长期护理策略分配方法、装置、计算机设备和存储介质与流程

本申请涉及互联网技术领域，特别是涉及一种长期护理策略分配方法、装置、计算机设备和存储介质。

背景技术：

随着数据采集技术、数据分析等技术的不断进步，应用大数据技术进行现象或者行为的分析，被应用于各行各业。

如今，随着长期护理保障制度的实施，需要及时获悉处于不同健康状态，并预测未来时段内对长期护理的需求，以提前做好相应政策安排与调整。然而，目前的长期护理策略的方案制定，均基于被护理方提出的护理需求而定，由于在长期护理过程中护理需求会发生变化，因此仅根据被护理方提出的护理需求，不仅无法及时满足被护理方的需求，而且无法实现对护理资源的科学化分配。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高护理策略分配准确性的长期护理策略分配方法、装置、计算机设备和存储介质。

一种长期护理策略分配方法，所述方法包括：获取多个被护理方的信息，并将多个所述被护理方的信息输入长期护理策略分配仿真模型；所述长期护理策略分配仿真模型包括群组划分节点、护理策略分配节点和护理策略再分配节点；通过所述群组划分节点对多个被护理方进行群组划分，得到多个护理群组；通过所述护理策略分配节点获取预先配置的每种护理群组对应的护理策略分布模型，基于护理策略分布模型计算相应护理群组中不同被护理方的护理策略分布率，并根据所述护理策略分布率确定每个被护理方对应的初始护理策略；通过所述护理策略再分配节点获取预先配置的每种护理群组对应的失能转移模型以及护理策略调整模型，基于失能转移模型计算相应护理群组中不同被护理方的失能转移率，基于护理策略调整模型计算相应护理群组中不同被护理方的护理策略变化率，并根据所述失能转移率和护理策略变化率对每个被护理方对应的初始护理策略进行调整。

在一个实施例中，所述方法还包括：获取长期护理策略分配原理图；长期护理策略分配原理图包括群组划分节点、护理策略分配节点和护理策略再分配节点；确定用于指示群组划分节点对多个被护理方进行群组划分的仿真参数；确定用于指示护理策略分配节点为每个群组中被护理方分配初始护理策略的仿真参数；确定用于指示护理策略再分配节点根据被护理方的失能转移率和护理策略变化率对每个群组中被护理方对应的初始护理策略进行调整的仿真参数，得到长期护理策略分配仿真模型。

在一个实施例中，所述护理策略分布率基于护理策略分布模型计算得到；所述护理策略分布模型的训练步骤包括：获取样本数据；所述样本数据包括多个样本被护理方的健康轨迹；所述健康轨迹包括护理策略；获取待训练的每种护理策略对应的初始模型；基于所述样本数据对相应护理策略的初始模型进行训练，得到每种护理策略对应的护理策略分布模型。

在一个实施例中，所述获取待训练的每种护理策略对应的初始模型包括：按照期望的计算精度，将所述健康轨迹信息中的护理策略转换为目标的护理策略；获取每个所述目标的护理策略所对应的待训练的初始模型。

在一个实施例中，所述方法还包括：当计算精度为第一精度时，所述目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理；当计算精度为第二精度时，所述目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。

在一个实施例中，所述基于所述样本数据对相应护理策略的初始模型进行训练包括：根据样本数据中护理策略与初始模型对应护理策略是否一致，确定相应样本数据的样本标签；所述样本数据还包括样本被护理方的身份属性；提取所述身份属性的身份特征，以及所述健康轨迹的健康特征；将身份特征及健康特征输入相应护理策略的初始模型，得到预测护理策略；按照所述预测护理策略与所述样本标签的差异，调整所述初始模型的参数并继续训练，直至满足训练结束条件时结束训练，得到护理策略分布模型。

