[發明專利]基于歷史數據獲取智能醫療行進儀器的軌跡路線的模型生成方法

在審

• 申請號: 201710884474.0
• 申請日: 2017-09-26
• 公開（公告）號: CN107506875A
• 公開（公告）日: 2017-12-22
• 發明（設計）人: 楊曉凡;劉玉蓉
• 申請（專利權）人: 重慶市智權之路科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于歷史數據獲取智能醫療行進儀器的軌跡路線的模型生成方法，其特征在于，包括：

獲取用戶行為軌跡需求信息，根據云端數據所提供的行為軌跡信息，通過相應模型，確定最優的用戶行為軌跡路線。

S1，提取每個行進軌跡的時間耗費值

Ni(t)=Eγ4(ηn)Γ(n)+Eγcos(η(t+1))+T(t)]]>

其中，E_γ為行進軌跡的時間強度，η為待定參量，Γ(n)為行進軌跡中第n條軌跡時間趨勢的Γ分布，T(t)為行進軌跡在地理位置信息中時間耗費的紋理，t≥0；

生成時間耗費模型

A(t)=Ni(t)+αt·Ni(t+1)αt,]]>

其中，α_t為時間耗費值的閾值，N_i(t+1)為下一時段行進軌跡的時間耗費值，

S2，提取每個行進軌跡的時間耗費的預測值

N_j(t)＝2[E_γ(T(t)+T(t+1))-μ_p·T(t)]，

其中，μ_p為地理位置累加參數，T(t+1)為行進軌跡在地理位置信息中下一時間段的時間耗費的紋理，

生成時間耗費的預測模型

B(t)=Nj(t)+βt·Nj(t+1)βt,]]>

其中，β_t為時間耗費預測值的閾值，N_j(t+1)為下一時段行進軌跡的時間耗費預測值，

S3，提取每個行進軌跡的風速判斷值

Nk(t)=Ck1+Ck2+tCk3e-t2(Ck3)2+Ck4·Eγcos(Ck4(t)),]]>

其中，為風速沖擊響應分量，為風速動態變化調整分量，為風速變化的干擾分量，為風速動態變化中的隨機干擾分量，為風速動態變化的時間節點分量，為t時刻風速動態變化的周期分量，

生成風速的預測模型

C(t)=Nk(t)+χt·Nk(t+1)χt,]]>

其中，χ_t為風速判斷值的閾值，N_k(t+1)為下一時段行進軌跡的風速判斷值，

S4，提取每個行進軌跡的氣溫的判斷值

Nl(t)=I‾1(t)+I1(t)I2(t)(1-HI1I2)2IhighI,]]>

其中，為氣溫獨立樣本均值，I₁(t)和I₂(t)為氣溫獨立樣本，為I₁(t)和I₂(t)氣溫獨立樣本的參考系數，I_high為氣溫最高值樣本，I為行進軌跡中氣溫歷史參考值；

生成氣溫的預測模型

D(t)=Nl(t)+δt·Nl(t+1)δt,]]>

其中，δ_t為氣溫判斷值的閾值，N_l(t+1)為下一時段行進軌跡的氣溫判斷值，

S5，提取每個行進軌跡的降水量的判斷值

Nm(t)=d1e[-(t-d2)2d32]+d4σ(t-d5),]]>

其中，d₁、d₂、d₃、d₄和d₅為行進軌跡中降水量的樣本參數，σ為降水量的干擾系數，為降水量動態變化中的高斯分量，

生成降水量預測模型

E(t)=Nm(t)+ϵt·Nm(t+1)ϵt,]]>

其中，ε_t為降水量判斷值的閾值，N_m(t+1)為下一時段行進軌跡的降水量判斷值。