一种基于救护车时空轨迹数据的急救反应时间预测方法技术

一种基于救护车时空轨迹数据的急救反应时间预测方法，包括基础数据处理、要素体系构建、特征筛选、神经网络模型构建、急救反应时间预测。本发明专利技术提供了一种基于地理信息系统(Geographic Information System，GIS)、救护车时空轨迹数据和城市空间数据的急救反应时间预测方案，预测不同交通时段内城市任一地点的急救反应时间。预测结果为急救反应时间这一国际通用指标，能够评价城市紧急医疗服务水平并直接与国际标准比较；将行驶距离、人口密度、土地利用、道路网络、POI等特征纳入急救反应时间预测模型，充分考虑了城市建成环境因素对急救反应时间的影响，能够直接指导缩短急救反应时间的规划实践，为制定相关规划干预措施提供依据。依据。依据。

【技术实现步骤摘要】
一种基于救护车时空轨迹数据的急救反应时间预测方法


[0001]本专利技术为应用于城市急救反应时间的预测。

技术介绍

[0002]急救时效性对挽救生命具有重要意义。国际标准组织将急救反应时间作为紧急医疗服务的核心绩效指标，为不同城市的紧急医疗服务绩效提供了一个可比较和可验证的衡量标准。急救反应时间的长短不仅能够综合反映一个城市紧急医疗服务体系的总体水平,也是一个城市文明程度的重要标志。近年来，对更有效的紧急医疗服务的需求不断增加，引发了全球各大城市对缩短急救反应时间的不懈努力。
[0003]急救反应时间预测属于车辆抵达时间预测
，目前已有专利提出了一种救护车抵达时间实时预测系统及方法(CN201610599877.6)。该系统由通讯服务器、定位终端、路况监控模块、信息显示终端组成，通过红外传感器测算拥堵道路车流量，纳入路况因素以更精准地预测救护车抵达医院的时间，为病人的急救工作提供保障。
[0004]目前已有的救护车抵达时间预测技术方案未能紧密围绕紧急医疗服务需求而研发，并且未充分考虑城市建成环境因素的潜在影响。具体来说，存在两个缺点：
[0005]1)计算了救护车抵达医院的时间，未关注急救反应时间这一国际通用的紧急医疗服务核心绩效指标；
[0006]2)重视实时路况因素对救护车抵达时间的影响，未深入认识到城市建成环境因素才是影响路况和急救呼叫需求、从而影响救护车抵达时间的本质原因，未能将全面的城市建成环境参数整合到时间预测算法中。

