一种医疗服务运营平台的智能运维方法、系统及介质与流程

本发明涉及医疗运营平台，尤其涉及一种医疗服务运营平台的智能运维方法、系统及介质。

背景技术：

1、随着互联网通信、计算机技术等迅猛发展，近年来互联网医疗逐渐成为一种完整的医疗体系以弥补传统医疗中的缺陷。2018年起，大批互联网企业陆续进入医疗卫生市场，春雨医生、微医、好大夫等多种互联网医疗平台在应用市场展露头角。“互联网+医疗健康”服务体系的发展，优化了医疗资源配置，满足了多层次、个性化医疗服务需求，克服了时间与空间障碍，使偏远地区患者得到优质医疗服务，实现医疗资源共享。然而，医疗服务运营平台在使用的过程中，通常存在多个访问渠道，由于用户的访问数量是动态变化的，一旦用户的访问数量上升到一定的数量之后，就会出现访问卡顿以及访问延迟，严重则甚至导致平台瘫痪，不利于医疗服务运营平台的运维。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种医疗服务运营平台的智能运维方法、系统及介质。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了一种医疗服务运营平台的智能运维方法，包括：

4、获取预设时间之内医疗服务运营平台各渠道的用户访问数据信息，并根据各渠道的用户访问数据信息获取每个访问渠道的访问延迟特征数据；

5、根据每个访问渠道的访问延迟特征数据构建基于时间序列的访问延迟特征数据，并通过对基于时间序列的访问延迟特征数据进行评价，获取预设时间之内的访问延迟隶属度变化数据；

6、根据预设时间之内的访问延迟隶属度变化数据构建访问延迟隶属度预测模型，并通过访问延迟隶属度预测模型预测当前时间戳的访问延迟隶属度；

7、基于当前时间戳的访问延迟隶属度对医疗服务运营平台各访问渠道进行访问引流。

8、进一步的，在本方法中，获取预设时间之内医疗服务运营平台各渠道的用户访问数据信息，并根据各渠道的用户访问数据信息获取每个渠道的访问延迟特征数据，具体包括：

9、构建医疗服务运营平台，并对医疗服务运营平台配置若干个访问渠道，通过对医疗服务运营平台中每个访问渠道进行不同的访问人数测试，获取访问渠道在不同访问人数之下的访问延迟特征数据；

10、引入图神经网络，将访问渠道在不同访问人数之下的访问延迟特征数据输入到图神经网络中，将访问渠道作为第一节点，访问人数作为第二节点，访问延迟特征数据作为第三节点；

11、基于第一节点、第二节点以及第三节点构建拓扑结构图，根据拓扑结构图获取相关的邻接矩阵，构建知识图谱，将相关的邻接矩阵输入到知识图谱中进行存储；

12、获取预设时间之内医疗服务运营平台各渠道的用户访问数据信息，将预设时间之内医疗服务运营平台各渠道的用户访问数据信息输入到知识图谱中进行数据匹配，获取每个访问渠道的访问延迟特征数据。

13、进一步的，在本方法中，根据每个访问渠道的访问延迟特征数据构建基于时间序列的访问延迟特征数据，并通过对基于时间序列的访问延迟特征数据进行评价，获取预设时间之内的访问延迟隶属度变化数据，具体包括：

14、构建时间戳，获取每个时间戳的每个访问渠道的访问延迟特征数据，并根据每个时间戳的每个访问渠道的访问延迟特征数据构建基于时间序列的访问延迟特征数据；

15、构建访问延迟隶属度阈值范围指标，并根据访问延迟隶属度阈值范围指标对基于时间序列的访问延迟特征数据进行每个时间戳的访问延迟隶属度进行划分，获取每个时间戳的访问延迟隶属度；

