一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法與流程

文檔序號：12469380閱讀：294來源：國知局

導(dǎo)航： X技術(shù)> 最新專利>計算;推算;計數(shù)設(shè)備的制造及其應(yīng)用技術(shù)

一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法與流程

本發(fā)明涉及醫(yī)療機(jī)構(gòu)技術(shù)領(lǐng)域，更特別地說，是指一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法。

背景技術(shù)：

數(shù)據(jù)活化之非負(fù)矩陣分解(Non-negative Matrix Factorization，NMF)由D.Lee等在1999年正式提出的(即Lee D D，Seung H S.Learning the parts of objects by non-negativ matrix factorization[J].Nature，1999，401(6755):788-91.)，經(jīng)過了十余年的發(fā)展，現(xiàn)在已經(jīng)成為了相對完善的數(shù)據(jù)分析方法。并且，NMF方法還在圖像分析、文本聚類、數(shù)據(jù)挖掘、語音處理等方面得到了廣泛的應(yīng)用。由于NMF方法具有快速和有效等特性，在模式識別領(lǐng)域中被廣泛用于特征提取與數(shù)據(jù)降維。在圖像處理方向，NMF方法被用于研究機(jī)器人對外界感知這一課題。因為非負(fù)性約束的存在，分解結(jié)果中有大量的元素為零，故這種表示方法屬于稀疏編碼，具有節(jié)省存儲空間的特點(diǎn)。

線性回歸是一種回歸分析方法，這種分析利用線性回歸方程的最小平方函數(shù)，對一個或多個自變量與一個因變量之間的關(guān)系進(jìn)行建模。線性回歸方法基于數(shù)理統(tǒng)計中的回歸分析，是廣泛應(yīng)用的一種用來確定兩個或兩個以上變量之間關(guān)系的統(tǒng)計方法之一。在實際應(yīng)用中，只有一個自變量的線性回歸為一元線性回歸，而有多個自變量的線性回歸為多元線性回歸。

醫(yī)療機(jī)構(gòu)，是指依法定程序設(shè)立的從事疾病診斷、治療活動的衛(wèi)生機(jī)構(gòu)的總稱。對于醫(yī)療機(jī)構(gòu)在進(jìn)行注冊或?qū)徟鷷r，在審批部門將留下名稱、地址、網(wǎng)址、服務(wù)特長等相關(guān)信息的數(shù)據(jù)?；蛘呓?jīng)地理位置信息軟件(如百度地圖、谷歌地圖)分析獲得醫(yī)療機(jī)構(gòu)的地理信息。

面對互聯(lián)網(wǎng)上的海量信息，普通用戶往往無所適從。為了滿足用戶的信息需求，計算機(jī)科學(xué)家發(fā)明了兩項意義深遠(yuǎn)的技術(shù)：一是搜索技術(shù)，它幫助計算機(jī)系統(tǒng)被動地應(yīng)答用戶的查詢，將與之最相關(guān)、最重要的信息返回給用戶；二是推薦系統(tǒng)技術(shù)，它根據(jù)用戶的興趣、行為、情景等信息，把用戶最可能感興趣的內(nèi)容主動推送給用戶。近年來，推薦系統(tǒng)技術(shù)得到了長足的發(fā)展，不但成為學(xué)術(shù)研究的熱點(diǎn)之一，而且在電子商務(wù)、在線廣告、社交網(wǎng)絡(luò)等重要的互聯(lián)網(wǎng)應(yīng)用中大顯身手。推薦系統(tǒng)(Recommender System，RS)是為用戶推薦所需物品的軟件工具的技術(shù)。

