[发明专利]一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统

权利要求书

1.一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法，其特征在于，该方法包括：

接收医保数据，提取与就医迁移行为关联度大于预设关联度阈值的特征，得到就医迁移行为特征；

根据就医迁移行为特征及其相应权重采用C4.5算法构建人群分类树，根据人群分类树进行人群分组；

根据医保数据的历史就医数据计算各类人群历史患病概率趋势，采用自回归和灰色算法并结合标准差权重组合法构建疾病预测模型，进行不同人群分组的疾病预测；

在疾病预测已经完成的前提下，利用就医迁移行为特征及其对应权重构建Bi-GRU模型；

接收各医院就医数据，基于Bi-GRU获取的就医迁移状态预测数据，采用注意力机制生成各就医迁移序列的匹配权重，更新Bi-GRU模型的权重值；

利用就医迁移状态预测向量，构建softmax预测函数；计算softmax预测函数输出值的损失函数，采用反向传播算法训练Bi-GRU的学习参数，完成Bi-GRU模型的训练；

将Bi-GRU模型训练输出的预测结果与实际就医迁移行为进行对比，反馈更新底层数据信息，进一步更新Bi-GRU模型的权重值，进行就医迁移行为预测。

2.如权利要求1所述的一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法，其特征在于，该方法还包括：对接收的医保数据进行数据预处理，包含数据清洗、缺失数据补全、数据定义以及规范化处理。

3.如权利要求1所述的一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法，其特征在于，在该方法中，所述提取与就医迁移行为关联度大于预设关联度阈值的特征的具体步骤包括：

将预处理后的医保数据利用灰色关联分析法计算特征相关统计量；

设定相关统计量阈值作为预设关联度阈值，提取与就医迁移行为关联度大于预设关联度阈值的特征。

4.如权利要求1所述的一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法，其特征在于，在该方法中，在所述Bi-GRU模型训练时，采用交叉熵作为预测模型的损失函数进行Bi-GRU模型的训练。

5.如权利要求1所述的一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法，其特征在于，在该方法中，所述Bi-GRU模型采用Attention机制；

将Bi-GRU模型训练输出的预测结果与实际就医迁移行为进行对比后，基于预测结果的可解释性反馈调整Bi-GRU模型Attention机制中各个就医序列的权重值，将就医迁移状态预测数据中每个维度的权重按照逆序排序，选择权重靠前的预设数量的数据，反馈调整所述Bi-GRU模型中就医记录对就医迁移行为预测的重要度。

6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-5任一项所述的一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法。

7.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-5任一项所述的一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法。