筛选，本发明能够快速从数据信息中提炼数据信息，以快速从多种数据库中获取数据信息，以计算出不同种类的一体化修养数据信息，快速从不同的种类进行信息分类。本发明将宏观数据信息转换为微观数据思维，以提高数据信息的计算和处理能力。
在进一步的实施例中，采用Clara-BFM算法对职工疗休养大数据进行数据分析，其中Clara算法的聚类的质量是基于在整个数据集上所有对象的平均非相似性，而不只是样本上这些对象的平均非相似性。为了更好地达到近似Clara算法抽取多个样本并将最好的聚类作为输出，为了提高空间聚类的效率，Clara算法随机抽取一定数目的空间对象数据进行空间聚类(k是得到的聚类的数目)。为此，可抽取样本多次，取最好的聚类结果作为输出。
在具体实施例中，CLARA(Clustering LARge Applications，大型应用中的聚类方法)在具体应用中是一种庞大的数据信息集合，该系统能够通过计算大量的数据信息，以进一步提高数据信息处理和计算能力。
在进一步的实施例中，所述数据清洗子模块包括遗漏数据补充单元和噪声数据过滤单元，所述遗漏数据补充单元用于填补数残缺的部分，所述噪声数据过滤单元用于修正数据的异常部分，所述遗漏数据补充单元连接所述噪声数据过滤单元。
在进一步的实施例中，所述数据诊断子模块包括职工信息编码系统、职工信息分割系统、疗养地适配度评估系统、职工信息计算系统和职工信息监测系统，其中所述职工信息编码系统用于将职工数据信息按照识别编码进行编制，职工信息分割系统用于通过职工身份信息、职工工龄信息、职工身体状态信息和职工合同休假天数进行分割数据信息，疗养地适配度评估系统用于评估疗养地环境与职工体质的适配度，职工信息计算系统用于对分割后的职工数据信息按照职工的性别、年龄、身体状态、心理状态和意向疗休养方式进行分类，匹配相应的疗养地点、疗养方式、疗养天数和出行方式，职工信息监测系统用于对计算后的职工信息进行监测，所述职工信息编码系统的输出端与所述职工信息分割系统的输入端连接，所述职工信息分割系统的输出端与所述疗养地适配度评估系统的输入端连接，所述疗养地适配度评估系统的输出端与所述职工信息计算系统的输入端连接，所述职工信息计算系统的输出端与所述职工信息监测系统的输入端连接。
在进一步的实施例中，所述疗养地适配度评估系统包括环境数据收集单元和数据测算单元，所述环境数据收集单元用于获取疗养地的地理环境数据，所述数据测算单元采用休养数据模型计算疗养地的四季休养适宜体质，并计算职工体质类型与疗养地环境的适配度，所述环境数据收集单元的输出端连接所述数据测算单元的输入端。
再进一步的实施例中，所述疗养地适配度评估系统的工作原理为：
步骤1、获取疗养地的地理环境数据；
步骤2、对职工数据信息进行分类；
步骤3、按匹配度优先级列出职工适合的疗养地等；
在具体实施例中，所述数据测算单元根据疗养地的环境信息计算出适配度高的地方，还能根据各疗养地的疗休养适配度进行排序显示，满足不同职工需求，还能向职工推送相应体质的饮食信息和疗养信息，使职工在生活上注重饮食和疗养方式。
在具体实施例中，职工意向疗休养方式与疗养地适配度评估结果冲突，则采用职工意向疗休养方式。
在进一步的实施例中，所述测量模块包括体温测量设备、心率测量设备、血氧测量设备、多功能传感器和工作状态监测系统，所述体温测量设备用于实时获取职工的体温信息，所述心率测量设备用于实时获取职工的心率信息，所述血氧测量设备用于实时获取职工的血氧信息，所述多功能传感器用于实时获取职工的行动状态信息，所述工作状态监测系统用于实时监测管理人员的工作状态，所述体温测量设备与所述心率测量设备连接，所述心率测量设备与所述血氧测量设备连接。
在进一步的实施例中，改进型KCF算法模型还包含遮挡判定模型，遮挡判定模型工作方法为：
步骤一、构造职工摄像图像数据信息样本，通过傅里叶变换的对角化转换为对角矩阵，对角化公式为：
式（9）中，
为X的离散傅里叶变换，F为离散傅里叶变换矩阵，/>
为F的共轭矩阵，
为对角矩阵；在具体实施例中，这种方式是将职工具体数据信息为微观数学思维，以提高不同状态下的数据信息处理能力；
步骤二、构建图像分类器，职工摄像图像数据样本与回归标签之间的平方差最小的表达式为：
式（10）中，
职工摄像图像数据样本，/>
为回归标签，i为样本编号，/>
为防止过拟合的正则化参数，N为样本总数，/>
为目标函数，/>
为样本映射值。在具体实施例中，通过这种方式，能够将不同类型的数据信息快速分类，以按照不同的参数和数据属性进行分类和计算，将不同格式的数据信息相互转换，以提高数据信息计算能力。
在进一步的实施例中，假设通过5小试验，数据集选择为100000个，分别用常规的单个数据源信息格式转换方式对上述数据信息进行转换。将上述方法与本研究的方法进行对比，则信息分析结果如表2所示。
表2 信息分析表
通过上述计算，可以看出，本发明方法在转换数据信息时，其转换率99.81%，接近100%，常规方法在转换数据信息时，图像数据信息的转换在78.32%，远远低于本发明的方法，因此本发明的方法在具体应用过程中，具有突出的技术特点和实质性进步。
