本发明属于大数据分析，具体涉及一种急救呼叫量预测方法、设备及介质。
背景技术：
1、随着城市化进程的加速和人口规模的不断扩大，保障城市居民生命健康的急救服务显得尤为重要。急救呼叫量的准确预测已成为科学部署急救资源的重要依据，对提高急救资源的利用效率和优化城市紧急医疗服务水平具有关键意义。
2、近年来，数据预测成为研究的热点之一，数据预测是通过对一系列的历史数据进行分析，得到数据的变化规律，并基于这些规律对未来的数据进行预测。然而，由于急救呼叫量预测受到的影响因素较多、同一时间不同因素间影响程度不同以及同一个影响因素随着时间变化对呼叫量多少的影响程度也不同，这使得现有急救呼叫量预测方案难以同时具备较高的预测准确性和泛化能力。
技术实现思路
1、本发明的目的是提供一种急救呼叫量预测方法、急救呼叫量预测设备、计算机设备及计算机可读存储介质，用以解决现有急救呼叫量预测方案难以同时具备较高的预测准确性和泛化能力的问题。
2、为了实现上述目的，本发明采用以下技术方案：
3、第一方面，提供了一种急救呼叫量预测方法，包括：
4、获取急救呼叫量时序数据，其中，所述急救呼叫量时序数据包含有在时序上依次连续的多个日内单位时段以及在所述多个日内单位时段中的各个日内单位时段的历史急救呼叫量；
5、将所述急救呼叫量时序数据划分成与在时序上依次连续的多个时间窗口一一对应的多份急救呼叫量时序数据；
6、针对在所述多个时间窗口中的最末时间窗口，将与对应的至少一个在前时间窗口对应的至少一份急救呼叫量时序数据作为对应的训练数据集，以及将与对应窗口对应的一份急救呼叫量时序数据作为对应的验证数据集；
7、基于prophet模型建立采用如下公式表示的急救呼叫量实时动态预测模型：
8、
9、式中，t表示时间，a(t)表示在时间t时的急救呼叫量，g(t)表示在时间t时的趋势项，s(t)表示在时间t时的季节项，h(t)表示在时间t时的节假日项，ε(t)表示在时间t时的误差噪声项，q表示正整数，q表示小于等于q的正整数，lq(t)表示在时间t时的且与在q个线性影响因子中的第q个线性影响因子对应的线性回归项；
10、将所述趋势项的增长方式设置为线性增长方式，并添加自然周和自然日以使所述季节项周期性变化，以及还设置所述误差噪声项服从一个数学期望为μ且方差为σ2的正态分布；
11、为所述节假日项添加影响权重调节因子，得到由在所述节假日项中的所有节假日区间的权重调节参数构成的第一模型参数向量；
12、获取所有急救呼叫量相关影响因素的时序数据，然后基于所述时序数据对所述所有急救呼叫量相关影响因素进行呼叫量线性影响因子动态筛选，以便将符合筛选条件的急救呼叫量相关影响因素确定为所述线性影响因子，并得到由在所有所述线性影响因子的线性回归项中的权重调节参数构成的第二模型参数向量；
13、应用与所述最末时间窗口对应的训练数据集以及验证数据集，基于粒子群算法对所述急救呼叫量实时动态预测模型进行模型训练和参数优化，得到验证通过的模型参数最优化搜索结果，其中，所述模型参数最优化搜索结果包含有所述第一模型参数向量、所述第二模型参数向量、所述数学期望和所述方差的最优化搜索结果；
14、将所述模型参数最优化搜索结果输入所述急救呼叫量实时动态预测模型，然后应用所述急救呼叫量实时动态预测模型进行急救呼叫量预测。
15、基于上述
技术实现要素：
，提供了一种基于prophet模型和粒子群算法进行急救呼叫量实时动态预测的新方案，即先基于prophet模型建立急救呼叫量实时动态预测模型，然后配置预测模型中的趋势项、季节项、节假日项、误差噪声项和与线性影响因子对应的线性回归项，并确定待搜索模型参数，再然后应用与最末时间窗口对应的训练数据集以及验证数据集，基于粒子群算法对预测模型进行模型训练和参数优化，得到验证通过的模型参数最优化搜索结果，最后将此搜索结果输入预测模型以进行急救呼叫量预测，如此可使新方案具备预测实时性高、预测准确性高和模型泛化能力更强等特点，便于实际应用和推广。
16、在一个可能的设计中，为所述节假日项添加影响权重调节因子，得到由在所述节假日项中的所有节假日区间的权重调节参数构成的第一模型参数向量，包括：
