1.本发明涉及救护车调度领域，具体涉及一种救护车智能调度方法。


背景技术：

2.目前普遍意义上的救护车调度平台是120急救平台，但是120系统与救护车智能调度平台之间差异还是比较大，120系统普遍还采用人工调度的方式指派车辆前往病患所在地，并由人工判断排班和后续任务进展，是一套自动化程度很高但是智能化相对欠缺的车辆调度平台，而目前针对某地区120或者医院的救护车智能调度的平台还几乎是空白领域，就连针对智能调度的算法论文都非常少，但是从优化地区救护车资源配置和提高应急响应效率的角度看，救护车智能调度很有商业和社会应用价值。
3.在《一种救护车调度方法及系统》，专利号cn201710628007.1的专利文件中，只是获取了救护车车辆的gps数据，并简单的按病患距离救护车的远近程度进行派车，并未综合考量地区整个医院系统的承载均衡和经济效益，更没有考虑二次调度及复杂情况下的多车协同等因素，只能算作规则引擎调车，不能算是救护车的智能调度。
4.在不同医院的救护车资源能够被120中心统一调配的前提下，建立救护车智能调度仿真平台，力图弥补120系统只有人工调度，在集中调配模式下，无法实现全系统经济成本最优、病患需求最优方案的痛点。通过智能调度系统辅助，测试不同的调度算法在无需人工干预情况下，自动派车任务运行的效能高低差异，优选出最佳调度算法，从而辅助120系统提升整体经济性和效率性。


技术实现要素：

5.本发明目的是提供一种救护车智能调度方法，在不同医院的救护车资源能够被120中心统一调配的前提下，建立救护车智能调度仿真平台，力图弥补120系统只有人工调度，在集中调配模式下，无法实现全系统经济成本最优、病患需求最优方案的问题。
6.为解决上述技术问题，本发明的一种救护车智能调度方法，包括有如下步骤：
7.步骤一，选择仿真地区，模拟生成医院gps坐标和呼叫目标对象坐标：利用医院及病患的参数设置模块设置目标对象的病症等级、医院救护车数量等仿真基础属性指标；利用医院及目标对象gps坐标随机生成模块在作为仿真模拟平台地图拓扑数据源的开源地图上，随机或者json导入方式批量生成一个医院gps坐标点，以及以同样方式生成120呼叫目标对象gps坐标点；利用地图最短距离计算模块根据医院gps坐标点、呼叫目标对象gps坐标点，形成运输拓扑路径网，构建地图拓扑网络和最短距离，通过地区人口密度分布构建目标对象的叫车分布点；
8.步骤二，判断启用分值或者强化学习调度模型，进行调度任务仿真模拟：利用救护车车辆运行gps坐标仿真模块及效果反馈模块根据发布的叫车分布点，对所有在途车辆的最新gps坐标进行计算和刷新；加载智能调度算法模块，判断选择启用基于分值或者强化学习调度模型的调度算法，其中救护车智能调度算法模块包括基于分值和强化学习调度模型
的救护车调度算法模块，通过救护车智能调度模块依据救护车智能调度接口模块接入的不同救护车智能调度算法启动调度任务仿真模拟，对步骤一中生成的叫车分布点进行救护车调度任务指派，智能调度算法模块依据“效能最优”进行派车任务安排；利用救护车智能调度接口模块与救护车智能调度模块交互数据，模拟车辆运行的坐标点变化方式，实现全局防真模拟；利用救护车智能调度接口模块为用户提供不同的仿真数据接口以便自由编写；
9.步骤三，对每次的仿真模拟数据进行储存、统计和展示：通过智能调度算法模块判断是否需要存储每一步仿真反馈，不需要存储每一步仿真反馈的则启用分值调度模型，最后通过仿真运行绩效结果统计导出；将需要存储每一步仿真反馈的启用强化学习调度模型，将模型参数依次进行仿真数据入库、模型训练进行模型参数修正，再导回启用基于强化学习调度模型，最后通过仿真运行绩效结果统计导出；而不需要模型参数修正的则直接导出至仿真运行绩效结果统计。