技术实现思路

[0007]针对以上缺点，本专利技术的目的在于提出考虑城市建成环境因素的急救反应时间预测方案。预测结果可用于识别不同交通时段内急救反应时间过长的高风险地点，并解析导致急救反应时间过长的城市建成环境因素，为缩短急救反应时间的规划调控提供重点干预对象和思路。
[0008]本专利技术提供了一种基于地理信息系统(Geographic Information System，GIS)、救护车时空轨迹数据和城市空间数据的急救反应时间预测方案，预测不同交通时段内城市任一地点的急救反应时间。
[0009]本专利技术技术方案
[0010]一种基于救护车时空轨迹数据的急救反应时间预测方法，其特征在于，包括
[0011]步骤1)基础数据处理
[0012]包括数据收集、清洗和空间单元划分；
[0013]步骤2)要素体系构建
[0014]包括空间要素、时间要素、时空交互要素三类，以及基于步骤1)中初步处理好的数据，在GIS中计算三类要素；
[0015]步骤3)特征筛选
[0016]步骤4)神经网络模型构建
[0017]步骤5)急救反应时间预测。
[0018]本专利技术有益效果
[0019]本专利技术提出了急救反应时间预测方案，具备以下优点：
[0020]1)预测结果为急救反应时间这一国际通用指标，能够评价城市紧急医疗服务水平并直接与国际标准比较；
[0021]2)将行驶距离、人口密度、土地利用、道路网络、POI等特征纳入急救反应时间预测模型，充分考虑了城市建成环境因素对急救反应时间的影响，能够直接指导缩短急救反应时间的规划实践，为制定相关规划干预措施提供依据。
附图说明
[0022]图1为急救反应时间预测的技术路线
[0023]图2为影响急救反应时间的要素体系
[0024]图3为急救反应时间预测的神经网络结构图
[0025]图4为急救反应时间预测的特征重要性排序图
[0026]图5为实施例救护车轨迹提取及100米缓冲区创建
具体实施方式
[0027]急救反应时间(ambulance response times，ART)是指从救护车离开急救站至救护车到达急救事故现场的时间间隔。
[0028]兴趣点(point of interest，POI)
[0029]本专利技术的分析与计算过程包含5个主要步骤(见图1)：
[0030]步骤1)基础数据处理。
[0031]包括数据收集、清洗和空间单元划分。从急救任务历史数据集中提取救护车行驶轨迹及出车时间，计算救护车行驶速度，将速度小于1km/h或大于100km/h的轨迹视为异常数据，将与路网不吻合的轨迹视为无效数据，剔除异常和无效数据。同时，获取城市空间数据，包括急救站点分布、人口分布、道路交通、土地利用、POI数据。在地理信息系统(Geographic Information System，GIS)中以救护车行驶轨迹为中心在轨迹两侧创建100米缓冲区(见图5)，作为分析计算的空间单元。
[0032]步骤2)要素体系构建(见图2)。
[0033]2.1)空间要素(共5大类18小项)：5大类分别为行驶距离、人口密度、道路交通、土地利用、POI。其中，道路交通大类包含主要道路密度、次要道路密度、其他道路密度3小项；土地利用大类包含居住用地占比、商务用地占比、商业用地占比、工业用地占比、教育用地占比、医疗用地占比、文体用地占比、绿地占比8小项；POI大类包含居住POI数量、公司企业POI数量、教医文体POI数量、购物餐饮POI数量、交通设施POI数量5小项。
[0034]2.2)时间要素(共1大类1小项)：即急救呼叫事件发生的出车时段。
[0035]2.3)时空交互要素(共2大类10小项)：2大类分别为早高峰与POI交互、晚高峰与POI交互。其中，早高峰与POI交互大类包含早高峰与居住POI数量交互项、早高峰与公司企
业POI数量交互项、早高峰与教医文体POI数量交互项、早高峰与购物餐饮POI数量交互项、早高峰与交通设施POI数量交互项5小项；晚高峰与POI交互大类包含晚高峰与居住POI数量交互项、晚高峰与公司企业POI数量交互项、晚高峰与教医文体POI数量交互项、晚高峰与购物餐饮POI数量交互项、晚高峰与交通设施POI数量交互项5小项。
[0036]2.4)基于步骤1)中初步处理好的数据，在GIS中计算各类要素(见表1)。
[0037]步骤3)特征筛选。
[0038]3.1)对所有特征进行多次共线性诊断，每次剔除方差膨胀因子最大的1个特征，直至所有特征的方差膨胀因子均小于10。
[0039]3.2)进行剩余特征与急救反应时间的线性回归分析，将与急救反应时间无显著相关性的特征进一步剔除。
[0040]3.3)经过两轮剔除后，筛选得到最终用于急救反应时间预测的8个特征(见表2)，包括行驶距离、人口密度、主要道路密度、教育用地占比、医疗用地占比、早高峰与居住POI数量交互项、晚高峰与公司企业POI数量交互项、晚高峰与教医文体POI数量交互项。
[0041]步骤4)神经网络模型构建。
[0042]4.1)网络选择：选用多层感知器(Multi Layer Perceptron,MLP)建立全连接网络，用于拟合空间要素、时间要素、时空交互要素与急救反应时间的非线性关系。
[0043本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于救护车时空轨迹数据的急救反应时间预测方法，其特征在于，包括步骤1)基础数据处理包括数据收集、清洗和空间单元划分；步骤2)要素体系构建包括空间要素、时间要素、时空交互要素三类，以及基于步骤1)中初步处理好的数据，在GIS中计算三类要素；步骤3)特征筛选步骤4)神经网络模型构建步骤5)急救反应时间预测。2.如权利要求1所述的预测方法，其特征在于：所述步骤1)基础数据处理，具体为：从急救任务历史数据集中提取救护车行驶轨迹及出车时间，计算救护车行驶速度，将速度小于1km/h或大于100km/h的轨迹视为异常数据，将与路网不吻合的轨迹视为无效数据，剔除异常和无效数据；同时，获取城市空间数据，包括急救站点分布、人口分布、道路交通、土地利用、POI数据；在地理信息系统(Geographic Information System，GIS)中以救护车行驶轨迹为中心在轨迹两侧创建100米缓冲区，作为分析计算的空间单元。3.如权利要求1所述的预测方法，其特征在于：所述步骤2)要素体系构建，具体为：空间要素：5大类分别为行驶距离、人口密度、道路交通、土地利用、POI；其中，道路交通大类包含主要道路密度、次要道路密度、其他道路密度3小项；土地利用大类包含居住用地占比、商务用地占比、商业用地占比、工业用地占比、教育用地占比、医疗用地占比、文体用地占比、绿地占比8小项；POI大类包含居住POI数量、公司企业POI数量、教医文体POI数量、购物餐饮POI数量、交通设施POI数量5小项；时间要素：即急救呼叫事件发生的出车时段；时空交互要素：2大类分别为早高峰与POI交互、晚高峰与POI交互；其中，早高峰与POI交互大类包含早高峰与居住POI数量交互项、早高峰与公司企业POI数量交互项、早高峰与教医文体POI数量交互项、早高峰与购物餐饮POI数量交互项、早高峰与交通设施POI数量交互项5小项；晚高峰与POI交互大类包含晚高峰与居住POI数量交互项、晚高峰与公司企业POI数量交互项、晚高峰与教医文体POI数量交互项、晚高峰与购物餐饮POI数量交互项、晚高峰与交通设施POI数量交互项5小项；基于步骤1)中初步处理好的数据，在GIS中计算各类要素。4.如权利要求1所述的预测方法，其特征在于：所述步骤3)特征筛选，具体为：对所有特征进行多次共线性诊断，每次剔除方差膨胀因子最大的1个特征，直至所有特征的方差膨胀因子均小于10；进行剩余特征与急救反应时间的线性回归分析，将与急救反应时间无显著相关性的特征进一步剔除；经过两轮剔除后，筛选得到最终用于急救反应时间预测的8个特征，包括行驶距离、人口密度、主要道路密度、教育用地占比、医疗用地占比、早高峰与居住POI数量交互项、晚高
峰与公司企业POI数量交互项、晚高峰与教医文体POI数量交互项。5.如权利要求1所述的预测方法，其特征在于：所述步骤4)神经网络模型构建，具体为：网络选择：选用多层感知器(Multi Layer Perceptron,MLP)建立全连接网络，用于拟合空间要素、时间要素、时空交互要素与急救反应时间的非线性关系；输入层与输出层架构：输入层纳入步骤3)筛选得到的8个特征和1个偏置(用于提供可训练的常量...

【专利技术属性】
技术研发人员：王兰，张苏榕，张志锋，
申请(专利权)人：上海市医疗急救中心，
类型：发明
国别省市：