一种长期护理策略分配装置，所述装置包括：模型调用模块，用于获取多个被护理方的信息，并将多个所述被护理方的信息输入长期护理策略分配仿真模型；所述长期护理策略分配仿真模型包括群组划分节点、护理策略分配节点和护理策略再分配节点；群组划分模块，用于通过所述群组划分节点对多个被护理方进行群组划分，得到多个护理群组；护理策略分配模块，用于通过所述护理策略分配节点获取预先配置的每种护理群组对应的护理策略分布模型，基于护理策略分布模型计算相应护理群组中不同被护理方的护理策略分布率，并根据所述护理策略分布率确定每个被护理方对应的初始护理策略；护理策略调整模块，用于通过所述护理策略再分配节点获取预先配置的每种护理群组对应的失能转移模型以及护理策略调整模型，基于失能转移模型计算相应护理群组中不同被护理方的失能转移率，基于护理策略调整模型计算相应护理群组中不同被护理方的护理策略变化率，并根据所述失能转移率和护理策略变化率对每个被护理方对应的初始护理策略进行调整。

在一个实施例中，所述装置还包括模型构建模块，用于获取长期护理策略分配原理图；长期护理策略分配原理图包括群组划分节点、护理策略分配节点和护理策略再分配节点；确定用于指示群组划分节点对多个被护理方进行群组划分的仿真参数；确定用于指示护理策略分配节点为每个群组中被护理方分配初始护理策略的仿真参数；确定用于指示护理策略再分配节点根据被护理方的失能转移率和护理策略变化率对每个群组中被护理方对应的初始护理策略进行调整的仿真参数，得到长期护理策略分配仿真模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的长期护理策略分配方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的长期护理策略分配方法的步骤。

上述长期护理策略分配方法、装置、计算机设备和存储介质，基于预先构建的仿真模型进行长期护理需求预测时，不仅结合被护理方失能分布率确定被护理方的初始护理策略，还能结合被护理方失能转移率和护理策略变化率对初始护理策略动态调整，从而可以动态预测连续多个时间节点的需求变化轨迹，提高长期护理需求预测准确性，为护理政策的实施与调整提供可靠依据。

附图说明

图1为一个实施例中长期护理策略分配方法的应用场景图；

图2为一个实施例中长期护理策略分配方法的流程示意图；

图3为一个实施例中长期护理策略分配原理图的示意图；

图4为一个实施例中长期护理策略分配装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的长期护理策略分配方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种长期护理策略分配方法，以该方法应用于图1中的终端110或服务器120为例进行说明，包括以下步骤：

步骤202，获取多个被护理方的信息，并将多个被护理方的信息输入长期护理策略分配仿真模型；长期护理策略分配仿真模型包括群组划分节点、护理策略分配节点和护理策略再分配节点。

期护理策略分配仿真模型可以是预先基于长期护理策略分配原理图构建的。长期护理策略分配原理图可以是基于stata等软件工具绘制的。参考图3，图3为一个实施例中长期护理策略分配原理图的示意图。如图3所示，长期护理策略分配原理图包括多个预测节点，根据对应节点的执行逻辑不同可以将多个预测节点区分为群组划分节点302、护理策略分配节点304、护理策略节点306和护理策略再分配308。每个预测节点具有对应的仿真参数。

在一个实施例中，调用长期护理策略分配仿真模型之前，长期护理策略分配方法还包括：获取长期护理策略分配原理图；长期护理策略分配原理图包括群组划分节点、护理策略分配节点和护理策略再分配节点；确定用于指示群组划分节点对多个被护理方进行群组划分的节点逻辑信息；确定用于指示护理策略分配节点为每个群组中被护理方分配初始护理策略的节点逻辑信息；确定用于指示护理策略再分配节点根据被护理方的失能转移率和护理策略变化率对每个群组中被护理方对应的初始护理策略进行调整的节点逻辑信息，得到长期护理策略分配仿真模型。

在一个实施例中，上述方法还包括：当计算精度为第一精度时，目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理；当计算精度为第二精度时，目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。

本实施例中，长期护理策略分配原理图包括六个群组划分节点302，一个护理策略分配节点304、一个护理策略再分配节点308。根据护理策略划分粒度不同，可以将长期护理需求预测结果的精度区分为第一精度和第二精度，对应的护理策略节点306的数量也不同。比如在本实施例中，根据护理策略分配精度不同，护理策略节点306可以有5个或8个。当护理策略分配精度为第一精度时，对应的5个护理策略节点分别为不需要护理、没有得到护理、居家护理、机构护理和死亡。当护理策略为第二精度时，对应的8个护理策略节点分别为不需要护理、没有得到护理、居家护理、机构护理、私人护理、志愿者护理、社区护理和死亡。