在进一步的实施例中，改进型KCF算法模型还包含改进型高斯混合模型GMM和改进型RSYNC算法模型。
在具体实施例中，改进型高斯混合模型GMM的改进点在于在传统高斯混合模型GMM的基础上加入了加速器和编码器，其中加速器设置有自适应调节模块，将输入的数据信息通过自适应调节，以提高数据信息处理能力和计算能力，改进型RSYNC算法模型在具体实施例中加入了数据融合模块，通过数据融合提高了数据信息技术能力，大大提高了数据信息计算能力。
在进一步的实施例中，所述数据诊断子模块包含多目标分析算法，多目标分析算法工作方法为：
公式（11）中，
为职工信息中第k个目标函数，/>
为最大量化目标，
为最小量化目标，n为目标函数的个数，x为目标函数的决策变量，优化函数为：
公式（12）中，
为包含n个分析目标的函数，/>
为n维目标函数向量，x为m维决策变量,/>
为第i个不等式约束，/>
为第j个等式约束, p为不等式约束的数目,q为等式约束的数目,m为决策变量的数目。
在具体实施例中，多目标分析算法一种能够同时处理多种分类任务的算法,它可以将多个分类任务合并为一个模型进行学习和预测。每个分类任务都被视为一个目标信息。在具体实施例中，比如支持向量机、决策树、人工神经网络等不同的数据信息，多目标进化算法从一组随机生成的种群出发 ,通过对种群执行选择、交叉和变异等进化操作，经过多代进化，种群中个体的适应性大大提高，进而提高数据信息计算能力。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (10)
1.一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：包括如下步骤，
步骤一、提取职工疗休养数据信息；按照职工工龄、职工健康、区域、活动项目、旅游、健身或文化信息获取疗休养职工数据信息；
步骤二、通过改进型KCF算法模型对职工的疗休养需求信息进行特征提取，将疗休养需求信息转换为数字特征向量，以进行数据信息分析；其中所述改进型KCF算法模型包括图神经网络模型，所述图神经网络模型包含输入模块、时间卷积模块、图卷积模块、图学习模块、临接矩阵、Clara-BFM算法模型和输出模块，其中所述输入模块通过1*1卷积与时间卷积模块连接，时间卷积模块与图卷积模块交替连接，图学习模块分别与时间卷积模块和图卷积模块连接，时间卷积模块和图卷积模块的输出端与临接矩阵的输入端连接，临接矩阵的输出端与Clara-BFM算法模型的输入端连接，Clara-BFM算法模型的输出端与输出模块的输入端连接；其中输入模块用于输入职工疗休养数据信息，时间卷积模块用于对给定时间序列的职工疗休养数据信息通过反向传播算法卷积和计算，以提高职工疗休养数据信息预测能力；图卷积模块用于提取图像的特征，通过多层卷积层结构提升模型的准确度；图学习模块用来表示复杂的职工疗休养数据信息，以进行3D建模，提高职工疗休养数据信息训练与学习能力；临接矩阵用于记录职工疗休养数据信息边与边之间的关系，以提高职工疗休养数据信息计算能力；Clara-BFM算法模型用于对职工疗休养数据信息分类和处理，以提高职工疗休养数据信息计算能力；输出模块用于输出职工疗休养数据信息计算结果，以将职工疗休养数据信息输出；
步骤三、输出职工疗休养数据信息，建立职工一体化疗休养信息模型，以评估职工疗休养效果；
步骤四、采用方案确认模块对职工疗休养数据信息进行存储、清洗和分析，所述方案确认模块包含数据存储子模块、数据清洗子模块和数据诊断子模块，所述数据存储子模块用于存储职工疗休养信息，所述数据清洗子模块用于修正数据，所述数据诊断子模块用于分析数据并确定职工疗休养方案，所述数据存储子模块的输出端与所述数据清洗子模块输入端连接，所述数据清洗子模块的输出端与所述数据诊断子模块输入端连接；
步骤五、智能跟踪监测职工状态，并及时发出报警信息；通过数据可视化模块将分析结果以图表形式展示，将分析结果进行可视化处理；
数据可视化模块包括可视化平台、定位模块、测量模块和报警模块，所述可视化平台将职工实时位置信息与健康信息以图表形式展示，所述定位模块采用北斗定位系统与摄像单元获取职工和管理人员的实时定位信息，所述测量模块用于实时获取职工的健康信息和管理人员的工作状态信息，所述报警模块用于检测到职工状态异常后发出报警信息，所述可视化平台用于多维度显示职工的健康状态信息和职工与管理人员的定位信息与状态信息，所述定位模块的输出端与所述测量模块的输入端连接，所述测量模块的输出端与所述报警模块的输入端连接，所述报警模块的输出端与所述可视化平台的输入端连接。
2.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：图神经网络模型的工作方法为：
通过输入模块输入提取到的职工疗休养数据信息特征，并对职工疗休养数据信息进行编码处理，以供图神经网络模型进行数据信息处理与计算；
通过时间卷积模块内部设置卷积滤波器来提取职工疗休养数据信息高级时间特征；