技術(shù)實現(xiàn)要素：

為了解決醫(yī)療機(jī)構(gòu)在推薦系統(tǒng)的互聯(lián)網(wǎng)應(yīng)用中出現(xiàn)的推薦準(zhǔn)確度差的問題，本發(fā)明提出了一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法。本發(fā)明方法是通過解決具有多源異構(gòu)性和極高稀疏性的數(shù)據(jù)的預(yù)測技術(shù)難點(diǎn)，同時優(yōu)化算法改善多系數(shù)調(diào)參難以達(dá)到全局最優(yōu)的困難，使模型獲得更優(yōu)解，提高了數(shù)據(jù)預(yù)測的準(zhǔn)確性。本發(fā)明應(yīng)用在推薦系統(tǒng)中有效提高了對醫(yī)療機(jī)構(gòu)的推薦準(zhǔn)確度，從而提高醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)對于智慧城市的建設(shè)的利用價值，解決殘缺數(shù)據(jù)對大部分智慧城市的智能化建設(shè)的影響。

本發(fā)明提出的一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法，包括有下列步驟：

步驟A：初始化醫(yī)療機(jī)構(gòu)推薦系統(tǒng)，并從GPS地理信息模塊、醫(yī)療機(jī)構(gòu)信息模塊、病患就診信息模塊和手機(jī)基站信息模塊中獲取推薦用原始數(shù)據(jù)；

步驟B：應(yīng)用步驟A獲取的推薦用原始數(shù)據(jù)構(gòu)建二維醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；

在本發(fā)明中，醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣記為

步驟C：根據(jù)步驟B得到的醫(yī)療機(jī)構(gòu)—居住區(qū)就診量設(shè)計適用于時空多維度條件下，多尺度與多粒度的海量數(shù)據(jù)的線性回歸張量因子；

在本發(fā)明中，線性回歸張量因子記為FR＝[R_r,R_s,R_t]_b×a×3。

步驟D：依據(jù)步驟C的線性回歸張量因子重新對步驟B的醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣進(jìn)行處理，得到醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型；

在本發(fā)明中，醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型記為

步驟E：在醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中應(yīng)用步驟D的醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型，并初始化；然后采用隱性特征模型對多元異構(gòu)的推薦用原始數(shù)據(jù)進(jìn)行活化數(shù)據(jù)挖掘，得到隱性特征矩陣；

在本發(fā)明中，隱性特征有2個，即醫(yī)療機(jī)構(gòu)的隱性特征記為

即居住區(qū)域的隱性特征記為

步驟F：通過步驟E得到的隱性特征矩陣，迭代計算醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；若未達(dá)到收斂，則返回步驟E，重新計算隱性特征矩陣偏導(dǎo)；若收斂，則修正醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；

在本發(fā)明中，以來修正步驟B構(gòu)建的醫(yī)療機(jī)構(gòu)-居住區(qū)域就診量矩陣，記為Tm_{就診量_重構(gòu)}。

表示經(jīng)修正后的就診量。

步驟G：以推薦標(biāo)準(zhǔn)誤差模型對經(jīng)步驟F修正后的醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣進(jìn)行推薦標(biāo)準(zhǔn)誤差的計算，若標(biāo)準(zhǔn)誤差小于0.3，則將獲得推薦結(jié)果提供給用戶。

在本發(fā)明中，推薦標(biāo)準(zhǔn)誤差模型記為

計算推薦標(biāo)準(zhǔn)誤差模型RMSE_{就診量_誤差}作為算法準(zhǔn)確度的評判標(biāo)準(zhǔn)，如果Weight_缺失中為0，則通過所述RMSE_{就診量_誤差}來對和進(jìn)行相似度衡量。

本發(fā)明醫(yī)療機(jī)構(gòu)推薦方法的優(yōu)點(diǎn)在于：

①本發(fā)明方法中應(yīng)用線性回歸張量因子與非負(fù)矩陣分解(即二維醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣)兩種方法的結(jié)合，充分考慮了醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)的多源異構(gòu)性。

②本發(fā)明方法中用了線性回歸張量因子，可以自適應(yīng)訓(xùn)練特征系數(shù)，改善了已有醫(yī)療機(jī)構(gòu)研究中由于加入多種數(shù)據(jù)因子造成因子系數(shù)繁多、調(diào)參困難、難以達(dá)到全局最優(yōu)的問題，這樣可以在推薦時計算出更優(yōu)解推薦給用戶。