17、假设在所述节假日项中共有c个节假日区间：h1,h2,…,hk,…,hc,则记所述节假日项h(t)＝λ×z(t)，其中，所述节假日区间包含有一个自然日或在时序上连续的至少两个自然日，c表示正整数，k表示小于等于c的正整数，hk表示第k个节假日区间，λ＝(λ1,λ2,…,λk,…,λc)，dk表示所述第k个节假日区间的总天数，j表示小于等于dk的正整数，λk,j表示在所述第k个节假日区间内的第j天的权重调节因子且有ɑk表示所述第k个节假日区间的第一权重调节参数，βk表示所述第k个节假日区间的第二权重调节参数，表示若t属于所述第k个节假日区间hk，则取值为1，否则取值为零；
18、汇总所述c个节假日区间的所述第一权重调节参数和所述第二权重调节参数，得到由在所述节假日项中的所有节假日区间的权重调节参数构成的第一模型参数向量。
19、在一个可能的设计中，基于所述时序数据对所述所有急救呼叫量相关影响因素进行呼叫量线性影响因子动态筛选，以便将符合筛选条件的急救呼叫量相关影响因素确定为所述线性影响因子，包括：
20、随机选取多个自然日的历史急救呼叫量构成第一样本s1，以及还针对在所述所有急救呼叫量相关影响因素中的某个急救呼叫量相关影响因素，从对应的所述时序数据中选取所述多个自然日的数据作为第二样本s2；
21、对所述第一样本s1进行正态分布ks校验以计算得到第一校验统计量p值p1，以及还对所述第二样本s2进行所述正态分布ks校验以计算得到第二校验统计量p值p2；
22、若所述第一校验统计量p值p1和所述第二校验统计量p值p2均大于第一预设阈值，则按照如下公式计算得到所述第一样本s1与所述样本s2的相关系数rq：
23、
24、式中，i表示正整数，xi表示在所述第一样本s1中的第i个样本值，yi表示在所述第二样本s2中的第i个样本值，表示所述第一样本s1的样本均值，表示所述第二样本s2的样本均值；
25、若所述相关系数rq大于第二预设阈值，则判定所述某个急救呼叫量相关影响因素符合筛选条件，并将所述某个急救呼叫量相关影响因素确定为所述线性影响因子。
26、在一个可能的设计中，应用与所述最末时间窗口对应的训练数据集以及验证数据集，基于粒子群算法对所述急救呼叫量实时动态预测模型进行模型训练和参数优化，得到验证通过的模型参数最优化搜索结果，包括有如下步骤s801～s812：
27、s801.初始化粒子群算法的且包含有种群数量n、最大迭代次数t、自我学习因子c1和全局学习因子c2的算法参数，并随机生成在粒子种群中各个粒子的初始位置，然后执行步骤s802，其中，所述各个粒子的初始位置基于如下公式随机生成：
28、
29、式中，i’表示正整数，d表示小于等于d的正整数，d表示待优化模型参数向量的维度数目，所述待优化模型参数向量包含有待优化的所述第一模型参数向量、所述第二模型参数向量、所述数学期望和所述方差，表示在所述粒子种群中的第i’个粒子在所述待优化模型参数向量中的第d个维度上的初始位置，uc,d表示在所述第d个维度上的模型参数搜索空间上限，lc,d表示在所述第d个维度上的模型参数搜索空间下限，rand(0,1)表示纯小数随机生成函数；
30、s802.针对所述各个粒子，将对应的初始位置作为模型参数搜索结果输入所述急救呼叫量实时动态预测模型，然后应用与所述最末时间窗口对应的训练数据集对所述急救呼叫量实时动态预测模型进行模型训练，并计算得到对应的适应度f，然后执行步骤s803，其中，所述适应度f按照如下公式计算得到：
31、
32、式中，n表示所述训练数据集的样本总数，i表示正整数，表示将在所述训练数据集中的第i个样本数据的模型输入项导入所述急救呼叫量实时动态预测模型后计算所得的预测输出项，y(i)表示所述第i个样本数据的真实输出项；
33、s803.将具有最小适应度的某个粒子的初始位置作为初始的全局最优位置gini，记所述第i’个粒子在迭代过程中的且与最小适应度对应的位置为所述第i’个粒子到达过的局部最优位置pi’，以及记所述粒子种群在迭代过程中的且与最小适应度对应的位置为所述粒子种群到达过的全局最优位置g，以及还记所述第i’个粒子的移动速度为vi’，最后初始化设置所述局部最优位置pi’＝g＝gini，以及初始化设置所述移动速度为vi’为零，以及还设置在迭代过程中的粒子移动惯性系数范围为[tmin,tmax]，并初始化设置惯性系数周期性减小的周期t为在所述粒子移动惯性系数范围内的随机选择值，以及还初始化设置在迭代过程中的粒子移动惯性系数为大于零的数值，以及还初始化设置当前迭代次数t’为0，然后执行步骤s804；