不需要护理是指完全不需要长期护理。没有得到护理是指需要护理，但是没有得到任何一种护理。居家护理是指被护理方居住在家里接受护理，主要由家人、朋友或专业护理人员，或社区服务机构提供。机构护理是指被护理方居住在护理机构接受护理。私人护理是指被护理方居住在家里，主要由专业护理人员提供护理。志愿者护理是指被护理方居住在家里，由志愿者、朋友或邻居等无偿提供所、送饭、定期探望等服务。社区护理是指被护理方居住在家里，由社区提供护理。

步骤204，通过群组划分节点对多个被护理方进行群组划分，得到多个护理群组。

在绘制好长期护理策略分配原理图后，对每个预测节点的实现逻辑进行配置。具体地，当计算机设备需要基于6个群组划分节点将待分配被护理方按照年龄、性别和失能分布率分为6个护理群组时，可以将6个群组划分节点的仿真参数依次配置为不同的年龄区间、性别和失能分布率区间的组合。比如，一种组合可以是“男，年龄[65，70]，失能分布率[70，80]”，另一种组合可以是“女，年龄[70，75]，失能分布率[80，90]”等。

其中，失能分布率可以是基于失能分布率模型计算得到。失能分布率模型可以是预训练的机器学习模型，如逻辑回归模型等。通过人口普查及问卷调查等方式获取训练样本。训练样本可以是多个被护理方在历史时段(如2014-2018年)的身份属性和健康轨迹等信息。其中，身份属性包括被护理方的年龄、性别、婚姻状态、户籍类型(城市/乡镇)等。健康轨迹包括被护理方在多个时间点发生的健康状态转移的信息。健康状态包括健康和失能。计算机设备对训练样本进行预处理，得到多组样本数据及每组样本数据(x1，x2)对应的失能预测标签。其中，x1为年龄，x2为性别。失能预测标签可以是对应老年人是否失能的表征值，如y失能＝1表示失能，y失能＝0表示健康。

待训练的初始模型可以是逻辑回归模型：

z＝β0+β1x1+β2x2。

其中，pr(y失能＝1)是指“失能”事件的发生概率，β0、β1及β2为回归参数。

计算机设备将预处理的样本数据输入待训练的初始模型，得到中间预测结果，计算中间预测结果与失能预测标签的差值，根据差值对初始模型中的回归参数进行调整，直至得到准确率达到阈值的已训练模型，将该已训练模型作为失能分布率模型。

步骤206，通过护理策略分配节点获取预先配置的每种护理群组对应的护理策略分布模型，基于护理策略分布模型计算相应护理群组中不同被护理方的护理策略分布率，并根据护理策略分布率确定每个被护理方对应的初始护理策略。

当计算机设备需要基于护理策略分配节点确定每个护理群组所需要的初始护理策略时，可以将护理策略分配节点的仿真参数配置为预训练的护理策略分布模型。后续，计算机设备可以根据护理策略模型分别计算每个护理群组中的被护理方适合不同护理策略的概率，将概率最高的一种护理策略作为该被护理方的初始护理策略。节点配置信息还包括初始护理策略确定时间，比如每个月月初5日。换言之，每月月初5日进行一次被护理方长期护理策略分配。

当计算机设备需要基于护理策略节点确定每种护理策略所对应的被护理方数量时，可以将护理策略节点的仿真参数配置为统计分配为相应的初始护理策略的被护理方数量。比如，护理策略节点“居家护理”用于统计初始护理策略为“居家护理”的被护理方的数量。在一个实施例中，统计得到的被护理方数量展示在相应护理策略节点上方。如图3所示，护理策略节点“居家护理”对应的被护理方数量为n3。

需要说明的是，护理策略节点306a为护理策略为“死亡”的节点。一旦一个被护理方对应护理策略为“死亡”，则终止对该被护理方进行长期护理需求预测。

在一个实施例中，基于预先统计得到的具有普适性的“不同年龄性别健康状态的被护理方在每种护理策略下所持续的时间长度”的结论(可以是第三方数据)，每个护理策略节点306上方还记录了对应的所持续时间长度。