通过图卷积模块将节点信息与其邻居信息融合，以处理图中的职工疗休养数据信息空间相关性，其中图形卷积模块由两个混合传播层组成，分别处理通过每个节点的流入和流出信息，输出信息为两个混合传播层的和；通过图学习模块对输入的职工疗休养数据信息进行卷积预测计算，通过设置的图学习层自适应地学习图邻接矩阵，以捕获时间序列数据之间的隐藏关系；并进行职工疗休养数据信息链接预测、节点标记预测和图嵌入，以提高职工疗休养相似性度量计算；
通过临接矩阵对职工疗休养数据信息进行处理，方法为：
将职工疗休养属性数据信息、市场数据和用户数据输入总顶点数和总边数；
依次输入点的职工疗休养属性数据信息、市场数据和用户数据存入顶点表中；
初始化包含职工疗休养属性数据信息、市场数据和用户数据信息的邻接矩阵，使每个权值初始化为极大值；
将包含职工疗休养属性数据信息、市场数据和用户数据的数学信息构造邻接矩阵；
然后通过Clara-BFM算法模型对构建好的职工疗休养数据信息进行分类处理；
最后通过输出模块对职工疗休养数据信息输出。
3.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：Clara-BFM算法的计算方法为：
对职工疗休养大数据进行数据分析，从职工疗休养大数据中按比例随机抽取职工疗休养数据作为Clara聚类样本，样本职工疗休养数据表达式为：
式（1）中，
是整体样本职工疗休养数据规模，/>
是聚类职工疗休养数据规模减少倍数，对样本职工疗休养数据进行标准化处理，映射到区间(0，1)内，处理结果如下：
式（2）中，
是标准化前的样本职工疗休养数据，/>
是标准化后的样本职工疗休养数据，
和/>
分别代表样本职工疗休养数据的最大值和最小值；将选取样本职工疗休养数据集合中(N-K)个非中心职工疗休养数据归类到K个中心职工疗休养数据的簇类中，归类依据是非中心职工疗休养数据与中心职工疗休养数据的最近欧拉距离，欧拉距离公式为：
式（3）中，
是非中心职工疗休养数据，/>
是空间维数集，/>
是空间维数集中的一个维数，
是第/>
个非中心职工疗休养数据的第/>
维数据值，/>
是职工疗休养数据向量的个数
，/>
是中心职工疗休养数据，/>
是中心职工疗休养数据的数量，/>
是第/>
个中心职工疗休养数据，/>
是第/>
个中心职工疗休养数据的第/>
维数据值，
是非中心职工疗休养数据/>
与中心职工疗休养数据/>
之间的欧拉距离；非中心职工疗休养数据替换中心职工疗休养数据，通过计算替换代价判断替代是否有助于改善聚类质量，替换代价公式为：
式（4）中，
是非中心职工疗休养数据/>
替换中心职工疗休养数据/>
的替换代价，/>
在式中表示/>
，表示非中心职工疗休养数据的代表点，/>
是非中心职工疗休养数据/>
替换中心职工疗休养数据/>
时代表点/>
的替换代价，替换代价分两种情况计算，方式如下：
第一种情况：当
属于/>
的簇类
式（5）中，
是代表点/>
的此临近中心数据；
第二种情况：当
属于/>
的簇类
式（6）中，
是职工疗休养中心数据集之外的其他职工疗休养中心数据，/>
是其他职工疗休养中心数据的数量；
替换条件为：
式（7）中，替换代价小于0时，替换操作有利于提高聚类质量，开始替换操作；
用所有非中心职工疗休养数据与所属的中心职工疗休养数据聚类之和作为聚类质量测试指标，计算方式为：
式（8）中，
是对职工疗休养数据聚类后的抽取次数，/>
是第/>
次随机抽取聚类后第/>
个非中心职工疗休养数据，/>
是/>
所属簇类的中心职工疗休养数据，/>
表示第
次随机抽取聚类后/>
与/>
的最近欧拉距离；/>
是聚类质量测试指标，/>
越大，证明聚类效果越好。
4.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：所述数据清洗子模块包括遗漏数据补充单元和噪声数据过滤单元，所述遗漏数据补充单元用于填补数残缺的部分，所述噪声数据过滤单元用于修正数据的异常部分，所述遗漏数据补充单元连接所述噪声数据过滤单元。
5.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：所述数据诊断子模块包括职工信息编码系统、职工信息分割系统、疗养地适配度评估系统、职工信息计算系统和职工信息监测系统，其中所述职工信息编码系统用于将职工数据信息按照识别编码进行编制，职工信息分割系统用于通过职工身份信息、职工工龄信息、职工身体状态信息和职工合同休假天数进行分割数据信息，疗养地适配度评估系统用于评估疗养地环境与职工体质的适配度，职工信息计算系统用于对分割后的职工数据信息按照职工的性别、年龄、身体状态、心理状态和意向疗休养方式进行分类，匹配相应的疗养地点、疗养方式、疗养天数和出行方式，职工信息监测系统用于对计算后的职工信息进行监测，所述职工信息编码系统的输出端与所述职工信息分割系统的输入端连接，所述职工信息分割系统的输出端与所述疗养地适配度评估系统的输入端连接，所述疗养地适配度评估系统的输出端与所述职工信息计算系统的输入端连接，所述职工信息计算系统的输出端与所述职工信息监测系统的输入端连接。