10.上述技术方案的救护车智能调度仿真平台具有如下的技术优点：1.救护车调度仿真方法以开源openstreetmap作为仿真模拟平台的地图拓扑数据源，构建地图拓扑网络和最短距离，通过地区人口密度分布构建发病患群的叫车分布点，通过特定接口与调度模块交互数据，模拟车辆运行坐标点变化方式实现全局防真模拟。2.对于救护车是否派车，不再单纯考虑病患与车辆距离，而是采用综合经济因素，通过权重设置综合考量距离、车辆疲劳度、医院受理人数、返程距离等多因子，通过规则引擎转化为分值引擎的方式实现复杂组合条件的派车条件触发。3.基于仿真系统模拟数据，进行病患和发车的综合模拟，通过分值系统的分值作为单车回报，将多智体的加总回报作为最终评价函数，训练基于改进的群智体dqlearning深度强化学习模型。4.在符合平台标准化仿真数据格式情况下，支持用户自己编写的调度算法加载。该平台同时兼顾了分值引擎的高效率，以及自学习引擎对特殊复杂环境调度的可用性，又可用于大规模应急卫生事件下救护车配备资源充足性预警。
11.作为优选方案，所述分值调度模型根据病人接送时间、返程路程及病人在不同医院人数分布为综合考量依据，采取排位打分的方法自动规划车辆首次派遣和二次途中调度；或者通过权重设置综合考量距离、车辆疲劳度、医院受理人数、返程距离等多因子，通过规则引擎转化为分值引擎的方式实现复杂组合条件的派车条件触发。
12.作为优选方案，所述强化学习调度模型通过大规模车辆最优调度的自学习算法，实现复杂情况下单车多人，车辆二次调度，多车同地，多车接力等情况的智能调度；基于仿真系统模拟数据，进行病人和发车的综合模拟，通过分值系统的分值作为单车回报，将多智体的加总回报作为最终评价函数，训练基于改进的群智体dqlearning深度强化学习模型。
13.作为优选方案，所述开源地图为openstreetmap地图，目标对象与医院gps坐标点之间的最短距离演算采用bellman-ford最短距离算法。
14.作为优选方案，所述仿真运行绩效结果统计为一个病患报案人对应一条历史记录，存储内容为：{前报案时刻报案病人的gps坐标，所有救护车辆当行使到的gps坐标，当前调度系统指派前往的车辆序号，当前调度行为获取的分值：if(调度成功)分值法计算分值else负数惩戒数值}。
15.作为优选方案，所述的病患gps坐标为wgs84坐标系，所述医院gps坐标随机生成模块来源真实特定地区的医院gps坐标或者模拟仿真坐标，通过医院gps坐标参数设置模块的json文件导入功能实现{经纬度，医院救护车数}数据导入；所述病人gps坐标随机生成模
块，采用经纬度范围均匀分布概率、混合高斯分布两种生成方法，通过病人gps坐标参数设置模块生成病患的病症等级参数进行设置，混合高斯下支持导入该地区人口密度分布。
16.作为优选方案，所述救护车车辆运行gps坐标仿真模块更新不同车辆当前运行轨迹的方式，利用两个病人呼叫的时间差进行近似计算，具体计算步骤如下：
17.1)车辆当前gps坐标＝(车辆上时间gps坐标+车辆车速*呼叫时间差)与当前车辆出发与结束最短距离gps轨迹队列中最近的一个gps点；
18.2)车辆上时间gps坐标＝新车辆当前gps坐标；
19.3)车辆车速方向＝为当前车辆出发与结束最短距离gps轨迹队列中包含“车辆上时间gps坐标”两个gps坐标点构成的直线与0度经度线的夹角。
20.作为优选方案，所述救护车智能调度模块基于分值模型的救护车调度算法如下，其中本医院的救护车还能够运送病人前往非本医院：
21.1)前往医院＝与当前呼叫病人最近的医院；
22.2)车辆与当前病人呼叫适应度分值＝当前车辆与当前病人的最短距离(行使时间)+车辆当日已经完成工作公里*疲劳惩戒系数+是否危重病人(if否){0}else{返程惩戒系数*前往医院与本车辆返回自己医院的距离}；
23.3)当前车辆可以是在医院还没有出发的等待车辆，也可以是返程途中的车辆(二次调度)；
24.4)对第(2)步计算的所有车辆的适应度分值进行排序，选择最小值的车辆进行排班。
25.作为优选方案，所述救护车智能调度模块基于强化学习模型的多智体dqlearning算法如下：
26.1)状态空间＝{当前车辆所在的gps坐标，当前报案病人的gps坐标，当前车辆所在处的任务状态}；
27.2)回报函数考虑整体回报＝min(当前派送车辆的适应度分值)+重复派车惩罚系数*重复派车数量+未派车病人耽误惩戒系数*耽误派车时间+有任务车辆惩罚系数*已经有任务车辆数；