③本發(fā)明利用隱性特征來對醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行學(xué)習(xí)預(yù)測，能夠解決醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)的極高稀疏性(尤其非零率極高的情況，即數(shù)據(jù)大部分缺失狀態(tài))，從而提高推薦醫(yī)療機(jī)構(gòu)的準(zhǔn)確度。

④本發(fā)明利用推薦標(biāo)準(zhǔn)誤差模型對二維醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣進(jìn)行修正，并用推薦標(biāo)準(zhǔn)誤差值來作衡量，從而可以提高推薦的優(yōu)質(zhì)性。

附圖說明

圖1是本發(fā)明基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法的流程圖。

圖2是不同區(qū)域的醫(yī)療機(jī)構(gòu)經(jīng)本發(fā)明方法的標(biāo)準(zhǔn)誤差對比圖。

圖3是不同方法的標(biāo)準(zhǔn)誤差對比圖。

具體實施方式

下面將結(jié)合附圖和實施例對本發(fā)明做進(jìn)一步的詳細(xì)說明。

參見圖1所示，本發(fā)明提出了一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法，該推薦方法包括有下列處理步驟：

在本發(fā)明中，醫(yī)療機(jī)構(gòu)推薦系統(tǒng)借助公共的互聯(lián)網(wǎng)系統(tǒng)的大數(shù)據(jù)進(jìn)行推薦技術(shù)處理。醫(yī)療機(jī)構(gòu)推薦系統(tǒng)所需的推薦用原始數(shù)據(jù)是由互聯(lián)網(wǎng)提供。為滿足本發(fā)明所需的原始數(shù)據(jù)，則互聯(lián)網(wǎng)中至少需要以下模塊提供數(shù)據(jù)信息，即包括有：

GPS地理信息模塊，用于提供目標(biāo)的地理位置，地理位置以經(jīng)度和緯度顯示，即(x,y)；

醫(yī)療機(jī)構(gòu)信息模塊，用于提供不同醫(yī)療機(jī)構(gòu)的名稱、醫(yī)療機(jī)構(gòu)類型、患者關(guān)聯(lián)信息(屬于各醫(yī)療機(jī)構(gòu)共享的部分患者信息，不涉及患者隱私)、治療特色等信息；所述患者關(guān)聯(lián)信息有就診信息DI和患者就診時間信息DT等；而就診信息DI包括有患者的住址、患者的病歷、患者的姓名、患者的年齡、患者的性別、患者的電話等相關(guān)信息，其中，患者的住址為不可缺少項；

病患就診信息模塊，用于提供患者自愿公開的患者基礎(chǔ)信息，如患者的住址、患者的病歷、患者的姓名、患者的年齡、患者的性別、患者的電話等相關(guān)信息；

手機(jī)基站信息模塊，用于提供手機(jī)用戶注冊信息、用戶的移動狀態(tài)信息、用戶登錄互聯(lián)網(wǎng)信息等。

在本發(fā)明中，為了表征醫(yī)療機(jī)構(gòu)與居住區(qū)域之間的就診量，應(yīng)用了患者的就診信息DI、患者就診時間信息DT、以及醫(yī)療機(jī)構(gòu)集DC＝{Doctor₁,Doctor₂,…,Doctor_b}和居住區(qū)域集RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}的信息。所述患者的就診信息DI包括有患者的家庭住址、患者的病歷、患者的姓名、患者的年齡、患者的性別、患者的電話等相關(guān)信息，其中，患者的家庭住址為不可缺少項。

步驟B：應(yīng)用步驟A獲取的推薦用原始數(shù)據(jù)構(gòu)建二維醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；

