[发明专利]医疗康复设备智能运行路径优化匹配方法

说明书

技术领域

本发明涉及大数据智能行驶控制领域，尤其涉及一种医疗康复设备智能运行路径优化匹配方法。

背景技术

由于人口的老龄化逐渐凸显出来，其生活质量和健康状况需要得到社会的关心和照顾，而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通，但是由于行动不便的原因，而不能够进行外出活动，从而应运而生了医疗运输装备，例如助力轮椅或者电动轮椅，以及手控平衡车等产品，虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢，而不能够很好的进行人车交互，这就应运而生了自动驾驶轮椅，但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好的规划判断，节省路径或者提高效率缩短驾驶时间。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种医疗康复设备智能运行路径优化匹配方法。

为了实现本发明的上述目的，本发明提供了一种医疗康复设备智能运行路径优化匹配方法，包括：

S1，获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型进行提炼；

S2，将提炼后的行为轨迹数据通过数据抽取函数进行优化导出，确定最优的用户行为轨迹路线。

所述的医疗康复设备智能运行路径优化匹配方法，优选的，所述S1包括：

S1-1，生成时间耗费模型

其中，α_t为时间耗费值的阈值，N_i(t)为每个行进轨迹的时间耗费值， N_i(t+1)为下一时段行进轨迹的时间耗费值，

S1-2，生成时间耗费的预测模型

其中，β_t为时间耗费预测值的阈值，N_j(t)为每个行进轨迹的时间耗费的预测值，N_j(t+1)为下一时段行进轨迹的时间耗费预测值，

S1-3，生成风速的预测模型

其中，χ_t为风速判断值的阈值，N_k(t)为每个行进轨迹的风速判断值， N_k(t+1)为下一时段行进轨迹的风速判断值，

S1-4，生成气温的预测模型

其中，δ_t为气温判断值的阈值，N_l(t)为每个行进轨迹的气温判断值，N_l(t+1)为下一时段行进轨迹的气温判断值，

S1-5，生成降水量预测模型

其中，ε_t为降水量判断值的阈值，N_m(t)为每个行进轨迹的降水量判断值， N_m(t+1)为下一时段行进轨迹的降水量判断值。

所述的医疗康复设备智能运行路径优化匹配方法，优选的，所述S2包括：

用户对行进轨迹数据进行抽样的代价函数为，

其中，N_i(t)为每个行进轨迹的时间耗费值，N_j(t)为每个行进轨迹的时间耗费的预测值，N_k(t)为每个行进轨迹的风速判断值，N_l(t)为每个行进轨迹的气温判断值，N_m(t)为每个行进轨迹的降水量判断值，M为统计行进轨迹内全部的轨迹数；P为全部行进轨迹信息向量。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过上述方法实现了用户选择行进轨迹的模型估计，对于历史行进估计时间，降水量，风速以及气温变化等数据作为模型数据属性，确定行进轨迹时间，降水量，风速以及气温变化属性的总体函数运算，可以有效地提高医疗设备在复杂路况上的安全行驶概率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。