6.根据权利要求5所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：所述疗养地适配度评估系统包括环境数据收集单元和数据测算单元，所述环境数据收集单元用于获取疗养地的地理环境数据，所述数据测算单元采用休养数据模型计算疗养地的四季休养适宜体质，并计算职工体质类型与疗养地环境的适配度，所述环境数据收集单元的输出端连接所述数据测算单元的输入端。
7.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：所述测量模块包括体温测量设备、心率测量设备、血氧测量设备、多功能传感器和工作状态监测系统，所述体温测量设备用于实时获取职工的体温信息，所述心率测量设备用于实时获取职工的心率信息，所述血氧测量设备用于实时获取职工的血氧信息，所述多功能传感器用于实时获取职工的行动状态信息，所述工作状态监测系统用于实时监测管理人员的工作状态，所述体温测量设备与所述心率测量设备连接，所述心率测量设备与所述血氧测量设备连接。
8.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：改进型KCF算法模型还包含遮挡判定模型，遮挡判定模型工作方法为：
步骤一、构造职工摄像图像数据信息样本，通过傅里叶变换的对角化转换为对角矩阵，对角化公式为：
式（9）中，
为X的离散傅里叶变换，F为离散傅里叶变换矩阵，/>
为F的共轭矩阵，/>
为对角矩阵；
步骤二、构建图像分类器，职工摄像图像数据样本与回归标签之间的平方差最小的表达式为：
式（10）中，
职工摄像图像数据样本，/>
为回归标签，i为样本编号，/>
为防止过拟合的正则化参数，N为样本总数，/>
为目标函数，/>
为样本映射值。
9.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：改进型KCF算法模型还包含改进型高斯混合模型GMM和改进型RSYNC算法模型。
10.根据权利要求1所述的一种改进型KCF算法模型的职工一体化疗休养信息分析方法，其特征在于：所述数据诊断子模块包含多目标分析算法，多目标分析算法工作方法为：
公式（11）中，
为职工信息中第k个目标函数，/>
为最大量化目标，
为最小量化目标，n为目标函数的个数，x为目标函数的决策变量，优化函数为：
公式（12）中，
为包含n个分析目标的函数，/>
为n维目标函数向量，x为m维决策变量,
为第i个不等式约束，/>
为第j个等式约束, p为不等式约束的数目,q为等式约束的数目,m为决策变量的数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310637119.9A CN116362627B (zh) | 2023-06-01 | 2023-06-01 | 改进型kcf算法模型的职工一体化疗休养信息分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310637119.9A CN116362627B (zh) | 2023-06-01 | 2023-06-01 | 改进型kcf算法模型的职工一体化疗休养信息分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116362627A true CN116362627A (zh) | 2023-06-30 |
| CN116362627B CN116362627B (zh) | 2023-08-04 |
Family
ID=86940013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310637119.9A Active CN116362627B (zh) | 2023-06-01 | 2023-06-01 | 改进型kcf算法模型的职工一体化疗休养信息分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362627B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1240865A2 (en) * | 2001-03-14 | 2002-09-18 | PeakCare LLC | Method for prevention/rehabilitation customization |
| CN108922623A (zh) * | 2018-07-12 | 2018-11-30 | 中国铁道科学研究院集团有限公司 | 一种健康风险评估和疾病预警信息系统 |
| CN110991565A (zh) * | 2019-12-24 | 2020-04-10 | 华北理工大学 | 基于kcf的目标跟踪优化算法 |
| CN114969820A (zh) * | 2022-06-01 | 2022-08-30 | 安徽理工大学环境友好材料与职业健康研究院(芜湖) | 一种基于职业健康医疗大数据的管理平台 |
