[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

说明书

本公开公开了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，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；根据就医迁移行为特征及其相应权重构建人群分类树，进行人群分组；根据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；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，更新权重值；进行Bi‑GRU模型的训练；将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，进一步更新权重值，进行就医迁移行为预测。

技术领域

本公开属于医保信息处理的技术领域，涉及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。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

就医迁移，一般指参保人在参保统筹地区以外的其他地区发生的就医行为。近年来，随着流动人口的急剧膨胀，发生就医迁移的人数也越来越多。由于各个医院治疗水平和报销政策的差异，引发个体向更高治疗水平和报销政策更优惠的医院就医，造成了医院资源浪费。因此，如何对医保大数据进行分析，挖掘出隐藏在医保大数据中的参保人就医规律，构建就医迁移预测模型，为医保资金分配和医疗资源优化调度提供决策支撑，成为医保领域中一个重要的研究问题。

医保领域中就医行为传统的预测方法是整体预测模型。也就是说，使用所有可用的训练数据来构建全局模型，然后使用该模型对每个参保人进行预测。应用整体预测模型的好处是它可以捕获所有训练人群的整体信息。然而，参保人本身的属性不同以及所在地区的发展水平也不同，发生就医迁移的情况可能也会不同，使用整体预测模型可能会遗漏一些对不同群体重要的特定信息。因此，为不同的群体分别建立预测模型对就医行为的研究来说是相当重要的。

近年来，随着医保信息技术领域的推进，由于循环神经网络(Recurrent NeuralNetworks，RNNs)可基于就医记录序列而实现时序关联预测，故被广泛应用于就医预测建模中。然而，发明人在研究过程中发现，RNNs不能有效地解决就医序列之间的长时间依赖表达关系，如当病人的就医序列时间间隔过大时，RNNs模型的预测性能就会下降。

发明内容

针对现有技术中存在的不足，本公开的一个或多个实施例提供了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,。

根据本公开的一个或多个实施例的一个方面，提供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。

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，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；