申请/专利权人:同济大学
申请日:2023-12-15
公开(公告)日:2024-03-29
公开(公告)号:CN117789945A
主分类号:G16H40/20
分类号:G16H40/20;G06N3/092
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.16#实质审查的生效;2024.03.29#公开
摘要:本发明涉及一种基于深度强化学习的门诊服务顺序调度决策方法,方法包括:获取当前门诊排队性能指标,对当前门诊排队性能指标进行特征提取,将提取到的状态输入训练完成的门诊服务顺序调度模型,输出门诊服务顺序调度方案。与现有技术相比,本发明具有高门诊服务顺序调度决策的灵活性和最优性等优点。
主权项:1.一种基于深度强化学习的门诊服务顺序调度决策方法,其特征在于,方法包括:获取当前门诊排队性能指标,对当前门诊排队性能指标进行特征提取,将提取到的状态输入训练完成的门诊服务顺序调度模型,输出门诊服务顺序调度方案;其中,门诊服务顺序调度模型的训练过程具体为:获取门诊排队性能指标,对门诊排队性能指标进行特征提取,将提取得到的特征作为当前的状态,将当前的状态输入策略网络,策略网络输出动作的概率分布,对概率分布进行采样,得到当前的动作,将当前动作输入环境,得到新的门诊排队性能指标和奖励,新的门诊排队性能指标进行特征提取,将提取得到的特征作为新的状态,将当前的状态、当前的动作、奖励和新的状态作为一组经验,保存在经验库中,从经验库中抽样经验,计算损失函数,基于损失函数策略网络和值函数网络优化策略网络和值函数网络的参数,迭代优化参数,得到门诊服务顺序调度模型;其中,状态包括平均服务台利用率Uavet、服务台利用率的标准差Ustdt、平均患者项目完成率Cavet、患者项目完成率的标准差Cstdt、实际患者不满意率ARat,以及估计患者不满意率ARet,动作包括最短队列优先、最短期望服务时间优先、最早到达节点优先、最长队列优先、最长期望服务时间优先、最晚到达节点优先,以及最大工作负荷优先。
全文数据:
权利要求:
百度查询: 同济大学 一种基于深度强化学习的门诊服务顺序调度决策方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。