在本發(fā)明中，醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣記為

在本發(fā)明中，線性回歸張量因子記為FR＝[R_r,R_s,R_t]_b×a×3。

在本發(fā)明中，醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型記為

在本發(fā)明中，隱性特征有2個，即醫(yī)療機(jī)構(gòu)的隱性特征記為

即居住區(qū)域的隱性特征記為

在本發(fā)明中，以來修正步驟B構(gòu)建的醫(yī)療機(jī)構(gòu)-居住區(qū)域就診量矩陣，記為Tm_{就診量_重構(gòu)}。

表示經(jīng)修正后的就診量。

在本發(fā)明中，推薦標(biāo)準(zhǔn)誤差模型記為

在本發(fā)明的醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中，居住區(qū)域記為re，多個居住區(qū)域形成的居住區(qū)域集記為RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}，角標(biāo)a表示居住區(qū)域的總個數(shù)，n表示居住區(qū)域的標(biāo)識號。居住區(qū)域re的地理位置re(x,y)中的x為經(jīng)度，y為緯度。

re₁表示第一個居住區(qū)域，所述第一個居住區(qū)域re₁的地理位置記為

re₂表示第二個居住區(qū)域，所述第二個居住區(qū)域re₂的地理位置記為

re_n表示任意一個居住區(qū)域，所述任意一個居住區(qū)域re_n的地理位置記為

re_n-1表示與re_n距離最近的一個居住區(qū)域，簡稱為前一個居住區(qū)域，所述前一個居住區(qū)域re_n-1的地理位置記為

re_n+1表示與re_n距離次近的一個居住區(qū)域，簡稱為后一個居住區(qū)域，所述后一個居住區(qū)域re_n+1的地理位置記為

re_a表示最后一個居住區(qū)域，所述最后一個居住區(qū)域re_a的地理位置記為

在本發(fā)明的醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中，醫(yī)療機(jī)構(gòu)記為Doctor，多個醫(yī)療機(jī)構(gòu)形成的醫(yī)療機(jī)構(gòu)集記為DC＝{Doctor₁,Doctor₂,…,Doctor_b}，角標(biāo)b表示醫(yī)療機(jī)構(gòu)的總個數(shù)，也是醫(yī)療機(jī)構(gòu)的標(biāo)識號。醫(yī)療機(jī)構(gòu)Doctor的地理位置Doctor(x,y)中的x為經(jīng)度，y為緯度。

Doctor₁表示第一個醫(yī)療機(jī)構(gòu)，所述第一個醫(yī)療機(jī)構(gòu)Doctor₁的地理位置記為

Doctor₂表示第二個醫(yī)療機(jī)構(gòu)，所述第二個醫(yī)療機(jī)構(gòu)Doctor₂的地理位置記為

Doctor_b表示最后一個醫(yī)療機(jī)構(gòu)，所述最后一個醫(yī)療機(jī)構(gòu)Doctor_b的地理位置記為為了方便敘述，將Doctor_b也稱為任意一個醫(yī)療機(jī)構(gòu)。

在本發(fā)明的醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中，手機(jī)用戶記為Phone，多個手機(jī)用戶形成的手機(jī)用戶集記為PH＝{Phone₁,Phone₂,…,Phone_c}，角標(biāo)c表示手機(jī)用戶的總個數(shù)，也是手機(jī)用戶的標(biāo)識號。手機(jī)用戶Phone所屬的手機(jī)基站地理位置Phone(x,y)中的x為經(jīng)度，y為緯度。

Phone₁表示第一個手機(jī)用戶，所述第一個手機(jī)用戶Phone₁所屬的手機(jī)基站地理位置記為

Phone₂表示第二個手機(jī)用戶，所述第二個手機(jī)用戶Phone₂所屬的手機(jī)基站地理位置記為

Phone_c表示最后一個手機(jī)用戶，所述最后一個手機(jī)用戶Phone_c所屬的手機(jī)基站地理位置記為為了方便敘述，將Phone_c也稱為任意一個手機(jī)用戶。