步骤208，通过护理策略再分配节点获取预先配置的每种护理群组对应的失能转移模型以及护理策略调整模型，基于失能转移模型计算相应护理群组中不同被护理方的失能转移率，基于护理策略调整模型计算相应护理群组中不同被护理方的护理策略变化率，并根据失能转移率和护理策略变化率对每个被护理方对应的初始护理策略进行调整。

当计算机设备需要基于护理策略再分配节点确定每个护理群组中被护理方的失能转移率时，可以将护理策略再分配节点的仿真参数配置为预训练的失能转移模型。后续，计算机设备可以根据失能转移模型分别计算每个被护理方的失能转移率。失能转移模型也可以是预训练的机器学习模型，如逻辑回归模型等。通过对训练样本预处理，得到样本数据(x1，x2，x3)及对应的失能转移预测标签。其中，x1为年龄，x2为性别，x3为健康状态(健康/失能)。预测标签可以是对应老年人是由一种健康状态转向另一种健康状态的表征值，如y健康→失能＝1表示从健康转移为失能。

z＝β0+β1x1+β2x2+β3x3。

其中，pr(y健康→失能＝1)是指被护理方从健康转移为失能的概率，β0、β1、β2及β3为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型，得到中间预测结果，计算中间预测结果与失能转移预测标签的差值，根据差值对初始模型中的回归参数进行调整，直至得到准确率达到阈值的已训练模型，将该已训练模型作为失能转移模型。

当计算机设备需要基于护理策略再分配节点确定每个护理群组中被护理方的护理策略变化率时，可以将护理策略再分配节点的仿真参数配置为预训练的护理策略调整模型。后续，计算机设备可以根据护理策略调整模型分别计算每个被护理方的护理策略变化率。护理策略调整模型也可以是预训练的机器学习模型，如逻辑回归模型等。

每种护理策略都可能转移为其他任意一种护理策略。当预测精度不同时采用的护理策略调整模型可以不同。当预测精度为第一精度时，任意两种护理策略之间具有对应的护理策略调整模型，比如从护理策略i转移为护理策略j的模型可记作prij。将每两种护理策略之间转移的被护理方数据作为相应作为护理策略调整模型prij的训练样本，得到多组样本数据(x1，x2，x3，x4)对应的预测标签。其中，x1为年龄，x2为性别，x3为健康状态，x4为当前护理策略。护理策略调整预测标签可以是对应被护理方是由一种护理策略转向另一种护理策略的表征值，如yij＝1表示从护理策略i转移为护理策略j。

z＝β0+β1x1+β2x2+β3x3+β4x4。

其中，prij(yij＝1)是指被护理方从护理策略i转移为护理策略j的概率，β0、β1、β2、β3及β4为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型，得到中间预测结果，计算中间预测结果与护理策略调整预测标签的差值，根据差值对初始模型中的回归参数进行调整，直至得到准确率达到阈值的已训练模型，将该已训练模型作为护理策略调整模型。

当预测精度为第二精度时，待训练的初始模型可以是多类别逻辑回归(multinomiallogisticregression—mlr)模型：

pr(yi＝1)+pr(yi＝2)+……+pr(yi＝8)＝1

其中，i和j分别为代表一种护理策略的数值。i＝1，2…8，代表初始护理策略。j＝1，2…8，代表转移后的护理策略(记作目标护理策略)。比如，1代表不需要护理；2代表没有得到任何一种护理，如此类推，8代表死亡。(x1，x2，x3，x4)中x1为年龄，x2为性别，x3为健康状态，x4为当前护理策略。

在估算仿真参数时，由于预测精度要求比较高时涉及的长期护理的形式也比较多，基于多分类模型相比针对每种逻辑回归模型逐一求解仿真参数的方式，可以提高模型训练效率。根据不同的精度要求设置不同的仿真参数估算方法，可以提高仿真效率，满足不同预测精度需求。

