基于交通大数据的城市医疗可达性分析研究

随着社会发展的进步和人民生活水平的提高,人们对健康的需求也随之提高,近年来,医疗可达性逐渐成为城市研究领域的重点关注对象。尤其是2020年爆发的新冠疫情,让人们认识到医疗可达性和社会资源配置的公平性是至关重要的。现存的可达性计算方法通常建立在一个假设的基础之上,即假设居民选择就近的医院就医,这忽略了人们选择医院的主观意向。本文提出了一种新的方法,融入行人移动大数据,用移动大数据来模拟人们产生就医行为时对医院的主观选择。结果显示:①很多居民愿意增加出行距离选择更好的医疗服务机构就医;②利用出租车轨迹数据和地铁刷卡数据计算的医疗可达性结果有明显差异;③深圳市医疗可达性整体上呈现出分布不均匀和多中心的发展趋势;④城市交通状况也是影响医疗可达性结果的重要因素。

针对大规模数据的分布一致缺失值插补算法

缺失值插补(missing value imputation,MVI)作为数据挖掘领域的重要研究分支,旨在为机器学习算法的训练提供高质量的数据支持。不同于现有的以算法性能提升为导向的MVI算法,为对大规模数据的缺失值进行有效插补,该文提出一种以数据结构还原为导向的数据分布一致MVI(distribution consistency-based MVI, DC-MVI)算法。首先,DC-MVI算法基于概率分布一致性原则构建了用于确定最优插补值的目标函数;其次,利用推导出的可行缺失值优化规则获取与原始完整值保持最大分布一致性且方差最为接近的插补值;最后,在分布式环境下,针对大数据的随机样本划分(random sample partition, RSP)数据块并行训练DC-MVI算法,获得大规模数据缺失值对应的插补值。实验结果表明:DC-MVI算法不仅能生成与原始完整值保持给定显著性水平下概率分布一致的插补值,还具有比另外5种经典的和3种最新的MVI算法更快的插补速度和更好的插补效果,进而证实DC-MVI算法是一种可行的大规模数据MVI算法。