病人服务效率质量提升论文提纲

论文题目：城市资源智能优化方法及应用研究

摘要：随着城市化进程的加速,越来越多的人选择到大城市中工作和生活。然而,相比于城市居民的规模,城市中的各类资源是非常有限的,如何为更多的城市居民提供更好的工作和生活服务已经成为许多城市面临的一个巨大挑战。城市资源智能优化是解决该挑战的一个有效方法,其通过对有限的城市资源进行智能优化来提升有限的城市资源的效率,从而能够为更多的城市居民提供更好的服务。因此,本文针对城市资源智能优化问题,借助城市多源大数据的时空属性,研究具有时空属性的运筹优化、图论方法、数据挖掘、机器学习、强化学习等技术,设计城市资源智能优化方法,从而使有限的城市资源的效率最大化。根据城市资源智能优化问题的内在属性,本文将其分为两大类:静态的城市资源智能优化和动态的城市资源智能优化,并将研究的城市资源智能优化方法成功地应用到四个具体问题中。?面向移动群智感知问题的静态城市资源智能优化方法:移动群智感知是城市数据收集的重要方法之一,因此本文首先研究移动群智感知中的静态城市资源优化问题,即:给定一定的经费资源,基于用户的移动信息,如何招募用户以及如何为招募到的用户设计数据收集任务,使得收集到的数据质量最高?为此,本文提出一个基于人群移动性的移动群智感知框架,能够在城市人群移动不均匀的情况下收集到均匀覆盖的数据。该框架包含三个部分:基于层次信息熵的数据覆盖率指标来评估收集到的数据的质量、基于数据点图的数据收集任务设计方法以及高效的用户招募算法。基于34个用户的真实移动信息,通过北京市噪声数据收集的移动群体感知实验,验证了所提出的框架在有限的资源经费下能够收集到更高质量的数据。?面向外卖配送任务分组问题的静态城市资源智能优化方法:网上订外卖已经城市居民新的生活方式,对于外卖订餐平台来说,外卖配送任务分组是提升其有限外卖送餐员整体送餐效率的重要方法。因此,本文基于真实的外卖订单数据和地图数据,设计了高效的基于图分割的外卖配送任务分组方法。首先,根据历史的外卖订单配送数据构建外卖配送任务图,外卖配送任务即为任务图中的连边,从而将问题定义为图分割问题;接着,设计外卖任务配送任务分组问题的评价指标,用于指导外卖配送任务分组的进行;最后,提出了一个高效的图分割算法对外卖配送任务进行分组。基于外卖平台真实数据的实验结果显示,所提出的方法能够将外卖配送所需要的平均时间降低16%,大幅提升了有限的外卖送餐员资源的整体送餐效率。?面向救护车重新部署问题的动态城市资源智能优化方法:救护车是城市120急救系统中的重要资源,其通过快速接送病人去医院来保障城市居民的生命健康。对救护车的动态重新部署能够提升其整体的救人效率。因此,针对动态救护车重新部署问题,本文提出了一个能够综合考虑五种不同数据特征的动态救护车重新部署方法。该方法首先设计了一个紧急度指标来评估每个救护车站点的紧急程度,即对救护车的需求程度。接着,基于每个救护车站点的紧急度以及其他忙碌中的救护车状态,建立了一个两阶段的运筹优化模型来进行救护车的重新部署决策。基于天津市120急救中心数据的实验结果显示,相比于现有的救护车动态重新部署方法,本文的方法能够将病人的平均上车时间降低35%,将10分钟之内上车的病人比例从68.4%提升到80.3%,验证了该方案能够大幅提升有限的救护车资源条件下的整体救人效率。?面向出租车路径推荐问题的动态城市资源智能优化方法:出租车是城市交通中最为重要的资源之一,也是城市居民日常最常用的交通方式之一。动态出租车路径推荐旨在为空驶的出租车推荐行驶路径使得其能够快速地找到下一个乘客,从而提升有限出租车的载客效率。因此,本文研究动态出租车路径推荐问题,将其定义为一个时序决策问题,并提出了一个高效的方法。该方法首先考虑和抽取了很多实时的时空特征,用于反映出租车在每条路径上找到新乘客的概率。接着,设计了一个深度强化学习方法来学习一个深度策略网络,实现了对所抽取的时空特征的有效融合,从而做出最优的推荐方案。基于美国旧金山市和纽约市数据的实验结果显示,所提出的方法能够提升出租车司机42.8%的平均收入,降低乘客44.4%的平均等待时间,大幅提升了有限的出租车资源的载客效率。