当接收到对目标区域内被护理方在未来预设时段的长期护理需求预测请求时，可以基于上述长期护理策略分配仿真模型相应该预测请求。比如，需要对上海未来10年的被护理方长期护理需求进行预测，可以在每个月月初的时候将上海当月的被护理方数据(可以是从相关机构获取的第三方数据)输入至仿真模型，得到本月的预测结果。在一个实施例中，仿真模型可以预置多个统计分析时间节点，比如每年统计一次年度需求人口数，得到目标区域年度长期护理需求人口数。目标区域年度长期护理需求人口数可以是将本年度12个月份的长期护理需求人口数累加得到。

再比如，基于仿真模型可以对新政策有效性进行验证。具体地，当一项新政策发布，对应仿真模型中的一项或者多项仿真参数可能发生变化，从第三方获取的被护理方数据也可能发生变化，基于变化后的被护理方数据及仿真模型重新预测，可以根据其中“有护理需求但一直没得到任何护理”人口数的变化来判断该政策有效性。

传统方式通常采用将失能分布率与总人口数相乘的方式，预测具有长期护理需求的人口数。这种方式计算得到人口是一个固定时间节点的静态数值。

上述长期护理策略分配方法中，基于预先构建的仿真模型进行长期护理需求预测时，不仅结合被护理方失能分布率确定被护理方的初始护理策略，还能结合被护理方失能转移率和护理策略变化率对初始护理策略动态调整，从而可以动态预测连续多个时间节点的需求变化轨迹，提高长期护理需求预测准确性，为护理政策的实施与调整提供可靠依据。

在一个实施例中，获取待训练的每种护理策略对应的初始模型包括：按照期望的计算精度，将健康轨迹信息中的护理策略转换为目标的护理策略；获取每个目标的护理策略所对应的待训练的初始模型。

计算机设备针对每种护理策略分别训练对应的护理策略分布模型。换言之，护理策略分布模型有多个。护理策略分布模型也可以是预训练的机器学习模型，如逻辑回归模型等。通过人口普查及问卷调查等方式获取训练样本。根据护理策略划分粒度不同，可以将长期护理需求预测结果的精度区分为第一精度和第二精度。

在一个实施例中，基于样本数据对相应护理策略的初始模型进行训练包括：根据样本数据中护理策略与初始模型对应护理策略是否一致，确定相应样本数据的样本标签；样本数据还包括样本被护理方的身份属性；提取身份属性的身份特征，以及健康轨迹的健康特征；将身份特征及健康特征输入相应护理策略的初始模型，得到预测护理策略；按照预测护理策略与样本标签的差异，调整初始模型的参数并继续训练，直至满足训练结束条件时结束训练，得到护理策略分布模型。

当预测精度为第一精度时，每个护理策略分布模型的训练过程如下：计算机设备对训练样本进行预处理，得到多组样本数据(x1，x2，x3)对应的护理预测标签。其中，样本数据包括被护理方的身份特征年龄x1和性别x2，还包括被护理方健康特征健康状态x3。护理预测标签可以是对应被护理方所采用的护理策略的表征值，如y不需要护理＝1表示采用的护理策略为不需要护理；y居家护理＝1表示采用的护理策略为居家护理，如此类推。

待训练的初始模型可以是逻辑回归模型：

z＝β0+β1x1+β2x2+β3x3

其中，pr(yi＝1)是指被护理方需要护理策略i的概率，i为死亡、不需要护理、未得到护理、居家护理或机构护理。β0、β1、β2及β3为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型，得到中间预测结果，计算中间预测结果与护理预测标签的差值，根据差值对初始模型中的回归参数进行调整，直至得到准确率达到阈值的已训练模型，将该已训练模型作为护理策略分布率模型。

当预测精度为第二精度时，待训练的初始模型可以是逻辑回归模型：

z＝β0+β1x1+β2x2+β3x3

其中，pr(yj＝1)是指被护理方需要护理策略j的概率，i为死亡、不需要护理、未得到护理、居家护理、机构护理、私人护理、志愿者护理或社区护理。β0、β1、β2及β3为回归参数。计算机设备将预处理的样本数据输入待训练的初始模型，得到中间预测结果，计算中间预测结果与护理预测标签的差值，根据差值对初始模型中的回归参数进行调整，直至得到准确率达到阈值的已训练模型，将该已训练模型作为护理策略分布率模型。