34、s804.更新所述各个粒子的所述粒子移动惯性系数，然后执行步骤s805，其中，所述粒子移动惯性系数的更新公式如下：
35、
36、式中，表示在第t’+1次迭代后所得的且所述第i’个粒子在所述第d个维度上的粒子移动惯性系数，表示在第t’+1次迭代前的且所述第i’个粒子在所述第d个维度上的粒子移动惯性系数，t’％t表示所述前迭代次数t’对所述周期t的取余运算结果，并若小于0，则在所述粒子移动惯性系数范围内重新随机选择一个值作为新的所述周期t，并重新计算直到不小于0；
37、s805.更新所述各个粒子的移动速度，然后执行步骤s806，其中，所述移动速度的更新公式如下：
38、
39、式中，表示在第t’+1次迭代后所得的且所述第i’个粒子在所述第d个维度上的移动速度，表示在第t’+1次迭代前的且所述第i’个粒子在所述第d个维度上的移动速度，γ1表示均匀分布在(0,1)内的第一随机数，表示在前t’次迭代过程中所述第i’个粒子在所述第d个维度上达到过的局部最优位置，表示在第t’+1次迭代前的且所述第i’个粒子在所述第d个维度上的位置，γ2表示均匀分布在(0,1)内的第二随机数，表示在前t’次迭代过程中所述粒子种群在所述第d个维度上达到过的全局最优位置；
40、s806.更新所述各个粒子的位置，然后执行步骤s807，其中，所述位置的更新公式如下：
41、式中，表示在第t’+1次迭代后所得的且所述第i’个粒子在所述第d个维度上的位置；
42、s807.针对所述各个粒子，将对应的位置作为模型参数搜索结果输入所述急救呼叫量实时动态预测模型，然后再次应用与所述最末时间窗口对应的训练数据集对所述急救呼叫量实时动态预测模型进行模型训练，并再次计算得到对应的所述适应度f，然后执行步骤s808；
43、s808.判断与所述局部最优位置pi’对应的适应度是否小于所述第i’个粒子的当前适应度，若是，则将所述局部最优位置pi’更新为所述第i’个粒子的当前位置，然后执行步骤s809，否则直接执行步骤s809；
44、s809.判断与所述全局最优位置g对应的适应度是否小于在所述各个粒子的当前适应度中的最小值，若是，则将所述全局最优位置g更新为具有所述最小值的任一粒子的当前位置，然后执行步骤s810，否则直接执行步骤s810；
45、s810.使所述当前迭代次数t’自加1，并判断所述当前迭代次数t’是否达到所述最大迭代次数t，若是，则执行步骤s811，否则返回执行步骤s804；
46、s811.将所述全局最优位置g作为模型参数搜索结果输入所述急救呼叫量实时动态预测模型，然后应用所述急救呼叫量实时动态预测模型和与所述最末时间窗口对应的验证数据集进行呼叫量预测，并计算得到新适应度fnew，然后执行步骤s812；
47、s812.判断fnew<ρ×fmin是否成立，若是，则将所述全局最优位置g作为验证通过的模型参数最优化搜索结果，否则在调整所述待优化模型参数向量的搜索空间后，返回执行步骤s801，其中，ρ表示预设的误差验证系数且大于1，fmin表示与所述全局最优位置g对应的适应度，所述模型参数最优化搜索结果包含有所述第一模型参数向量、所述第二模型参数向量、所述数学期望和所述方差的最优化搜索结果。
48、在一个可能的设计中，在将所述模型参数最优化搜索结果输入所述急救呼叫量实时动态预测模型之后，所述方法还包括：
49、初始化设置连续验证失败总次数ne为零；
50、在每次应用所述急救呼叫量实时动态预测模型进行急救呼叫量预测之后，将与从当前时刻往前追溯到t1时长的时间窗口对应的所述急救呼叫量时序数据作为实时验证数据集，其中，t1表示预设的预测模型实时校验时间窗口时长；
51、应用所述急救呼叫量实时动态预测模型和所述实时验证数据集进行呼叫量预测，并计算得到实时验证适应度ftest；
52、判断ftest≥ρ×f'min是否成立，若是，则使所述连续验证失败总次数ne自加1，否则重新初始化设置所述连续验证失败总次数ne为零，其中，ρ表示预设的误差验证系数且大于1，f'min表示与所述模型参数最优化搜索结果对应的适应度；