关键词：大数据;人工智能;城市计算;资源智能优化;时空数据挖掘;机器学习;强化学习

学科专业：计算机科学与技术

摘要

abstract

第1章 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 城市计算研究现状

1.2.2 城市资源优化研究现状

1.3 研究内容及贡献

1.4 本章小结

第2章 面向移动群智感知问题的静态城市资源智能优化方法

2.1 引言

2.2 模型概述

2.2.1 预备知识

2.2.2 问题定义

2.2.3 模型框架

2.3 数据覆盖率

2.3.1 评估数据覆盖率的难点

2.3.2 基于层次信息熵的数据覆盖率

2.3.3 覆盖率的增量计算方法

2.4 基于数据点图的数据收集任务设计

2.4.1 数据点抽取

2.4.2 数据点价值评估

2.4.3 数据点图构造

2.4.4 基于图的任务设计

2.5 实验设计与结果分析

2.5.1 实验方案

2.5.2 性能分析

2.6 相关工作

2.6.1 城市数据质量评估方法

2.6.2 数据收集任务设计

2.6.3 移动群智感知的应用

2.7 本章小结

第3章 面向外卖配送任务分组问题的静态城市资源智能优化方法

3.1 引言

3.2 模型概述

3.2.1 预备知识

3.2.2 问题定义

3.2.3 模型框架

3.3 预处理

3.3.1 区域分割

3.3.2 外卖配送任务图构建

3.3.3 行驶时间估计

3.4 可共享性和空驶时间

3.4.1 目标

3.4.2 配送时间

3.4.3 空驶时间

3.5 外卖配送任务分组算法

3.5.1 贪心算法

3.5.2 替换算法

3.6 实验设计与结果分析

3.6.1 实验方案

3.6.2 性能分析

3.7 相关工作

3.7.1 外卖

3.7.2 图的边分组问题

3.8 本章小结

第4章 面向救护车重新部署问题的动态城市资源智能优化方法

4.1 引言

4.2 模型概述

4.2.1 预备知识

4.2.2 问题定义

4.2.3 模型框架

4.3 基于安全时间的紧急度指标

4.3.1 紧急度指标的设计

4.3.2 安全时间的概率分布

4.3.3 站点阈值的学习

4.4 最优匹配算法

4.4.1 阶段一:站点选取

4.4.2 阶段二:行驶时间最小化

4.5 实验设计与结果分析

4.5.1 实验方案

4.5.2 性能分析

4.6 相关工作

4.6.1 救护车站点选址和动态救护车调度

4.6.2 救护车重新部署

4.6.3 站点的紧急度指标

4.7 本章小结

第5章 面向出租车路径推荐问题的动态城市资源智能优化方法

5.1 引言

5.2 模型概述

5.2.1 预备知识

5.2.2 问题定义

5.2.3 模型框架

5.3 特征抽取

5.3.1 实时的内在时空特征

5.3.2 实时的外在时空特征

5.4 深度强化学习

5.4.1 深度策略网络

5.4.2 深度策略网络的学习

5.5 实验设计与结果分析

5.5.1 实验方案

5.5.2 性能分析

5.6 相关工作

5.6.1 出租车路径推荐

5.6.2 出租车调度和出租车拼车

5.6.3 深度强化学习

5.7 本章小结

第6章 总结与展望

6.1 本文总结

6.2 研究展望

致谢

参考文献