[发明专利]事件预测方法、装置、电子设备及存储介质

权利要求书

1.一种事件预测方法，其特征在于，包括：

获取目标患者在第一预设时间范围的事件序列，以及所述目标患者的目标特征数据，所述目标特征数据包括在所述第一预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；所述第一疾病特征数据包括第一疾病的类别、第一疾病的级别、第一疾病的检测指标、第一疾病的干预方法、第一疾病的发展趋势，所述第二疾病是指所述第一疾病关联的疾病；所述第二疾病特征数据包括第二疾病的疾病史和第二疾病的检测指标；用于死亡预测的特征数据包括人口学信息和疾病史；

根据所述第一预设时间范围对应的事件序列构建第一特征矩阵，并根据所述目标特征数据构建目标特征矩阵；

通过预训练的RNN模型包括的第一隐含层对第一特征矩阵进行处理，得到第一高维特征矩阵；

通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵；所述目标隐含层不为所述第一隐含层；

根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵；

通过所述预训练的RNN模型包括的输出层根据所述融合特征矩阵输出所述目标患者在第二预设时间范围的事件序列，所述第二预设时间范围在所述第一预设时间范围之后；

通过终端设备输出所述第二预设范围的事件序列。

2.根据权利要求1所述的方法，其特征在于，所述目标隐含层还包括第二隐含层、第三隐含层和第四隐含层，所述目标特征矩阵包括所述第一预设时间范围内各第一疾病特征数据对应的第二特征矩阵、各第二疾病特征数据对应的第三特征矩阵和各用于死亡预测的第四特征数据对应的第四特征矩阵，所述通过所述预训练的RNN模型包括的目标隐含层对目标特征矩阵进行处理，得到目标高维特征矩阵，包括：

通过所述预训练的RNN模型包括的第二隐含层对所述第二特征矩阵进行处理，得到第二高维特征矩阵；

通过所述预训练的RNN模型包括的第三隐含层对所述第三特征矩阵进行处理，得到第三高维特征矩阵；

通过所述预训练的RNN模型包括的第四隐含层对所述第四特征矩阵进行处理，得到第四高维特征矩阵；所述第二隐含层、所述第三隐含层和所述第四隐含层三者之间共享网络参数；

将所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵确定为目标高维特征矩阵。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一高维特征矩阵和所述目标高维特征矩阵进行融合处理，得到融合特征矩阵，包括：

对所述第二高维特征矩阵、所述第三高维特征矩阵和所述第四高维特征矩阵进行拼接处理，得到拼接后的特征矩阵；

对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一高维特征矩阵和所述拼接后的特征矩阵进行融合处理，得到融合特征矩阵，包括：

确定所述拼接后的特征矩阵的注意力权重；

利用所述注意力权重对所述拼接后的特征矩阵进行加权处理，得到加权特征矩阵；

对所述第一高维特征矩阵和所述加权特征矩阵进行拼接处理，得到融合特征矩阵。

5.根据权利要求1所述的方法、其特征在于，所述方法还包括：

获取样本患者在第三预设时间范围的事件序列，以及所述样本患者的指定特征数据，所述指定特征数据包括在所述第三预设时间范围内各时间的第一疾病特征数据、第二疾病特征数据和用于死亡预测的特征数据；

利用所述第三预设时间范围的事件序列，以及所述指定特征数据训练原始的时间序列模型，得到预训练的时间序列模型。