一种救护车出车量的预测方法、系统及计算机设备与流程

1.本发明涉及救护车出车量预测领域，尤其涉及一种救护车出车量的预测方法、系统及计算机设备。


背景技术：

2.院前急救是急诊医疗服务的第一道防线。当前公共卫生医疗服务面临人口老龄化、各种急危重症发病率的逐年增长以及应对各种突发自然灾害、事故灾害、公共卫生事件频发等问题，导致院前急救服务需求不断增加。
3.院前急救服务需求的满足是通过救护车的调度去保障，院前急救医疗资源如果配置不合理可能会导致救护车响应时间增加，延误患者及时救治时间，因此在救护车服务需求的不断增加和卫生资源有限的背景下，及时预测救护车出车量需求有助于战略性规划配置卫生服务资源以及及时响应和满足群众的需求，同时预测救护车出车量需求也具有显著的公共卫生意义，可以为建立救护车呼叫预警系统提供必要参考。
4.而在现有技术中，还没有一个较为完善的预测救护车出车需求量的方法，无法合理的对救护车出车需求量进行预测。


技术实现要素：

5.针对上述问题，本发明提供一种救护车出车量的预测方法、系统及计算机设备，能够合理、准确的预测救护车出车需求量。
6.本发明提供的救护车出车量的预测方法，包括：获取目标区域在目标时间的目标特征数据，目标特征数据包括时间特征数据、天气特征数据以及空气质量特征数据；
7.对目标特征数据进行预处理，将目标特征数据以数字形式表示；
8.将预处理后的目标特征数据输入至目标区域对应的救护车出车量预测模型中，预测得到目标区域在目标时间的救护车出车量。
9.进一步的，目标特征数据中的时间特征数据包括星期信息数据、法定节假日信息数据、日信息数据；
10.目标特征数据中的天气特征数据包括日温度信息数据、日湿度信息数据、日风速信息数据、日风级信息数据、风向信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据、天气状况信息数据；
11.目标特征数据中的空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据。
12.进一步的，对特征数据进行预处理包括：
13.根据预设的数字编码策略，将星期信息数据、法定节假日信息数据、风向信息数据、天气状况信息数据以数字形式表示。
14.进一步的，方法还包括：预先为目标区域构建救护车出车量预测模型，其中，构建方法包括：
15.建立数据库，数据库用于存储目标区域在预设样本采集日期范围内的天气特征数据、空气质量特征数据以及救护车出车量数据；
16.将数据库中存储的天气特征数据、空气质量特征数据以及救护车出车量数据，按照数据对应的日期进行合并，生成多条特征样本数据，每条特征样本数据对应一个日期；
17.对每条特征样本数据对应的日期进行数据挖掘，生成每条特征样本数据对应的时间特征数据；
18.对每条特征样本数据进行预处理，将特征样本数据以数字形式表示；
19.将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据作为学习变量，以预处理后的每条特征样本数据中的救护车出车量数据作为目标，利用lightgbm模型进行训练学习，获得目标区域的救护车出车量预测模型。
20.进一步的，每条特征样本数据中的时间特征数据包括星期信息数据、法定节假日信息数据、日信息数据；每条特征样本数据中的天气特征数据包括日温度信息数据、日湿度信息数据、日风速信息数据、日风级信息数据、风向信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据、天气状况信息数据；每条特征样本数据中的空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据；
21.对每条特征样本数据进行预处理包括：
22.根据预设的数字编码策略，将每条特征样本数据中的星期信息数据、法定节假日信息数据、风向信息数据、天气状况信息数据以数字形式表示。
23.进一步的，构建方法还包括：
24.根据数据库中存储的救护车出车量数据对应的星期数，将救护车出车量数据按照星期数分为7个星期分组，分别计算每个星期分组对应的第一救护车出车量均值以及方差值；
25.根据数据库中存储的救护车出车量数据对应的日期，将救护车出车量数据按照日期中的日部分分为31个日分组，分别计算每个日分组对应的第二救护车出车量均值；
26.根据每条特征样本数据中的时间特征数据，确定每条特征样本数据对应的第一救护车出车量均值、第二救护车出车量均值以及方差值；
27.将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据作为学习变量为：