28.3)执行动作＝{派出当前车辆，不派出当前车辆}。
29.作为优选方案，所述救护车调度效能数据结果统计模块统计的指标包括病患的等待时间、每车辆当日任务里程、每医院接收病患数、二次调度车辆比例图、本车运送外医院病患的比例。
附图说明
30.图1为本发明的系统架构图；
31.图2为本发明的系统业务流程图。
具体实施方式
32.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
33.如图1所示，一种救护车智能调度平台，本平台的整体架构包括有应用层、业务层、
数据层、数据库四个层次。
34.应用层包括有智能调度模型导入、救护车智能调度、仿真数据导出、医院gps坐标生成参数配置模块(配置医院救护车数量等)、病患gps坐标生成参数配置模块(配置病患的病症危重等级)和救护车调度效能数据统计展示模块(提供调度仿真以后的效能统计指标展示)。本发明中的目标对象指病患、病人。
35.业务层包括有医院gps坐标随机生成模块(随机生成能够接收患者的医院gps坐标数据)、病患gps坐标随机生成模块(120呼叫患者的gps坐标数据随机生成)、救护车车辆运行gps坐标仿真模块(对在途救护车车辆的最新gps坐标进行计算和刷新)、救护车仿真数据反馈记录模块(实时记录调度模型运行之后的分值反馈)、救护车智能调度接口模块(提供不同救护车到救护车智能调度算法模块的接入，便于用户自由编写)、救护车智能调度模块(依据救护车智能调度接口模块接入的各种救护车智能调度算法模块启动调度任务仿真模拟，对生成的患者的gps坐标随机120呼叫并进行救护车调度任务指派，救护车智能调度算法模块主要依据“效能最优”进行派车任务安排)、救护车调度效能数据结果统计模块和地图管理模块(用于计算配送中心、配送点之间的最短距离，并形成运输拓扑路径网)。
36.数据层包括地图拓扑数据、病患gps坐标数据、医院gps坐标数据、智能调度模型参数、apachearrow和仿真历史数据。
37.本实施例中，数据库层包括对地图拓扑数据的存储与管理，采用的数据库为postgresql空间数据库，同时也存储仿真系统运行的历史记录；
38.本实施例中，数据层包含地图拓扑数据，为5层图层的分段拓扑段存储于postgresql数据库中；病患的gps坐标为wgs84坐标系；智能调度模型参数，救护车智能调度模型参数对应分值调度算法存储：包括返程惩戒系数，病患病情等级惩戒系数等，对应强化学习模型为state-action神经网参数等；历史仿真数据，一个病患报案人对应一条历史记录，存储内容为：{前报案时刻报案病人的gps坐标，所有救护车辆当行使到的gps坐标，当前调度系统指派前往的车辆序号，当前调度行为获取的分值：if(调度成功)分值法计算分值else负数惩戒数值}；数据层的所有数据一旦进入调度模型模块均采用apachearrow进行一次标准化封装。
39.本实施例中，的业务层包括有医院gps坐标随机生成模块，该模块来源真实特定地区的医院gps坐标或者模拟仿真坐标，通过医院gps坐标生成参数配置模块的json文件导入功能实现{经纬度，医院救护车数}数据导入；病人gps生成模块，采用经纬度范围均匀分布概率、混合高斯分布两种生成方法，参数通过应用层的病人gps坐标生成参数进行配置，混合高斯下支持导入该地区人口密度分布。
40.一种救护车智能调度方法，包括如下步骤：
41.步骤一，选择仿真地区，模拟生成医院gps坐标和呼叫目标对象：利用医院及病患的参数设置模块设置目标对象的病症等级、医院救护车数量等仿真基础属性指标；利用医院及病患gps坐标随机生成模块在作为仿真模拟平台地图拓扑数据源的开源openstreetmap地图上，随机或者json导入方式批量生成一个医院gps坐标点，以及以同样方式生成120呼叫目标对象gps坐标点；利用地图最短距离计算模块根据医院gps坐标点、呼叫目标对象gps坐标点，形成运输拓扑路径网，构建地图拓扑网络和最短距离，通过地区人口密度分布构建目标人群的叫车分布点；