在本發(fā)明中，醫(yī)療機(jī)構(gòu)推薦系統(tǒng)應(yīng)用手機(jī)用戶信息來表征醫(yī)療機(jī)構(gòu)與居住區(qū)域之間的人流量。

本發(fā)明是一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法，包括有下列步驟：

在步驟B中的醫(yī)療機(jī)構(gòu)與居住區(qū)就診量信息的獲取處理過程如下；

以地圖(如地理位置)為基礎(chǔ)的空間結(jié)構(gòu)是醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)的一種基本組織方式，而城市快節(jié)奏的生活方式也使得醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)對于時間維度的變化非常敏感。因此，時空多維特性成為醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)的另一個重要特點(diǎn)。在空間上，根據(jù)城市地理規(guī)模的不同，醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)具有不同尺度的空間跨度。在時間上，根據(jù)產(chǎn)生的時間不同，醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)具有時間相關(guān)的變化和分布。因此在進(jìn)行醫(yī)療機(jī)構(gòu)互聯(lián)網(wǎng)數(shù)據(jù)分析和應(yīng)用時，一方面需要考慮時間和空間兩個維度的數(shù)據(jù)演化特性，另一方面還需要充分利用時間和空間不同維度之間的數(shù)據(jù)關(guān)聯(lián)關(guān)系。

在本發(fā)明的醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中，醫(yī)療機(jī)構(gòu)與居住區(qū)就診量信息以二維矩陣形式來進(jìn)行關(guān)聯(lián)數(shù)據(jù)信息的收集，采用矩陣形式構(gòu)建，即得到醫(yī)療機(jī)構(gòu)－居住區(qū)就診量矩陣b表示醫(yī)療機(jī)構(gòu)的總個數(shù)，a表示居住區(qū)域的總個數(shù)，在本發(fā)明中，b的取值為321，a的取值為1343。

表示Doctor₁跟re₁之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor₁的就診信息的住址是否位于居住區(qū)域re₁的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示去Doctor₁進(jìn)行就診的患者的家庭住址。

表示Doctor₁跟re₂之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor₁的就診信息的住址是否位于居住區(qū)域re₂的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示Doctor₁跟re_a之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor₁的就診信息的住址是否位于居住區(qū)域re_a的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示Doctor₂跟re₁之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor₂的就診信息的住址是否位于居住區(qū)域re₁的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示去Doctor₂進(jìn)行就診的患者的家庭住址。

表示Doctor₂跟re₂之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor₂的就診信息的住址是否位于居住區(qū)域re₂的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示Doctor₂跟re_a之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor₂的就診信息的住址是否位于居住區(qū)域re_a的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示Doctor_b跟re₁之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor_b的就診信息的住址是否位于居住區(qū)域re₁的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示去Doctor_b進(jìn)行就診的患者的家庭住址。

表示Doctor_b跟re₂之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor_b的就診信息的住址是否位于居住區(qū)域re₂的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

表示Doctor_b跟re_a之間映射的的就診量；所述的計算關(guān)系為：判斷患者在Doctor_b的就診信息的住址是否位于居住區(qū)域re_a的地理位置里，是，則在Tm_就診量中記錄下否，放棄在Tm_就診量中記錄。