28.将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据以及对应的第一救护车出车量均值、第二救护车出车量均值以及方差值作为学习变量。
29.进一步的，构建方法还包括：
30.根据每条特征样本数据对应的日期，确定每条特征样本数据对应的n个滞后项数据，每个滞后项数据表示为counts_shift_i，代表当前特征样本数据的前i天的特征样本数据中的救护车出车量数据，i的取值为[1，n]；
[0031]
根据n个滞后项数据计算得到的n-1个出车量变化量数据，出车量变化数据为相邻日期的两个滞后项数据之差；
[0032]
将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特
征数据作为学习变量为：
[0033]
将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据、n个滞后项数据以及n-1个出车量变化数据作为学习变量。
[0034]
本发明还提供一种救护车出车量的预测系统，系统包括获取模块、预处理模块以及预测模块；其中：
[0035]
获取模块，与预处理模块连接，用于获取目标区域在目标时间的目标特征数据，目标特征数据包括时间特征数据、天气特征数据以及空气质量特征数据；
[0036]
预处理模块，与预测模块连接，用于对目标特征数据进行预处理，将目标特征数据以数字形式表示；
[0037]
预测模块，用于将预处理后的目标特征数据输入至目标区域对应的救护车出车量预测模型中，预测得到目标区域在目标时间的救护车出车量。
[0038]
进一步的，系统还包括预测模型构建模块，预测模型构建模块与预测模块连接，用于预先为目标区域构建救护车出车量预测模型，构建方法包括：
[0039]
建立数据库，数据库用于存储目标区域在预设样本采集日期范围内的天气特征数据、空气质量特征数据以及救护车出车量数据；
[0040]
将数据库中存储的天气特征数据、空气质量特征数据以及救护车出车量数据，按照数据对应的日期进行合并，生成多条特征样本数据，每条特征样本数据对应一个日期；
[0041]
对每条特征样本数据对应的日期进行数据挖掘，生成每条特征样本数据对应的时间特征数据；
[0042]
对每条特征样本数据进行预处理，将特征样本数据以数字形式表示；
[0043]
将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据作为学习变量，以预处理后的每条特征样本数据中的救护车出车量数据作为目标，利用lightgbm模型进行训练学习，获得目标区域的救护车出车量预测模型。
[0044]
本发明还提供一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现上述的救护车出车量的预测方法步骤。
[0045]
本发明提供的救护车出车量的预测方法、系统及计算机设备，至少具有以下有益效果：利用目标区域在目标时间下的时间特征数据、天气特征数据以及空气质量特征数据以及预设的目标区域对应的救护车出车量预测模型，对目标区域在某个目标时间的救护车出车量进行预测，由于预测时全面结合了时间特征数据、天气特征数据以及空气质量特征数据，预测结果更为合理准确；同时，预测时使用目标区域对应的救护车出车量预测模型，也即不同区域对应有不同的救护车出车量预测模型，使得救护车出车量预测模型更适用于所需预测的区域，进而进一步提高预测结果的准确性。合理准确的预测救护车出车量(出车需求量)，有利于相关医院根据救护车出车量(出车需求量)提前准备充足的急救物资、医务人员数量等相关人力物力资源，减少救护车返站补充急救物资的时间，减少院前急救出车的准备时间，提高急救速度，保障患者生命安全；另一方面可以根据预测的结果动态调整急救指挥中心的调度席位数，保证群众急救电话打入时得到及时的处理和安排，保障患者能及时的受到急救医疗服务，保障生命安全。
附图说明
[0046]
为了更清楚的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的介绍，显而易见的，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的前提下，还可以根据这些附图获得其它附图。
[0047]
图1为本发明一种实施例的救护车出车量的预测方法流程图；
[0048]
图2为本发明又一种实施例的救护车出车量的预测方法流程图；
[0049]
图3为本发明一种实施例的救护车出车量预测模型构建方法流程图一；
[0050]
图4为本发明又一种实施例的救护车出车量预测模型构建方法流程图二；
[0051]
图5为本发明又一种实施例的救护车出车量预测模型构建方法流程图三；
[0052]
图6为本发明一种实施例的救护车出车量的预测系统结构示意图；
