CrowdQ：利用众包感知移动数据驱动模型预测医院急诊科队列状态

医院急诊科（ED）对于提供紧急医疗服务至关重要，但由于医疗需求不断增加，常常不堪重负。目前监测急诊科队列状态的方法，如人工监测、视频监控和前台登记，效率低下、具侵入性，且无法提供实时更新。为了应对这些挑战，本文提出了一种新颖的框架 CrowdQ，该框架利用时空众包数据进行急诊需求感知、队列状态建模和预测。通过利用车辆轨迹和城市地理环境数据，CrowdQ 可以从嘈杂的交通流中准确估计急诊就诊次数。此外，它采用排队理论，利用医疗服务数据对复杂的急诊服务过程进行建模，有效考虑了时空依赖性和事件背景对急诊科队列状态的影响。我们在厦门市的大规模众包城市交通数据集和医院信息系统数据集上进行的实验证明了该框架的有效性。它在急诊需求识别方面达到了 0.93 的 F1 分数，能够有效建模关键医院的急诊科队列状态，与基线方法相比，队列状态预测误差降低了 18.5%-71.3%。因此，CrowdQ 为公共急诊治疗信息披露和最大化医疗资源分配提供了有价值的替代方案。