在步驟C中的線性回歸張量因子的獲取處理過程如下：

研究和利用醫(yī)療機(jī)構(gòu)數(shù)據(jù)除了要考慮時間和空間等多個維度之外，還需要考慮數(shù)據(jù)尺度和數(shù)據(jù)粒度對于數(shù)據(jù)特性的影響。在規(guī)模的尺度上，醫(yī)療機(jī)構(gòu)可以分為專科醫(yī)院、中型醫(yī)院、大型醫(yī)院等；在地理尺度上，對于醫(yī)療機(jī)構(gòu)數(shù)據(jù)的描述可以小到幾個街區(qū)或大到數(shù)千平方公里；在時間尺度上，醫(yī)療機(jī)構(gòu)數(shù)據(jù)的覆蓋時間可以短到一些事件的監(jiān)控，長到上百年的醫(yī)療機(jī)構(gòu)變遷。在地理采樣粒度上，可以像遙感測繪數(shù)據(jù)一樣精確到數(shù)米，也可以向氣象環(huán)境數(shù)據(jù)一樣以區(qū)縣、地區(qū)、甚至省市為單位；在時間粒度上，更是根據(jù)數(shù)據(jù)采樣設(shè)備的時鐘、存儲與傳輸能力、計算速度等因素產(chǎn)生不同的時間粒度。在本發(fā)明的醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中，在時空多維度的條件下，高效處理多尺度與多粒度的海量數(shù)據(jù)，采用了“線性回歸張量因子”來改善海量數(shù)據(jù)多特征因子公式冗余并且計算難以達(dá)到全局最優(yōu)的問題。根據(jù)步驟B中提取出來的Tm_就診量設(shè)計線性回歸張量因子。

在本發(fā)明中，線性回歸張量因子為FR＝[R_r,R_s,R_t]_b×a×3，且

所述距離因子

所述就診量因子

所述人流量因子其中，b表示醫(yī)療機(jī)構(gòu)的總個數(shù)，a表示居住區(qū)域的總個數(shù)，在本發(fā)明中，b的取值為321，a的取值為1343。r表示距離標(biāo)識，s表示就診量標(biāo)識，r表示人流量標(biāo)識。

表示Doctor₁跟re₁之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor₁跟re₂之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor₁跟re_a之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor₂跟re₁之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor₂跟re₂之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor₂跟re_a之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor_b跟re₁之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor_b跟re₂之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor_b跟re_a之間的距離，利用和進(jìn)行距離的計算，計算公式為

表示Doctor₁跟距離re₁最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，距離最近的五個居住區(qū)域表現(xiàn)形式為則

表示Doctor₁跟距離re₂最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₁,re_n-1,re_n,re_n+1,re_a為距離最近的五個居住區(qū)域。的計算形式為

表示Doctor₁跟距離re_a最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₁,re₂,re_n-1,re_n,re_n+1為距離最近的五個居住區(qū)域。的計算公式為

表示Doctor₂跟距離re₁最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₂,re_n-1,re_n,re_n+1,re_a為距離最近的五個居住區(qū)域。的計算公式為

表示Doctor₂跟距離re₂最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₁,re_n-1,re_n,re_n+1,re_a為距離最近的五個居住區(qū)域。的計算公式為

表示Doctor₂跟距離re_a最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₁,re₂,re_n-1,re_n,re_n+1為距離最近的五個居住區(qū)域。的計算形式為

表示Doctor_b跟距離re₁最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₂,re_n-1,re_n,re_n+1,re_a為距離最近的五個居住區(qū)域。的計算公式為

表示Doctor_b跟距離re₂最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₁,re_n-1,re_n,re_n+1,re_a為距離最近的五個居住區(qū)域。的計算公式為

表示Doctor_b跟距離re_a最近的5個居住區(qū)域之間的患者就診量的平均值。令為從RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中選出的距離最近的五個居住區(qū)域。的計算形式為為了方便說明，令RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中的re₁,re₂,re_n-1,re_n,re_n+1為距離最近的五個居住區(qū)域。的計算公式為

表示Doctor₁跟re₁之間映射的人流量；所述的計算關(guān)系為：判斷PH＝{Phone₁,Phone₂,…,Phone_c}中的任意是否位于如果是，則記錄在醫(yī)院基站列表HL中，不是則放棄記錄；同理，判斷PH＝{Phone₁,Phone₂,…,Phone_c}中的任意是否位于如果是，則記錄在居住區(qū)基站列表REL中，不是則放棄記錄。如果Phone_c同時存在于醫(yī)院基站列表HL和居住區(qū)基站列表REL中則在人流量因子R_t中記錄否則，放棄記錄。

在本發(fā)明中，醫(yī)院基站列表HL的列表形式為：