[0053]
图7为本发明又一种实施例的救护车出车量的预测系统结构示意图；
[0054]
图8为本发明一种实施例的计算机设备结构示意图；
[0055]
501-获取模块、502-预处理模块、503-预测模块、504-预测模型构建模块、7-计算机设备、701-处理器、702-存储器、703-通信总线。
具体实施方式
[0056]
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
[0057]
在本发明的一种实施例中，提供一种救护车出车量的预测方法，如图1所示，方法包括以下步骤：
[0058]
步骤s101：获取目标区域在目标时间的目标特征数据。
[0059]
其中，目标区域以及目标时间是预先设定的。目标区域可以是某个市的某一个区，例如广州市越秀区。目标时间包括年、月、日，例如2022年1月10日。
[0060]
目标特征数据包括：时间特征数据、天气特征数据以及空气质量特征数据。
[0061]
进一步的，目标特征数据中的时间特征数据包括星期信息数据、法定节假日信息数据、日信息数据。其中，以目标时间为2022年1月10日为例，星期信息数据即为星期一，法定节假日信息数据为非法定节假日，日信息数据为10日。
[0062]
目标特征数据中的天气特征数据包括日温度信息数据、日湿度信息数据、日风速信息数据、日风级信息数据、风向信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据、天气状况信息数据。
[0063]
日温度信息数据包括日最低温度(℃)、日最高温度(℃)、日平均温度(℃)。
[0064]
其中日最低温度(℃)为：在连续24小时时间段内(通常为地方时当日20时至次日20时)所观测到的最低温度；日最高温度(℃)为：测量地点当天地表所达到的最高温度，一日内最高温度，一般出现在14-15时，这个时间就是一天最热的时段；日平均温度(℃)为当日24小时的平均温度。
[0065]
日湿度信息数据(％)为当日平均湿度(humidity)，表示大气干燥程度的物理量。
[0066]
日风速信息数据(m/s)，为平均风速，平均风速是指空间某一点，在给定的时段内各次观测的风速之和除以观测次数。
[0067]
日风级信息数据，为日风力等级(wind scale)简称风级，是风强度(风力)的一种表示方法。
[0068]
风向信息数据，指风的方向，例如东风、东北风等等。
[0069]
日气压信息数据((hpa))，气压(atmospheric pressure)是作用在单位面积上的大气压力，即在数值上等于单位面积上向上延伸到大气上界的垂直空气柱所受到的重力。
[0070]
日能见度信息数据(km)，能见度又称可见度，指观察者离物体多远时仍然可以清楚看见该物体。
[0071]
日总降水量信息数据(mm)，指一天24小时降雨量的总和，降雨量指从天空降落到地面上的液态或固态(经融化后)水，未经蒸发、渗透、流失，而在水平面上积聚的深度。降水量以mm为单位，气象观测中取一位小数，它可以直观地表示降雨的多少。
[0072]
日平均总云量信息数据(％)，总云量(total cloud cover)天穹被全部云遮蔽的成数。
[0073]
天气状况信息数据，是指某一个地区距离地表较近的大气层在短时间内的具体状态，可以为晴天、多云或者阴天等。
[0074]
目标特征数据中的空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据。其中，空气质量指数(air quality index，aqi)，是能够对空气质量进行定量描述的数据。其数值越大，代表空气污染状况越严重，对人体的健康危害也就越大。质量等级，是指根据空气质量标准对空气质量指数进行分级，1级代表空气质量指数0-50，2级代表空气质量指数51-100，3级代表空气质量指数101-150，4级代表空气质量指数151-200，5级代表空气质量指数201-300，6级代表超过空气质量指数300。aqi排名指全国城市空气质量指数排名，其是根据各个城市的aqi指数，对各个城市进行排名。空气污染物浓度信息数据包括pm2.5浓度、pm10浓度、so2浓度、no2浓度、co浓度以及o3浓度。其中，pm2.5一般都是指细颗粒物又称细粒、细颗粒，指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物，当pm2.5数值大代表空气污染比较严重，部分人群可能因此会不适，该数据用数值表示；pm10一般指可吸入颗粒物，通常是指粒径在10微米以下的颗粒物，数字越大代表空气污染越严重。呼吸道患者可能会受到刺激导致病情恶化，甚至需要入院。