本实施例中，根据不同的精度要求设置不同的护理策略分布率模型，可以满足不同预测精度需求。

在一个实施例中，获取待训练的每种护理策略对应的初始模型包括：按照期望的计算精度，将健康轨迹中的护理策略转换为目标的护理策略；获取每个目标的护理策略所对应的待训练的初始模型。

通过人口普查及问卷调查等方式获取得到的训练样本中对于护理策略的记录方式可能多种多样。比如，护理策略“未得到护理”对应在训练样本中的记录可能是“没人照顾”、“无人护理”“护理不是很到位”等。计算机设备基于预设的语义识别模型对训练样本中对于护理策略的字段转化为同一的护理策略名称字段。

本实施例中，对训练样本中护理策略进行标准化处理，便于后续基于不同护理策略划分粒度进行不同精度的护理需求预测。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种长期护理策略分配装置，包括：模型调用模块402、群组划分模块404、护理策略分配模块406和护理策略调整模块408，其中：

模型调用模块402，用于获取多个被护理方的信息，并将多个被护理方的信息输入长期护理策略分配仿真模型；长期护理策略分配仿真模型包括群组划分节点、护理策略分配节点和护理策略再分配节点。

群组划分模块404，用于通过群组划分节点对多个被护理方进行群组划分，得到多个护理群组。

护理策略分配模块406，用于通过护理策略分配节点获取预先配置的每种护理群组对应的护理策略分布模型，基于护理策略分布模型计算相应护理群组中不同被护理方的护理策略分布率，并根据护理策略分布率确定每个被护理方对应的初始护理策略。

护理策略调整模块408，用于通过护理策略再分配节点获取预先配置的每种护理群组对应的失能转移模型以及护理策略调整模型，基于失能转移模型计算相应护理群组中不同被护理方的失能转移率，基于护理策略调整模型计算相应护理群组中不同被护理方的护理策略变化率，并根据失能转移率和护理策略变化率对每个被护理方对应的初始护理策略进行调整。

在一个实施例中，上述装置还包括模型构建模块410，用于获取长期护理策略分配原理图；长期护理策略分配原理图包括群组划分节点、护理策略分配节点和护理策略再分配节点；确定用于指示群组划分节点对多个被护理方进行群组划分的仿真参数；确定用于指示护理策略分配节点为每个群组中被护理方分配初始护理策略的仿真参数；确定用于指示护理策略再分配节点根据被护理方的失能转移率和护理策略变化率对每个群组中被护理方对应的初始护理策略进行调整的仿真参数，得到长期护理策略分配仿真模型。

在一个实施例中，护理策略分配模块406还用于获取样本数据；样本数据包括多个样本被护理方的健康轨迹；健康轨迹包括护理策略；获取待训练的每种护理策略对应的初始模型；基于样本数据对相应护理策略的初始模型进行训练，得到每种护理策略对应的护理策略分布模型。

在一个实施例中，护理策略分配模块406还用于按照期望的计算精度，将健康轨迹信息中的护理策略转换为目标的护理策略；获取每个目标的护理策略所对应的待训练的初始模型。

在一个实施例中，当计算精度为第一精度时，目标的护理策略包括不需要护理、没有得到护理、居家护理和机构护理；当计算精度为第二精度时，目标的护理策略包括不需要护理、没有得到护理、非正式护理、机构护理、私人护理、志愿者护理和社区护理。

在一个实施例中，护理策略分配模块406还用于根据样本数据中护理策略与初始模型对应护理策略是否一致，确定相应样本数据的样本标签；样本数据还包括样本被护理方的身份属性；提取身份属性的身份特征，以及健康轨迹的健康特征；将身份特征及健康特征输入相应护理策略的初始模型，得到预测护理策略；按照预测护理策略与样本标签的差异，调整初始模型的参数并继续训练，直至满足训练结束条件时结束训练，得到护理策略分布模型。

关于长期护理策略分配装置的具体限定可以参见上文中对于长期护理策略分配方法的限定，在此不再赘述。上述长期护理策略分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储需要进行护理需求预测的被护理方的身份属性和健康轨迹的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种长期护理策略分配方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供长期护理策略分配方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。