-
2023
- 2023-06-01 CN CN202310637119.9A patent/CN116362627B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1240865A2 (en) * | 2001-03-14 | 2002-09-18 | PeakCare LLC | Method for prevention/rehabilitation customization |
| CN108922623A (zh) * | 2018-07-12 | 2018-11-30 | 中国铁道科学研究院集团有限公司 | 一种健康风险评估和疾病预警信息系统 |
| CN110991565A (zh) * | 2019-12-24 | 2020-04-10 | 华北理工大学 | 基于kcf的目标跟踪优化算法 |
| CN114969820A (zh) * | 2022-06-01 | 2022-08-30 | 安徽理工大学环境友好材料与职业健康研究院(芜湖) | 一种基于职业健康医疗大数据的管理平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116362627B (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
| CN107506797A (zh) | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 | |
| CN107506692A (zh) | 一种基于深度学习的密集人群计数与人员分布估计方法 | |
| CN109902736A (zh) | 一种基于自动编码器构建特征表示的肺结节图像分类方法 | |
| Kumar et al. | CNN-SSPSO: a hybrid and optimized CNN approach for peripheral blood cell image recognition and classification | |
| CN111382807B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111161287A (zh) | 基于对称双向级联网络深度学习的视网膜血管分割方法 | |
| CN111524140B (zh) | 基于cnn和随机森林法的医学图像语义分割方法 | |
| CN111985325A (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
| CN112464701A (zh) | 基于轻量化特征融合ssd的人员是否佩戴口罩检测方法 | |
| Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| Sindhiya et al. | A survey on genetic algorithm based feature selection for disease diagnosis system | |
| CN112347908A (zh) | 一种基于空间分组注意力模型的外科手术器械图像识别方法 | |
| CN111898677A (zh) | 一种基于深度学习的浮游生物自动检测方法 | |
| CN115409815A (zh) | 一种基于三维可变形transformer的肺结节检测方法 | |
| Qaimkhani et al. | Pneumonia Detection Using Deep Learning Methods | |
| CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
| CN116362627B (zh) | 改进型kcf算法模型的职工一体化疗休养信息分析方法 | |
| Nurdin et al. | Performance comparison of hybrid CNN-XGBoost and CNN-LightGBM methods in pneumonia detection | |
| CN116805415A (zh) | 一种基于轻量化改进YOLOv5的笼养肉鸡健康状态识别方法 | |
| Prasad Dhore et al. | Resourceful Investigation of Malnutrition with Machine Learning Using CNN Procedure | |
| CN108846327A (zh) | 一种色素痣与黑素瘤的智能判别系统及方法 | |
| CN114970684A (zh) | 一种结合vae的提取网络核心结构的社区检测方法 |
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 |