项目理念 |快速移植
项目名称：快速移植
简介：印度的器官移植伴随着各种各样的不想要的差异。缺乏有效集中的元数据来实时生成潜在匹配以及运输问题和交通拥堵对印度等多元化国家的成功移植构成重大威胁。高效的路线跟踪架构与适当的统计和数据分析系统相结合，可以帮助生成一个大致准确的数据库，并自发地进行潜在匹配，以应对这些紧急情况，从而减少死亡人数。
- 活体捐献者——肾脏
- 脑死亡或心脏死亡——可以捐献所有器官
该项目的目标是定位因意外或任何其他事件而立即进行移植的病例，搜索数据库并找到最接近的捐赠者。
我们的实现基于以下方法：
- 托管所有医院的相互关联的数据库（捐赠者和接受者的数据）。
- 统计数据分析，以整理出潜在的捐赠者 - 接受者匹配。
- 一个 GPS 系统，用于跟踪潜在匹配中的可能路线。
- 实时交通信号优化。
- Dijkstra 算法找到从供体医院到受体医院的最短路径。
（由于尸体捐赠者可以捐赠多个器官和组织，因此将针对多个接受者的需求进行搜索。） 
执行：
- 托管数据库：我们建议的模型的第一步是关于数据收集和托管在一个相互关联的数据库上，以提供具有良好移植历史的真正注册医院。该数据库包含从所有可能的医院收集的医疗数据。移植所需的各种参数在组织良好的数据集下进行管理，该数据集具有基于新条目或不需要的废弃数据实时更新和修改数据的范围。集中式数据库就像一个云存储，可以在紧急情况和所需需求的情况下从所有相关医院轻松访问，并根据授权访问协议进行更新。该数据集充当使用各种算法根据需要分析数据的步骤的工具或前体，以确保与最有效的技术进行最佳匹配，以确保在全球范围内将人员伤亡降至最低以及器官移植的成功和快速。
- 使用机器学习算法进行数据分析：此步骤在很大程度上取决于收集和维护的数据库，基于该数据库可以结合各种算法和优化技术，以便根据预定义的结果和结果得出最佳的供体-受体匹配。我们建议的执行此类分析的方法是在已经存在的数据集上使用监督学习算法和神经网络，并预测新案例的最准确匹配。我们将审查中的数据集划分为 60%、20%、20% 的子集。 60% 的数据集是我们的训练集，线性回归模型以及支持向量机、决策树、AdaBoost 分类器和神经网络等算法用于训练我们的系统。现在，接下来的 20% 数据用作交叉验证步骤，以交叉验证并对我们使用的算法或方法进行必要的修改。最后，剩余的 20% 用作测试集。这些测试用例的预测结果与我们的训练集的结果密切相关，从而记录了各种分类器各自的准确度。最后，首选具有最有效时间复杂度的最佳方法，该方法可以合并到最终模型中，并且可以在严重紧急情况下预测即时和准确的捐赠者-接受者匹配。
- 基于 GPS 的跟踪系统：此步骤是完成数据分析并找到可能的供受者匹配后的关键步骤。使用全球定位系统来跟踪到具有潜在匹配的选定医院的所有可能路线，并创建具有多个节点的虚拟图。这个派生的加权图（权重表示各自的路径长度）现在通过最短路径算法进行处理，以找到通往最佳匹配的最短路径。
- Dijkstra 最短路径算法：我们框架的这一步用于确定器官运输的最小和最有效路线。假设我们通过数据分析和前面提到的 VANET 架构发现，通往目标医院的交通拥堵最少的“n”条道路是可能的。任务是在最佳可能的“n”个选项中找到最短的路线，以最小的延迟到达所需的位置。
为了实现这一点，使用了 Dijkstra 算法。
我们首先构建一个以供体医院为源顶点的有向图。然后，我们通过为每个边分配距离（从 GPS 数据中提取）将每个交通信号灯和潜在医院（可能捐赠或未根据实时分析明确标记）设计为单个节点。医院由 N i和 P i表示的节点表示。基于数据分析和 VANET 路由架构，我们发现 P I表示的医院是潜在的捐赠医院。最后，我们应用 Dijkstra 算法找到从潜在供体医院到受方（源顶点）医院的最短路径，并确定到最近医院的最快路径。
下面是我们建议的想法的示例实现：
将算法应用到以下样本后，我们发现医院：P3具有到接收医院：S的最快路线。
（最快的路线已用红色表示）
（提到的权重/距离仅用于代表性目的）
- 实时交通信号时间减少：我们框架的这一步是对现有交通系统的建议修改。它是基于上一步的执行来获得所有可能的医院中的最短路径。主要目标是尝试通过 GPS 进行实时车辆跟踪来动态优化交通信号。一旦选定的路线最终确定，就会执行运输，以使整个过程中的交通保持绿色。
建议的想法是，当救护车到达信号的特定距离（例如，“D”）时，可能会出现以下两种情况 -- 如果信号已经是绿色并且救护车在距离-'d'（d
- 如果信号已经是红色，则下一个绿色信号会停留更长时间。
通过用基于微控制器的系统替换当前基于预定义定时器的 I2C 控制交通系统，可以实时合并建议的架构。
以下是在小型数据集上演示该想法的示例：
第一种情况：- 前十列 Di（ i从 1 到 10 变化，考虑到 10 个信号）显示了在每个实例中从特定信号“i”到救护车的距离。接下来的 10 列 D i显示特定时刻的信号状态（绿色/红色）和相应的信号持续时间。最后一列以秒为单位显示时间。
- 假设 1400 是在相关时刻从每个信号到救护车距离的预定义范围。
- 第一个突出显示的框显示在 6 秒时与第一个信号的距离为 1383。距离现在明显在预定义范围内 (1400)，因此第一信号的状态被相应地修改。 1400范围内救护车前信号为绿色；我们等待信号
在穿过信号之前的时间范围内恢复为红色。- 我们建议的算法现在相应地减少了红色的信号持续时间（从 30 秒到 20 秒）
这样，在第二个突出显示的框中显示的正在调查的信号处，救护车等待时间的最短时间延迟。- 第三个突出显示的框显示，在减少红色信号持续时间后，随后的绿色信号经过时间增加（增加 100 秒），以确保通过第一个信号以最小的时间延迟不间断地通过。
第二种情况：
- 第一个突出显示的框显示在 126 秒时与第六个信号的距离为 1398。距离现在明显在预定义范围内 (1400)，因此第一信号的状态被相应地修改。 1400范围内救护车前信号为红色；接下来的绿色信号时间将增加（增加 100 秒），以便救护车顺利通过第六个信号。
上面分析的模拟结果与我们提出的模型相匹配，即当救护车通过特定信号时；该算法确保它保持绿色，没有时间延迟，并且不会影响那一刻的交通麻烦。
- 如果信号已经是红色，则下一个绿色信号会停留更长时间。
- 如果信号已经是绿色并且救护车在距离-'d'（d
结论：这种类型的交通优化技术可以用于解决各种日常问题，例如消防和类似紧急情况，需要立即有效地通过繁忙的道路进行机动。
团队成员：
- 普拉蒂克·巴苏
- 索邦蒙达尔
注意：这个项目想法是为 ProGeek Cup 2.0- GeeksforGeeks 的项目竞赛贡献的。