42.步骤二，判断启用分值或者强化学习调度模型，进行调度任务仿真模拟，如图2所示：利用救护车车辆运行gps坐标仿真模块及效果反馈模块根据发布的叫车分布点，对所有在途车辆的最新gps坐标进行计算和刷新；加载智能调度算法模块，判断选择启用基于分值或者强化学习调度模型的调度算法，其中救护车智能调度算法模块包括基于分值和强化学习调度模型的救护车调度算法模块，通过救护车智能调度模块依据救护车智能调度接口模块接入的不同救护车智能调度算法启动调度任务仿真模拟，对步骤一中生成的叫车分布点进行救护车调度任务指派，智能调度算法模块依据“效能最优”进行派车任务安排；利用救护车智能调度接口模块与救护车智能调度模块交互数据，模拟车辆运行的坐标点变化方式，实现全局防真模拟；利用救护车智能调度接口模块为用户提供不同的仿真数据接口以便自由编写；在启用分值调度模型时，通过救护车车辆运行gps坐标仿真模块及效果反馈模块在强化学习调度模型训练模式下，实时记录调度模型运行之后的分值反馈；
43.步骤三，对每次的仿真模拟数据进行储存、统计和展示：通过智能调度算法模块判断是否需要存储每一步仿真反馈，不需要存储每一步仿真反馈的则启用分值调度模型，最后通过仿真运行绩效结果统计导出；将需要存储每一步仿真反馈的启用强化学习调度模型，将模型参数依次进行仿真数据入库、模型训练进行模型参数修正，再导回启用基于强化学习调度模型，最后通过仿真运行绩效结果统计导出；而不需要模型参数修正的则直接导出至仿真运行绩效结果统计；利用救护车调度效能数据统计及展示模块提供一次调度仿真任务后的调度效能相关数据的汇总统计和前段展示，评价调度模型的运行效果。
44.本实施例中，救护车车辆运行gps坐标仿真模块更新不同车辆当前运行轨迹的方式，利用两个病人呼叫的时间差进行近似计算，具体计算步骤如下：
45.1)车辆当前gps坐标＝(车辆上时间gps坐标+车辆车速*呼叫时间差)与当前车辆出发与结束最短距离gps轨迹队列中最近的一个gps点；
46.2)车辆上时间gps坐标＝新车辆当前gps坐标；
47.3)车辆车速方向＝为当前车辆出发与结束最短距离gps轨迹队列中包含“车辆上时间gps坐标”两个gps坐标点构成的直线与0度经度线的夹角。
48.本实施例中，救护车智能调度模块基于分值模型的救护车调度算法如下，其中本医院的救护车还能够运送病人前往非本医院：
49.1)前往医院＝与当前呼叫病人最近的医院；
50.2)车辆与当前病人呼叫适应度分值＝当前车辆与当前病人的最短距离(行使时间)+车辆当日已经完成工作公里*疲劳惩戒系数+是否危重病人(if否){0}else{返程惩戒系数*前往医院与本车辆返回自己医院的距离}；
51.3)当前车辆可以是在医院还没有出发的等待车辆，也可以是返程途中的车辆(二次调度)；
52.4)对第(2)步计算的所有车辆的适应度分值进行排序，选择最小值的车辆进行排班。
53.本实施例中，救护车智能调度模块基于强化学习模型的多智体dqlearning算法如下：
54.1)状态空间＝{当前车辆所在的gps坐标，当前报案病人的gps坐标，当前车辆所在处的任务状态}；
55.2)回报函数考虑整体回报＝min(当前派送车辆的适应度分值)+重复派车惩罚系数*重复派车数量+未派车病人耽误惩戒系数*耽误派车时间+有任务车辆惩罚系数*已经有任务车辆数；
56.3)执行动作＝{派出当前车辆，不派出当前车辆}。
57.本实施例中，救护车调度效能数据结果统计模块，统计的指标包括病人的等待时间、每车辆当日任务里程、每医院接收病人数、二次调度车辆比列图、本车运送外医院病人比例，通过观察上述指标的均衡性，可以判断不同算法对整体效能的影响。
58.本实施例中，智能调度接口模块，可以通过重载findbestvid函数，接收仿真平台传送的标准化车辆运行gps仿真数据、医院gps坐标、病人gps坐标数据等数据，实现自己的智能调度算法。
59.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。