16、通过对每个时间戳的访问延迟隶属度按照时间先后顺序排序，获取预设时间之内的访问延迟隶属度变化数据，并将预设时间之内的访问延迟隶属度变化数据输出。

17、进一步的，在本方法中，根据预设时间之内的访问延迟隶属度变化数据构建访问延迟隶属度预测模型，具体包括：

18、引入马尔科夫模型，并将预设时间之内的访问延迟隶属度变化数据输入到马尔科夫模型中，获取每个时间戳中访问延迟隶属度转移到其他访问延迟隶属度的转移概率值；

19、根据每个时间戳中访问延迟隶属度转移到另一访问延迟隶属度的转移概率值构建转移概率矩阵，并基于深度神经网络构建访问延迟隶属度预测模型；

20、将转移概率矩阵输入到访问延迟隶属度预测模型中，当访问延迟隶属度预测模型的损失函数收敛至预设值时，输出访问延迟隶属度预测模型。

21、进一步的，在本方法中，通过访问延迟隶属度预测模型预测当前时间戳的访问延迟隶属度，具体包括：

22、获取当前预设时间之内的访问延迟隶属度变化数据，将当前预设时间之内的访问延迟隶属度变化数据输入到访问延迟隶属度预测模型中进行预测；

23、通过预测，获取当前时间戳的访问延迟隶属度转移到另一访问延迟隶属度的转移概率值，并预设转移概率阈值，判断当前时间戳的访问延迟隶属度转移到另一访问延迟隶属度的转移概率值是否大于转移概率阈值；

24、当当前时间戳的访问延迟隶属度转移到另一访问延迟隶属度的转移概率值大于转移概率阈值时，则将另一访问延迟隶属度作为当前时间戳的访问延迟隶属度输出；

25、当当前时间戳的访问延迟隶属度转移到另一访问延迟隶属度的转移概率值不大于转移概率阈值时，则将当前时间戳的访问延迟隶属度输出。

26、进一步的，在本方法中，基于当前时间戳的访问延迟隶属度对医疗服务运营平台各访问渠道进行访问引流，具体包括：

27、根据当前时间戳的访问延迟隶属度获取每个访问渠道在当前时间戳的访问延迟隶属度，并判断每个访问渠道在当前时间戳的访问延迟隶属度是否大于预设访问延迟隶属度；

28、当访问渠道在当前时间戳的访问延迟隶属度大于预设访问延迟隶属度时，则将对应的访问渠道作为异常访问渠道，当访问渠道在当前时间戳的访问延迟隶属度不大于预设访问延迟隶属度时，则将对应的访问渠道作为正常访问渠道；

29、获取异常访问渠道的用户访问数据信息以及正常访问渠道的用户访问数据信息，并引入遗传算法，根据遗传算法设置遗传代数，设置用户访问数据约束阈值条件，将异常访问渠道的用户访问数据信息以及正常访问渠道的用户访问数据信息输入到遗传算法中；

30、根据异常访问渠道的用户访问数据信息初始化引流数量，将引流数量引流到正常访问渠道，当出现每个访问渠道中的用户访问数据信息大于用户访问数据约束阈值条件时，则根据遗传代数进行遗传，调整引流数量，直至不再出现每个访问渠道中的用户访问数据信息大于用户访问数据约束阈值条件的情况。

31、本发明第二方面提供了一种医疗服务运营平台的智能运维系统，系统包括存储器以及处理器，存储器中包括医疗服务运营平台的智能运维方法程序，医疗服务运营平台的智能运维方法程序被处理器执行时，实现如下步骤：

32、获取预设时间之内医疗服务运营平台各渠道的用户访问数据信息，并根据各渠道的用户访问数据信息获取每个访问渠道的访问延迟特征数据；

33、根据每个访问渠道的访问延迟特征数据构建基于时间序列的访问延迟特征数据，并通过对基于时间序列的访问延迟特征数据进行评价，获取预设时间之内的访问延迟隶属度变化数据；

34、根据预设时间之内的访问延迟隶属度变化数据构建访问延迟隶属度预测模型，并通过访问延迟隶属度预测模型预测当前时间戳的访问延迟隶属度；

35、基于当前时间戳的访问延迟隶属度对医疗服务运营平台各访问渠道进行访问引流。

36、本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括医疗服务运营平台的智能运维方法程序，医疗服务运营平台的智能运维方法程序被处理器执行时，实现任一项的医疗服务运营平台的智能运维方法的步骤。

37、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

38、本发明通过获取预设时间之内医疗服务运营平台各渠道的用户访问数据信息，并根据各渠道的用户访问数据信息获取每个访问渠道的访问延迟特征数据，进而根据每个访问渠道的访问延迟特征数据构建基于时间序列的访问延迟特征数据，并通过对基于时间序列的访问延迟特征数据进行评价，获取预设时间之内的访问延迟隶属度变化数据，从而根据预设时间之内的访问延迟隶属度变化数据构建访问延迟隶属度预测模型，并通过访问延迟隶属度预测模型预测当前时间戳的访问延迟隶属度，最后基于当前时间戳的访问延迟隶属度对医疗服务运营平台各访问渠道进行访问引流。本发明能够根据每个访问渠道中的用户访问数据进行评价，从而对异常的访问渠道进行用户访问数据引流，能够进一步优化医疗服务运营平台的运维，使得医疗服务运营平台的运维更加合理。