事件预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种事件预测方法、装置、设备及存储介质。该事件预测方法包括：获取在第一预定时间内发生的事件的数据；根据在所述第一预定时间内发生的所述事件的数据，确定训练集；基于所述训练集，对长短期记忆网络进行训练，获得事件预测模型；以及根据所述事件预测模型，对待预测日期内待发生的所述事件进行预测。

Event prediction methods, devices, equipment and storage media

The invention discloses an event prediction method, device, device and storage medium. The event prediction method includes: obtaining the data of the event occurring in the first predetermined time; determining the training set according to the data of the event occurring in the first predetermined time; training the long-term and short-term memory network based on the training set to obtain the event prediction model; and treating the event to occur in the prediction date according to the event prediction model Make predictions.

【技术实现步骤摘要】
事件预测方法、装置、设备及存储介质
本专利技术涉及智能养老服务
，具体而言，涉及一种事件预测方法、装置、设备及存储介质。
技术介绍
目前，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。例如，可以应用人工智能技术，进行智能的事件预测。在所述
技术介绍
部分公开的上述信息仅用于加强对本专利技术的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本专利技术提供一种事件预测方法、装置、设备及存储介质。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术的一方面，提供一种住院事件方法，包括：获取在第一预定时间内发生的事件的数据；根据在所述第一预定时间内发生的所述事件的数据，确定训练集；基于所述训练集，对长短期记忆网络进行训练，获得事件预测模型；以及根据所述事件预测模型，对待预测日期内待发生的所述事件进行预测。根据本专利技术的一实施方式，所述方法还包括：获取在第二预定时间内发生的所述事件的数据；根据在所述第二预定时间内发生的所述事件的数据，确定所述事件预测模型的验证集；基于所述验证集，通过损失函数对所述事件预测模型中的模型参数进行迭代处理；每次迭代更新后，计算当前事件预测模型在所述验证集上的损失函数的值；根据所述损失函数的值绘制损失函数曲线；以及当所述损失函数曲线收敛时，根据当前事件预测模型的模型参数优化所述事件预测模型的模型参数，以优化所述事件预测模型。根据本专利技术的一实施方式，所述事件包括：养老事件；根据在所述第一预定时间内发生的所述事件的数据，确定事件预测模型的训练集包括：根据在所述第一预定时间内发生的所述养老事件的数据，分别确定出在所述第一预定时间内每预设间隔发生的养老事件的第一次数；以及将所述第一次数作为所述训练集。根据本专利技术的一实施方式，基于所述训练集，对长短期记忆网络进行训练包括：根据所述第一次数构建基于时间的矩阵；以及将所述矩阵作为所述训练集，对所述长短记忆网络进行训练。根据本专利技术的一实施方式，根据在所述第二预定时间内发生的所述事件的数据，确定所述事件预测模型的验证集包括：根据在所述第二预定时间内发生的所述养老事件的数据，分别确定出所述第二预定时间内每所述预设间隔发生的养老事件的第二次数；以及将所述第二次数作为验证集。根据本专利技术的一实施方式，所述养老事件包括：房间清理事件、疾病突发事件、跌倒事件及自助购物事件中的全部或部分。根据本专利技术的一实施方式，所述事件包括：住院事件；根据在所述第一预定时间内发生的所述事件的数据，确定事件预测模型的训练集包括：将在所述第一预定时间内每预设间隔发生的所述住院事件的数据作为所述训练集。根据本专利技术的一实施方式，基于所述训练集，对长短期记忆网络进行训练包括：根据所述住院事件的数据构建基于时间的矩阵；以及将所述矩阵作为所述训练集，对所述长短记忆网络进行训练。根据本专利技术的一实施方式，根据在所述第二预定时间内发生的所述事件的数据，确定所述事件预测模型的验证集包括：将在所述第二预定时间内每所述预设间隔发生的住院事件的数据作为所述验证集。根据本专利技术的一实施方式，所述住院事件的数据包括：病房入住率、各科室住院人数、重大疾病分布率、手术台数及稀缺药品使用量的全部或部分。根据本专利技术的一实施方式，获取在第一预定时间内发生的所述事件的数据包括：从已构建的区块链网络中获取其存储在第一预定时间内发生的所述事件的数据。根据本专利技术的另一方面，提供一种事件预测装置，包括：数据获取模块，用于获取在第一预定时间内发生的事件的数据；训练集确定模块，用于根据在所述第一预定时间内发生的所述事件的数据，确定事件预测模型的训练集；系统训练模块，用于基于所述训练集，对长短期记忆网络进行训练，获得所述事件预测模型；以及事件预测模块，用于根据所述事件预测模型，对待预测日期内待发生的所述所述事件进行预测。根据本专利技术的再一方面，提供一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任意一种方法。根据本专利技术的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任意一种方法。根据本专利技术的事件预测方法，可以利用如区块链技术存储的信息所具有的非常好的隐私保护效果及其具有的公开透明、可追溯及不易篡改等特点，对大量的事件案例信息进行存储。并基于这些存储的事件案例信息，确定事件预测模型，从而可根据该事件预测模型对可能发生的事件的数据进行智能预测。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。附图说明通过参照附图详细描述其示例实施例，本专利技术的上述和其它目标、特征及优点将变得更加显而易见。图1是根据一示例性实施方式示出的一种事件预测方法的流程图。图2是根据一示例性实施方式示出的另一种事件预测方法的流程图。图3是根据一示例性实施方式示出的再一种事件预测方法的流程图。图4是根据一示例性实施方式示出的再一种事件预测方法的流程图。图5是根据一示例性实施方式示出的再一种事件预测方法的流程图。图6是根据一示例性实施方式示出的再一种事件预测方法的流程图。图7是根据一示例性实施方式示出的再一种事件预测方法的流程图。图8是根据一示例性实施方式示出的再一种事件预测方法的流程图。图9是根据一示例性实施方式示出的一种事件预测装置的框图。图10是根据一示例性实施方式示出的一种电子设备的结构示意图。图11是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本专利技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本专利技术的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本专利技术的各方面变得模糊。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技本文档来自技高网...

