买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军西部战区总医院申请的专利基于需求预测的急诊抢救室护理资源动态调度方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120895199B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511407415.5，技术领域涉及：G16H40/20；该发明授权基于需求预测的急诊抢救室护理资源动态调度方法及系统是由王曦;陈佳妮;杨馨月设计研发完成，并于2025-09-29向国家知识产权局提交的专利申请。

本基于需求预测的急诊抢救室护理资源动态调度方法及系统在说明书摘要公布了：本发明公开了基于需求预测的急诊抢救室护理资源动态调度方法及系统，涉及资源动态调度技术领域；本发明通过收集并预处理历史急诊抢救室数据，构建多维度特征数据集；分别训练改进的GRU模型和Transformer模型，用于高精度预测未来时段的患者流入量和分诊级别分布，并将预测结果量化为标准护理工时；基于实时护士数据，构建一个以最小化患者等待时间、均衡护士负荷、控制成本及满足偏好为目标的多目标优化模型，利用遗传算法求解生成一组帕累托最优排班方案集，由管理者根据实际情境选定最终方案；本发明实现了从被动响应到主动精准调度的转变，有效提升了急诊抢救室的运营效率、资源利用率和护理质量。

本发明授权基于需求预测的急诊抢救室护理资源动态调度方法及系统在权利要求书中公布了：1.基于需求预测的急诊抢救室护理资源动态调度方法，其特征在于，包括以下步骤： S1、收集历史急诊抢救室特征数据； S2、对历史急诊抢救室特征数据设定患者流入标签，得到带患者流入标签的历史急诊抢救室特征数据；使用带患者流入标签的历史急诊抢救室特征数据训练改进的GRU模型，得到最终GRU模型； 所述S2包括以下步骤： S21、基于急诊抢救室数据的数据特性，对GRU模型进行改进，得到改进的GRU模型； S22、对历史急诊抢救室特征数据设定患者流入标签，得到带患者流入标签的历史急诊抢救室特征数据； S23、设定第一准确度阈值和第一最大训练次数；使用带患者流入标签的历史急诊抢救室特征数据重复训练改进的GRU模型；每轮训练结束后，计算改进的GRU模型输出的预测结果与带患者流入标签的历史急诊抢救室特征数据中带患者流入标签数据的相似度，得到第一模型准确度；根据模型准确度调整改进的GRU模型的网络参数； 当第一模型准确度≥第一准确度阈值或达到第一最大训练次数时，停止训练，得到最终GRU模型； 所述S21包括以下步骤： S211、将GRU模型的输入特征从单变量历史值，改进为多变量、多源异构输入； S212、在GRU模型的输入层，进行显式周期特征注入； S213、将GRU模型的单步预测改为序列到序列的多步预测； S214、将GRU模型的均方误差改进为加权损失函数； S3、对历史急诊抢救室特征数据设定分诊级别标签，得到带分诊级别标签的历史急诊抢救室特征数据；使用带分诊级别标签的历史急诊抢救室特征数据训练改进的Transformer模型，得到最终Transformer模型； 所述S3包括以下步骤： S31、基于急诊抢救室数据特性对Transformer模型进行改进，得到改进的Transformer模型； S32、对历史急诊抢救室特征数据设定分诊级别标签，得到带分诊级别标签的历史急诊抢救室特征数据； S33、设定第二准确度阈值和第二最大训练次数；使用带分诊级别标签的历史急诊抢救室特征数据重复训练改进的Transformer模型；每轮训练结束后，计算改进的Transformer模型输出的预测结果与带分诊级别标签的历史急诊抢救室特征数据中带分诊级别标签数据的相似度，得到第二模型准确度；根据模型准确度调整改进的Transformer模型的网络参数； 当第二模型准确度≥第二准确度阈值或达到第二最大训练次数时，停止训练，得到最终Transformer模型； 所述S31包括以下步骤： S311、将Transformer模型中为NLP设计的正弦位置编码替换为可学习的时间戳编码； S312、将Transformer模型的标准的多头自注意力机制，改为局部-全局注意力混合机制； S313、将Transformer模型的输出层由输出单个类别标签，改为概率分布预测输出； S4、收集实时急诊抢救室特征数据，将实时急诊抢救室特征数据分别输入至最终GRU模型和最终Transformer模型，得到预测患者流入数据和预测患者分诊级别数据； 基于预测患者流入数据和预测患者分诊级别数据，计算得到预测护理工时； S5、基于实时护士数据，构建多目标优化模型，通过求解多目标优化模型，将预测护理工时转化为最优排班调度方案集； 基于当前的实际情况和管理策略从排班调度方案集选择最优排班调度方案； 所述S5包括以下步骤： S51、获取护士档案数据和护士实时数据；基于护士档案数据和护士实时数据，定义决策变量；设定目标函数为最小化患者等待时间、最小化护士工作负荷方差、最小化人力成本以及最大化排班偏好满足度； 设定约束条件，所述约束条件包括需求覆盖约束、技能匹配约束、连续工作约束、休息时间约束以及人力上下限约束；所述决策变量、目标函数和约束条件共同构成多目标优化模型； S52、通过多目标遗传算法对多目标优化模型进行求解，得到最优排班调度方案集； S53、基于当前的实际情况和管理策略从最优排班调度方案集选择最优排班调度方案； 所述S52包括以下步骤： S521、基于预测护理工时，构建染色体集合，染色体集合中的每个染色体表示实现预测护理工时的一个排班调度方案，设定第三最大迭代次数； S522、基于目标函数和约束条件对染色体集合中的具备非支配关系的染色体进行筛选，得到筛选后的染色体集合；对筛选后的染色体集进行交叉、变异操作，得到操作后的染色体集合； S523、重复S522，当达到第三最大迭代次数，得到最优排班调度方案集。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军西部战区总医院，其通讯地址为：610000 四川省成都市金牛区蓉都大道270号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。