该数据用数值来表示；so2：二氧化硫(sulfur dioxide)是最常见、最简单、有刺激性的硫氧化物，化学式so2，无色气体，大气主要污染物之一。当so2浓度达到一定程度时，会刺激到呼吸道，可使气管和支气管的管腔缩小，气道阻力增大。慢性支气管炎患者在浓度高到一定程度时病情会恶化，这也会导致急救车出车数增加，该数据用数值来表示；no2：二氧化氮，一种棕红色气体。no2会损害部分人群的呼吸道，刺激到眼睛和上呼吸道，会出现咽部不适、干咳等症状，该数据用数值来表示；一氧化碳(carbon monoxide)，一种碳氧化合物，分子量为28.0101，通常状况下为是无色、无臭、无味的气体，会对人体会造成影响，当含量过高时会对人体进行损害，甚至会出现生命危险，该数据用数值来表示；臭氧是氧气的一种同素异形体，化学式是o3，式量47.998，有鱼腥气味的淡蓝色气体，当o3的浓度比较高时会刺激到人体的粘膜，过高时会引起中枢神经障碍，该数据用数值来表示。
[0075]
步骤s102：对目标特征数据进行预处理，将目标特征数据以数字形式表示。
[0076]
具体的，由于时间特征数据中的日信息数据；天气特征数据中的日温度信息数据、日湿度信息数据、日风速信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据；空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据均是用数值(数字)进行表示的，因此在本步骤中，时间特征数据中的日信息数据；天气特征数据中的日温度信息数据、日湿度信息数据、日风速信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据；空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据均不变。
[0077]
对于时间特征数据中的星期信息数据、法定节假日信息数据、风向信息数据、天气状况信息数据，则可以根据预设的数字编码策略，将这些数据以数字形式表示，从而实现将目标特征数据全部以数字的形式表示。
[0078]
进一步的，技术人员可以自行设定编码-信息对应关系，例如对于星期信息数据，设置0代表星期一，1代表星期二，2代表星期三，3代表星期四，4代表星期五，5代表星期六，6代表星期日；对于法定节假日信息数据，设置1代表当天是法定节假日，0代表当天不是法定节假日；对于天气情况信息数据，设置0代表晴天，1代表多云，2代表阴天等；对于风向信息数据，设置0代表北风，1代表东风等。
[0079]
步骤s103：将预处理后的目标特征数据输入至目标区域对应的救护车出车量预测模型中，预测得到目标区域在目标时间的救护车出车量。
[0080]
由于在步骤s102中，已经将目标特征数据均转换为数字形式，因此在本步骤中可以将数字形式的目标特征数据直接代入到目标区域对应的救护车出车量预测模型中，从而预测得到目标区域在目标时间的救护车出车量。
[0081]
本发明提供的救护车出车量的预测方法，利用目标区域在目标时间下的时间特征数据、天气特征数据以及空气质量特征数据以及预设的目标区域对应的救护车出车量预测模型，对目标区域在某个目标时间的救护车出车量进行预测，由于预测时全面结合了时间特征数据、天气特征数据以及空气质量特征数据，预测结果更为合理准确；同时，预测时使用目标区域对应的救护车出车量预测模型，也即不同区域对应有不同的救护车出车量预测模型，使得救护车出车量预测模型更适用于所需预测的区域，进而进一步提高预测结果的准确性。合理准确的预测救护车出车量(出车需求量)，有利于相关医院根据救护车出车量(出车需求量)提前准备充足的急救物资、医务人员数量等相关人力物力资源，减少救护车返站补充急救物资的时间，减少院前急救出车的准备时间，提高急救速度，保障患者生命安全；另一方面可以根据预测的结果动态调整急救指挥中心的调度席位数，保证群众急救电话打入时得到及时的处理和安排，保障患者能及时的受到急救医疗服务，保障生命安全。
[0082]
在本发明的又一种实施例中，如图2所示，救护车出车量的预测方法还包括以下步骤：
[0083]
步骤s104：预先为目标区域构建救护车出车量预测模型。
[0084]
如图3所示，具体的构建方法包括：
[0085]
步骤s1041：建立数据库。
[0086]
数据库用于存储目标区域在预设样本采集日期范围内的天气特征数据、空气质量特征数据以及救护车出车量数据。
[0087]
特征样本数据中的天气特征数据、空气质量特征数据可以参照上文所提到的天气特征数据、空气质量特征数据，在此不再过多赘述。
[0088]
在本步骤中，建立数据库，具体为：
[0089]
从急救医疗指挥中心收集海量数据。
[0090]