【技术保护点】
1.一种事件预测方法，其特征在于，包括：/n获取在第一预定时间内发生的事件的数据；/n根据在所述第一预定时间内发生的所述事件的数据，确定训练集；/n基于所述训练集，对长短期记忆网络进行训练，获得事件预测模型；以及/n根据所述事件预测模型，对待预测日期内待发生的所述事件进行预测。/n

【技术特征摘要】
1.一种事件预测方法，其特征在于，包括：
获取在第一预定时间内发生的事件的数据；
根据在所述第一预定时间内发生的所述事件的数据，确定训练集；
基于所述训练集，对长短期记忆网络进行训练，获得事件预测模型；以及
根据所述事件预测模型，对待预测日期内待发生的所述事件进行预测。


2.根据权利要求1所述的方法，其特征在于，还包括：
获取在第二预定时间内发生的所述事件的数据；
根据在所述第二预定时间内发生的所述事件的数据，确定所述事件预测模型的验证集；
基于所述验证集，通过损失函数对所述事件预测模型中的模型参数进行迭代处理；
每次迭代更新后，计算当前事件预测模型在所述验证集上的损失函数的值；
根据所述损失函数的值绘制损失函数曲线；以及
当所述损失函数曲线收敛时，根据当前事件预测模型的模型参数优化所述事件预测模型的模型参数，以优化所述事件预测模型。


3.根据权利要求1或2所述的方法，其特征在于，所述事件包括：养老事件；根据在所述第一预定时间内发生的所述事件的数据，确定事件预测模型的训练集包括：
根据在所述第一预定时间内发生的所述养老事件的数据，分别确定出在所述第一预定时间内每预设间隔发生的所述养老事件的第一次数；以及
将所述第一次数作为所述训练集。


4.根据权利要求3所述的方法，其特征在于，基于所述训练集，对长短期记忆网络进行训练包括：
根据所述第一次数构建基于时间的矩阵；以及
将所述矩阵作为所述训练集，对所述长短记忆网络进行训练。


5.根据权利要求3所述的方法，其特征在于，根据在所述第二预定时间内发生的所述事件的数据，确定所述事件预测模型的验证集包括：
根据在所述第二预定时间内发生的所述养老事件的数据，分别确定出在所述第二预定时间内每所述预设间隔发生的所述养老事件的第二次数；以及

【专利技术属性】
技术研发人员：李夫路，梁爽，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京;11