53、若所述连续验证失败总次数ne大于等于预设的次数阈值，则重新为所述节假日项添加影响权重调节因子以及重新筛选确定所述线性影响因子，并重新对所述急救呼叫量实时动态预测模型进行模型训练和参数优化，得到新的所述模型参数最优化搜索结果及所述急救呼叫量实时动态预测模型以用于进行急救呼叫量预测。
54、在一个可能的设计中，在将所述模型参数最优化搜索结果输入所述急救呼叫量实时动态预测模型之后，所述方法还包括：
55、在每个自然日结束时，将与从当前时刻往前追溯到t2时长的时间窗口对应的所述急救呼叫量时序数据作为第一验证样本，以及将与从当前时刻往前追溯到t2时长的时间窗口对应的且所述所有急救呼叫量相关影响因素的时序数据作为第二验证样本，其中，t2表示预设的线性影响因子回归项验证时间窗口时长；
56、基于所述第一验证样本和所述第二验证样本对所述所有急救呼叫量相关影响因素进行呼叫量线性影响因子动态筛选，得到符合所述筛选条件的急救呼叫量相关影响因素的集合；
57、若符合所述筛选条件的急救呼叫量相关影响因素的集合与当前的所有所述线性影响因子有差异，则重新筛选确定所述线性影响因子，并重新对所述急救呼叫量实时动态预测模型进行模型训练和参数优化，得到新的所述模型参数最优化搜索结果及所述急救呼叫量实时动态预测模型以用于进行急救呼叫量预测。
58、第二方面，提供了一种急救呼叫量预测设备，包括有时序数据获取单元、时序数据划分单元、数据集确定单元、预测模型建立单元、基本项配置单元、节假日项配置单元、线性回归项配置单元、模型参数搜索单元和预测模型应用单元；
59、所述时序数据获取单元，用于获取急救呼叫量时序数据，其中，所述急救呼叫量时序数据包含有在时序上依次连续的多个日内单位时段以及在所述多个日内单位时段中的各个日内单位时段的历史急救呼叫量；
60、所述时序数据划分单元，通信连接所述时序数据获取单元，用于将所述急救呼叫量时序数据划分成与在时序上依次连续的多个时间窗口一一对应的多份急救呼叫量时序数据；
61、所述数据集确定单元，通信连接所述时序数据划分单元，用于针对在所述多个时间窗口中的最末时间窗口，将与对应的至少一个在前时间窗口对应的至少一份急救呼叫量时序数据作为对应的训练数据集，以及将与对应窗口对应的一份急救呼叫量时序数据作为对应的验证数据集；
62、所述预测模型建立单元，用于基于prophet模型建立采用如下公式表示的急救呼叫量实时动态预测模型：
63、
64、式中，t表示时间，a(t)表示在时间t时的急救呼叫量，g(t)表示在时间t时的趋势项，s(t)表示在时间t时的季节项，h(t)表示在时间t时的节假日项，ε(t)表示在时间t时的误差噪声项，q表示正整数，q表示小于等于q的正整数，lq(t)表示在时间t时的且与在q个线性影响因子中的第q个线性影响因子对应的线性回归项；
65、所述基本项配置单元，通信连接所述预测模型建立单元，用于将所述趋势项的增长方式设置为线性增长方式，并添加自然周和自然日以使所述季节项周期性变化，以及还设置所述误差噪声项服从一个数学期望为μ且方差为σ2的正态分布；
66、所述节假日项配置单元，通信连接所述预测模型建立单元，用于为所述节假日项添加影响权重调节因子，得到由在所述节假日项中的所有节假日区间的权重调节参数构成的第一模型参数向量；
67、所述线性回归项配置单元，通信连接所述预测模型建立单元，用于获取所有急救呼叫量相关影响因素的时序数据，然后基于所述时序数据对所述所有急救呼叫量相关影响因素进行呼叫量线性影响因子动态筛选，以便将符合筛选条件的急救呼叫量相关影响因素确定为所述线性影响因子，并得到由在所有所述线性影响因子的线性回归项中的权重调节参数构成的第二模型参数向量；
68、所述模型参数搜索单元，分别通信连接所述数据集确定单元、所述预测模型建立单元、所述基本项配置单元、所述节假日项配置单元和所述线性回归项配置单元，用于应用与所述最末时间窗口对应的训练数据集以及验证数据集，基于粒子群算法对所述急救呼叫量实时动态预测模型进行模型训练和参数优化，得到验证通过的模型参数最优化搜索结果，其中，所述模型参数最优化搜索结果包含有所述第一模型参数向量、所述第二模型参数向量、所述数学期望和所述方差的最优化搜索结果；