海量数据包括患者编号、年龄、性别、急救公里数、主诉、院前诊断、电话振铃时刻、生成任务时刻、接受命令时刻、出车时刻、到达现场时刻等重要时间节点、事件位置纬度和经度等记录。
[0091]
基于对患者信息的保密原则，对数据进行脱敏处理。
[0092]
进行脱敏处理，为删除有关患者的个人隐私信息，如姓名、电话、呼叫地址等信息。
[0093]
删除异常数据以及删除部分预测模型构建时用不到的特征，将剩余特征存储在数据库中。
[0094]
其中，可以将不在预设样本采集日期范围内的数据作为异常数据进行删除，例如预设样本采集日期范围为2021年1月-7月，而收集到的数据有1970年的极个别数据，则将该数据作为异常数据。
[0095]
构建预测模型时需要目标区域每天的救护车的出车量，具体的，在统计时，可以抽取“电话振铃小时”数据作为时间标量，分小时统计救护车出车量数据，之后再根据对应的日期进行合并，将同一天的分小时统计的救护车出车量数据进行相加，从而得到一天的救护车出车量。
[0096]
此外，数据库中除了存储有上述的每天救护车出车量数据以外，还需要存储每天对应的天气特征数据、空气质量特征数据等构建预测模型的其他数据。
[0097]
步骤s1042：将数据库中存储的天气特征数据、空气质量特征数据以及救护车出车量数据，按照数据对应的日期进行合并，生成多条特征样本数据，每条特征样本数据对应一个日期。
[0098]
具体的，每条特征样本中的天气特征数据包括日温度信息数据、日湿度信息数据、日风速信息数据、日风级信息数据、风向信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据、天气状况信息数据；每条特征样本数据中的空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据。
[0099]
步骤s1043：对每条特征样本数据对应的日期进行数据挖掘，生成每条特征样本数据对应的时间特征数据。
[0100]
具体的，每条特征样本数据中的时间特征数据包括星期信息数据、法定节假日信息数据、日信息数据。
[0101]
当已知每条特征样本数据中的日期(年月日)，即可根据该日期通过日历查询到当天为星期几(星期信息数据)、是否为法定节假日以及是几号(日信息数据)。
[0102]
步骤s1044：对每条特征样本数据进行预处理，将特征样本数据以数字形式表示。
[0103]
同样的，在本步骤中，由于天气特征数据中的日温度信息数据、日湿度信息数据、日风速信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据；空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据均是用数值(数字)进行表示的，因此在本步骤中，
天气特征数据中的日温度信息数据、日湿度信息数据、日风速信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据、；空气质量特征数据中的空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据均保持不变。
[0104]
对于时间特征数据中的星期信息数据、法定节假日信息数据、日信息数据、风向信息数据、天气状况信息数据，则可以根据预设的数字编码策略，将这些数据以数字形式表示，从而实现将特征样本数据全部以数字的形式表示。应当可以理解的本步骤中的预设的数字编码策略与步骤s102中所采用的预设的数字编码策略相同。
[0105]
步骤s1045：将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据作为学习变量，以预处理后的每条特征样本数据中的救护车出车量数据作为目标，利用lightgbm模型进行训练学习，获得目标区域的救护车出车量预测模型。
[0106]
具体的，利用lightgbm模型进行训练学习，获得目标区域的救护车出车量预测模型的具体流程为：
[0107]
将预处理后的特征样本数据分成测试集和交叉验证集，其中抽取出20％的数据样本作为测试集，剩余80％的数据作为交叉验证集用于进行五折交叉验证。
[0108]
具体的，五折交叉验证训练的具体过程为：将交叉验证集分成5份，每个子集互不相交且大小相同，依次从5份中选出1份作为验证集，其余4份作为训练集，进行5次单独的模型训练和验证，最终得到5个救护车出车量预测模型。测试集用来分别测试5个救护车出车量预测模型的泛化能力。
[0109]
在利用救护车出车量预测模型对目标区域在目标时间的救护车出车量进行预测时，将预处理后的目标特征数据分别输入至上述得到的5个救护车出车量预测模型中，得到5个预测结果后取平均值，作为最终预测的目标区域在目标时间的救护车出车量。
