[发明专利]一种资源分配方法和装置

说明书

本发明公开了一种资源分配方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取资源的各预约入口的历史预约量；将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；根据所述预测预约量，确定分配到所述各预约入口的资源量。该实施方式能够准确可靠地预测分配到各预约入口的资源，自适应调整资源分配情况，在具有突变性的服务预约号源预测上，预测的准确性和时变性高，充分发挥服务机构的服务能力，提高服务机构运营效率，并极大提高用户体验。

技术领域

本发明涉及计算机技术领域，尤其涉及一种资源分配方法和装置。

背景技术

当前很多服务资源可以通过线上预约申请使用，例如医疗资源，线上预约服务已经解决了大部分的基本医疗需求，大大节省了老百姓挂号时间。针对医疗机构而言，在评估完自身医疗输出能力的基础上，需要对合作的不同渠道的多个预约入口做号源设置，把固定周期内的总接待能力分摊到多个预约入口。

现有方案中，一是通过人工根据经验来对现在的号源分配做调整，这种方法误差太大，如果号源设置过大，会造成医疗资源的浪费，其他预约入口有预约需求但不能预约；如果号源设置过小，会造成用户体验较差，医疗机构能提供医疗服务，但是由于号源池用完而不能预约。二是预测未来一段时间可能的就医数量，根据就医数量来分配号源，但该方法忽略了过去和未来之间的因果联系，长期预约的可靠性不高。三是通过BP(BackPropagation)神经网络，对任意复杂的非线性问题进行逼近，但在具有突变性的动态医疗服务预约号源预测上，预测的准确性和时变性不高。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有方案存在预测误差大，可靠性、准确性、时变性不高等缺陷，降低用户体验。

发明内容

有鉴于此，本发明实施例提供一种资源分配方法和装置，能够准确可靠地预测分配到各预约入口的资源，自适应调整资源分配情况，在具有突变性的服务的预约号源预测上，预测的准确性和时变性高，充分发挥服务机构的服务能力，提高服务机构运营效率，并极大提高用户体验。

为实现上述目的，根据本发明实施例的一个方面，提供了一种资源分配方法。

一种资源分配方法，包括：获取资源的各预约入口的历史预约量；将所述历史预约量输入神经网络模型，通过所述神经网络模型基于最优网络权值，计算出所述资源的各预约入口的预测预约量；根据所述预测预约量，确定分配到所述各预约入口的资源量，其中，通过如下方式确定所述最优网络权值：通过粒子群算法优化所述神经网络模型的网络权值；基于优化后的网络权值，以历史预约量样本作为训练数据，训练所述神经网络模型，并计算所述神经网络模型的网络误差；如果所述网络误差满足训练结束条件，则以所述优化后的网络权值作为所述最优网络权值；否则，重复所述通过粒子群算法优化所述神经网络模型的网络权值的步骤。

可选地，获取资源的各预约入口的历史预约量的步骤，包括：获取所述资源的各预约入口的历史预约数据，按照预设规则对所述历史预约数据进行归一化处理，得到所述资源的各预约入口的历史预约量。

可选地，通过粒子群算法优化所述神经网络模型的网络权值的步骤，包括：根据所述粒子群算法的适应度函数，计算各粒子的适应度值，所述适应度函数基于所述神经网络模型的网络误差函数构建；判断所述粒子群算法当前是否达到迭代终止条件；若是，则输出所述优化后的网络权值，所述优化后的网络权值为适应度值最大的粒子对应的所述粒子群算法入参；否则，根据所述各粒子的适应度值和中位粒子的适应度值，调整所述粒子群算法的惯性权值和加速系数，所述中位粒子为在所有粒子适应度值所构成的序列中，适应度值处于中间位置的粒子；根据调整后的所述惯性权值和加速系数，以及所述各粒子的个体最优位置和全局最优位置，更新所述各粒子的位置和速度，并返回所述计算各粒子的适应度值的步骤。