69、所述预测模型应用单元，通信连接所述模型参数搜索单元，用于将所述模型参数最优化搜索结果输入所述急救呼叫量实时动态预测模型，然后应用所述急救呼叫量实时动态预测模型进行急救呼叫量预测。
70、第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的急救呼叫量预测方法。
71、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的急救呼叫量预测方法。
72、第五方面，本发明提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或所述指令在被计算机执行时实现如第一方面或第一方面中任意可能设计所述的急救呼叫量预测方法。
73、上述方案的有益效果：
74、(1)本发明创造性提供了一种基于prophet模型和粒子群算法进行急救呼叫量实时动态预测的新方案，即先基于prophet模型建立急救呼叫量实时动态预测模型，然后配置预测模型中的趋势项、季节项、节假日项、误差噪声项和与线性影响因子对应的线性回归项，并确定待搜索模型参数，再然后应用与最末时间窗口对应的训练数据集以及验证数据集，基于粒子群算法对预测模型进行模型训练和参数优化，得到验证通过的模型参数最优化搜索结果，最后将此搜索结果输入预测模型以进行急救呼叫量预测，如此可使新方案具备预测实时性高、预测准确性高和模型泛化能力更强等特点，便于实际应用和推广；
75、(2)建立了改进的prophet急救呼救量实时动态预测模型，为预测模型的节假日项添加动态权重调节因子，模型中不同节假日每一天对呼叫量的影响程度都更为精确，提高了模型的预测准确度；
76、(3)为预测模型添加其他线性影响因子回归项，基于时序数据进行呼叫量线性影响因子动态筛选，模型更能反映多种相关影响因素对呼叫量的影响，能够提高模型预测准确度；
77、(4)利用改进的粒子群优化算法对模型进行重新训练和参数优化，为粒子群算法添加了惯性系数动态调节项，平衡了参数优化中局部最优和全局最优的能力，提高了优化参数搜索效率的同时保障了整体可靠性；
78、(5)进行预测模型实时校验和参数更新、其他线性影响因子回归项验证和更新，模型具备一定的自我修正和更新能力，提高了模型对于不确定数据和不确定影响因素的泛化能力。
1.一种急救呼叫量预测方法，其特征在于，包括：
2.根据权利要求1所述的急救呼叫量预测方法，其特征在于，为所述节假日项添加影响权重调节因子，得到由在所述节假日项中的所有节假日区间的权重调节参数构成的第一模型参数向量，包括：
3.根据权利要求1所述的急救呼叫量预测方法，其特征在于，基于所述时序数据对所述所有急救呼叫量相关影响因素进行呼叫量线性影响因子动态筛选，以便将符合筛选条件的急救呼叫量相关影响因素确定为所述线性影响因子，包括：
4.根据权利要求1所述的急救呼叫量预测方法，其特征在于，应用与所述最末时间窗口对应的训练数据集以及验证数据集，基于粒子群算法对所述急救呼叫量实时动态预测模型进行模型训练和参数优化，得到验证通过的模型参数最优化搜索结果，包括有如下步骤s801～s812：
5.根据权利要求1所述的急救呼叫量预测方法，其特征在于，在将所述模型参数最优化搜索结果输入所述急救呼叫量实时动态预测模型之后，所述方法还包括：
6.根据权利要求1所述的急救呼叫量预测方法，其特征在于，在将所述模型参数最优化搜索结果输入所述急救呼叫量实时动态预测模型之后，所述方法还包括：
7.一种急救呼叫量预测设备，其特征在于，包括有时序数据获取单元、时序数据划分单元、数据集确定单元、预测模型建立单元、基本项配置单元、节假日项配置单元、线性回归项配置单元、模型参数搜索单元和预测模型应用单元；
8.一种计算机设备，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～6中任意一项所述的急救呼叫量预测方法。
9.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～6中任意一项所述的急救呼叫量预测方法。