[0110]
在本实施例中，构建目标区域的救护车出车量预测模型时，将每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据作为学习变量，对救护车出车量预测模型进行训练，其中时间特征数据为根据每条特征样本数据对应的日期进行数据挖掘后得到，除了日信息数据以外，还包括星期信息数据、法定节假日信息数据，避免了学习过程中过于偏向于天气和空气质量的信息，使得训练得到的训练模型的预测结果更为精准。
[0111]
在本发明的又一种实施例中，在上一实施例的基础之上，如图4所示，构建方法还包括：
[0112]
步骤s1046：根据每条特征样本数据对应的日期，确定每条特征样本数据对应的n个滞后项数据。
[0113]
具体的，每个滞后项数据表示为counts_shift_i，代表当前特征样本数据的前i天的特征样本数据中的救护车出车量数据，i的取值为[1，n]。
[0114]
具体的，在本步骤中，滞后项数据counts_shift_i的个数由技术人员预先设定，优选的可以设定为n＝4，也即i的取值为1，2，3，4，以当前特征样本数据对应的时间为2022年1月10日为例，则获取2022年1月9日、2022年1月8日、2022年1月7日、2022年1月6日的特征样本数据对应的救护车出车量数据，作为counts_shift_1、counts_shift_2、counts_shift_3、counts_shift_4。
[0115]
步骤s1047：根据n个滞后项数据计算得到的n-1个出车量变化量数据，出车量变化
数据为相邻日期的两个滞后项数据之差。
[0116]
具体的，将出车量变化量数据表示为counts_diff_j，则j的取值依次为2，3，4；
[0117]
counts_diff_2＝counts_shift_1-counts_shift_2；
[0118]
counts_diff_3＝counts_shift_2-counts_shift_3；
[0119]
counts_diff_4＝counts_shift_3-counts_shift_4；
[0120]
同时，在本实施例中，步骤s1045为：将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据、n个滞后项数据以及n-1个出车量变化数据作为学习变量，以预处理后的每条特征样本数据中的救护车出车量数据作为目标，利用lightgbm模型进行训练学习，获得目标区域的救护车出车量预测模型。
[0121]
在本实施例中，构建救护车出车量预测模型时，还考虑到前面的时间段救护车出车量对当前时间段的救护车出车量的影响，将n个滞后项数据以及n-1个出车量变化数据也作为学习变量，可以使构建得到的救护车出车量预测模型更为准确。
[0122]
应当可以理解的，在利用此模型对目标区域在目标时间的出车量进行预测时，目标特征数据除了时间特征数据、天气特征数据以及空气质量特征数据以外，还包括在目标时间对应的n个滞后项数据，以及n-1个出车量变化数据。例如，目标时间为2022年2月24日，n＝4，则还需获得2022年2月23日、2022年2月22日、2022年2月21日、2022年2月20日对应的救护车出车量数据作为4个滞后项数据，再利用相邻日期的两个滞后项数据相减，得到3个出车量变化数据，从而利用本实施例中的救护车出车量预测模型预测得到目标区域在目标时间的出车量。
[0123]
在本发明的又一种实施例中，如图5所示，构建方法还包括：
[0124]
步骤s1048：根据数据库中存储的救护车出车量数据对应的星期数，将救护车出车量数据按照星期数分为7个星期分组，分别计算每个星期分组对应的第一救护车出车量均值以及方差值；
[0125]
步骤s1049：根据数据库中存储的救护车出车量数据对应的日期，将救护车出车量数据按照日期中的日部分分为31个日分组，分别计算每个日分组对应的第二救护车出车量均值；
[0126]
步骤s10410：根据每条特征样本数据中的时间特征数据，确定每条特征样本数据对应的第一救护车出车量均值、第二救护车出车量均值以及方差值；
[0127]
同时，在本实施例中，步骤s1045为：将每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据以及对应的第一救护车出车量均值、第二救护车出车量均值以及方差值作为学习变量。
[0128]
本实施例中，在构建预测模型时，利用时间序列对样本数据进行了进一步的挖掘，在星期信息数据、法定节假日信息数据、日信息数据的基础上，还提取出了第一救护车出车量均值、第二救护车出车量均值以及方差值，在进行模型训练时将每条特征样本数据对应的第一救护车出车量均值、第二救护车出车量均值以及方差值也作为学习变量，进一步避免学习过程中过于偏向于天气和空气质量的信息，使得训练得到的训练模型的预测结果更为精准。
[0129]
应当可以理解的，在利用此模型对目标区域在目标时间的出车量进行预测时，目标特征数据除了时间特征数据、天气特征数据以及空气质量特征数据以外，还包括在目标
时间对应的第一救护车出车量均值、第二救护车出车量均值以及方差值。例如，目标时间为2022年2月24日，为星期四，则获取星期四对应的第一救护车出车量均值、24号对应的第二救护车出车量均值、星期四对应的第一救护车出车量方差值。从而利用本实施例中的救护车出车量预测模型预测得到目标区域在目标时间的出车量。
[0130]
在本发明的一种实施例中，如图6所示，本发明还提供一种救护车出车量的预测系统，系统包括获取模块501、预处理模块502以及预测模块503；其中：
[0131]
获取模块501，与预处理模块502连接，用于获取目标区域在目标时间的目标特征数据，目标特征数据包括时间特征数据、天气特征数据以及空气质量特征数据；
[0132]
预处理模块502，与预测模块503连接，用于对目标特征数据进行预处理，将所述目标特征数据以数字形式表示；
[0133]
预测模块503，用于将预处理后的目标特征数据输入至所述目标区域对应的救护车出车量预测模型中，预测得到目标区域在目标时间的救护车出车量。
[0134]
在本发明的又一种实施例中，如图7所示，系统包括预测模型构建模块504，预测模型构建模块504与预测模块503连接，用于预先为目标区域构建救护车出车量预测模型，构建方法包括：
[0135]
建立数据库，数据库用于存储目标区域在预设样本采集日期范围内的天气特征数据、空气质量特征数据以及救护车出车量数据；
[0136]
将数据库中存储的天气特征数据、空气质量特征数据以及救护车出车量数据，按照数据对应的日期进行合并，生成多条特征样本数据，每条特征样本数据对应一个日期；
[0137]
对每条特征样本数据对应的日期进行数据挖掘，生成每条特征样本数据对应的时间特征数据；
[0138]
对每条特征样本数据进行预处理，将特征样本数据以数字形式表示；
[0139]
将预处理后的每条特征样本数据中的时间特征数据、天气特征数据、空气质量特征数据作为学习变量，以预处理后的每条特征样本数据中的救护车出车量数据作为目标，利用lightgbm模型进行训练学习，获得目标区域的救护车出车量预测模型。
[0140]
进一步的，在本发明的又一种实施例中，目标特征数据中的时间特征数据包括星期信息数据、法定节假日信息数据、日信息数据；
[0141]
目标特征数据中的天气特征数据包括日温度信息数据、日湿度信息数据、日风速信息数据、日风级信息数据、风向信息数据、日气压信息数据、日能见度信息数据、日总降水量信息数据、日平均总云量信息数据、天气状况信息数据；
[0142]
目标特征数据中的空气质量特征数据包括空气质量指数信息数据、质量等级信息数据、aqi排名信息数据以及空气污染物浓度信息数据。
[0143]
本发明还提供一种计算机设备，如图8所示，包括：处理器701和存储器702，处理器701和存储器702通过通信总线703和/或其他形式的连接机构(未标出)互连并相互通讯，存储器702存储有处理器701可执行的计算机程序，当计算设备运行时，处理器701执行该计算机程序，以执行上述实施例的任一可选的实现方式中的方法。
[0144]
本发明提供的救护车出车量的预测方法、系统及计算机设备，利用目标区域在目标时间下的时间特征数据、天气特征数据以及空气质量特征数据以及预设的目标区域对应的救护车出车量预测模型，对目标区域在某个目标时间的救护车出车量进行预测，由于预
测时全面结合了时间特征数据、天气特征数据以及空气质量特征数据，预测结果更为合理准确；同时，预测时使用目标区域对应的救护车出车量预测模型，也即不同区域对应有不同的救护车出车量预测模型，使得救护车出车量预测模型更适用于所需预测的区域，进而进一步提高预测结果的准确性。合理准确的预测救护车出车量(出车需求量)，有利于相关医院根据救护车出车量(出车需求量)提前准备充足的急救物资、医务人员数量等相关人力物力资源，减少救护车返站补充急救物资的时间，减少院前急救出车的准备时间，提高急救速度，保障患者生命安全；另一方面可以根据预测的结果动态调整急救指挥中心的调度席位数，保证群众急救电话打入时得到及时的处理和安排，保障患者能及时的受到急救医疗服务，保障生命安全。
[0145]
本领域技术人员应当理解，在不脱离所公开的实施方式的基本原理的前提下，对上述实施方式中的各细节可进行各种变化。因此，本发明的范围只由权利要求确定，在权利要求中，除非另有说明，所有的术语应按最宽泛合理的意思进行理解。