事件预测方法、装置、设备及存储介质与流程

本发明涉及智能养老服务技术领域，具体而言，涉及一种事件预测方法、装置、设备及存储介质。

背景技术：

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。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，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。

技术实现要素：

有鉴于此，本发明提供一种事件预测方法、装置、设备及存储介质。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的一实施方式，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。

根据本发明的另一方面，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。

根据本发明的再一方面，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。

根据本发明的再一方面，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。

根据本发明的事件预测方法，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，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、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发明将更加全面和完整，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。附图仅为本发明的示意性图解，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发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明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发明的各方面变得模糊。

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术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

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。

参考图1，事件预测方法10包括：

在步骤s102中，获取在第一预定时间内发生的事件的数据。

该事件例如可以为养老事件，如养老社区中老人的生活习惯、规律、疾病、突发事件及需求等事件。

该事件或者还可以为住院事件，事件的数据例如可以为住院病人病床入住率、重大疾病分布、手术台数及稀缺药品使用量等。

在一些实施例中，例如可以从已构建的区块链网络中获取其储存的在第一预定时间内发生的事件的数据。基于区块链技术，可对从其不同节点上传的大量上述事件的数据进行存储。区块链技术是利用区块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。在区块链技术大多数应用场景中，利用区块链哈希指针的交易链数据结合、加密学的哈希计算和加密学数字签字机制实现交易过程中的多层次证据确认，来实现不同个体交易方之间的信任问题。由于基于区块链技术所存储的信息，具有非常好的隐私保护效果，且具有公开透明、可追溯及不易篡改等特点，与智能事件的数据信息具有非常高的契合度，因此可以将区块链技术与智能事件预测方法进行有机结合。

但本发明不以此为限，也可以从其他存储服务器、云服务器等存储设备中获取上述事件的数据。

在步骤s104中，根据在第一预定时间内发生的事件的数据，确定训练集。

第一预定时间例如可以为一年、半年、三个月等，本发明不以此为限，具体应用时可以根据实际需求进行设置。

在步骤s106中，基于训练集，对长短期记忆网络(longshort-termmemory，lstm)进行训练，获得事件预测模型。

lstm网络是一种循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm网络为目前比较成熟的神经网络，在此不再赘述。

在步骤s108中，根据事件预测模型，对待预测日期内待发生的事件进行预测。

根据本发明实施方式提供的事件预测方法，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。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施方式。

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。与图1所示的方法10不同之处在于，图2所示的方法20还进一步包括：

在步骤s202中，获取在第二预定时间内发生的事件的数据。

同样地，第二预定时间也可以为一年、半年、三个月等，本发明不以此为限。

在步骤s204中，根据在第二预定时间内发生的事件的数据，确定事件预测模型的验证集。

例如，以上述第一预定时间与第二预定时间均为一年为例，可以获取连续两年的事件的数据，并将其中第一年的数据作为上述训练集，将第二年的数据作为验证集。

在步骤s206中，基于验证集，通过损失函数对事件预测模型中的模型参数进行迭代处理。

损失函数(lossfunction)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计。

在步骤s208中，每次迭代更新后，计算当前事件预测模型在验证集上的损失函数的值。

在步骤s210中，根据损失函数的值绘制损失函数曲线。

在步骤s212中，当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事件预测模型的模型参数，以优化事件预测模型。

当损失函数曲线收敛时，可得到事件预测模型的模型参数的最优解，从而确定出最优的事件预测模型。

根据本发明实施方式提供的事件预测方法，可进一步对事件预测方法进行验证，获取模型参数的最优解。

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。在图3所示的方法30中，事件以养老事件为例进行说明。

如图3所示，方法30包括：

在步骤s302中，获取在一第一预定时间内发生的养老事件的数据。

如上所述，例如可以基于区块链技术，对从其不同节点上传的大量养老事件的数据的相关信息进行存储。其中，养老事件例如可以包括：房间清理、突发疾病、跌倒、自助购物等，养老事件的数据例如可以包括：房间清理的次数、突发疾病的次数、跌倒的次数及自助购物的次数等。

该第一预定时间例如可以为一年、一个月等。在实际应用中，可根据实际需求而设定，本发明不以此为限。

本领域技术人员应理解的是，获取的大量养老事件的数据可以是某一节点(某一养老社区)内老人在该第一预定时间内发生的养老事件的数据，也可以为多个节点内老人在该第一预定时间内发生的养老事件的数据的均值等，本发明不以此为限。

在步骤s304中，根据在第一预定时间内发生的养老事件的数据，分别确定出第一预定时间内每预设间隔发生养老事件的第一次数。

根据获取的第一预定时间内发生的养老事件的数据的相关信息，统计并确定出在该第一预定时间内每预设间隔发生养老事件的第一次数。该预设间隔可根据实际需求而设置。

以预定时间为一年(12个月)，预设间隔为一天(24小时)为例，统计并确定出一年时间内，每天发生各养老事件的次数。以养老事件分别为房间清理、突发疾病、跌倒、自助购物为例，分别统计出老人们每天需要房间清理的次数x2_i、突发疾病(如心脑血管疾病、中风等老年人常发疾病)的次数x3_i、跌倒的次数x4_i及使用自助购物机自助购物的次数x5_i。其中i为时间变量，也即x2_i、x3_i、x4_i与x5_i均为时间序列。以统计预定时间从2018年1月1日至2018年12月31日，预设间隔为24小时为例，房间清理次数x2＝[x2_20180101,x2_20180102,x2_20180102,x2_20180103,…,x2_20181230,x2_20181231]。突发疾病次数x3、跌倒次数x4及自助购物次数x5以此为例，在此不再赘述。

在步骤s306中，将第一次数作为训练集，对长短期记忆网络进行训练，以获得事件预测模型。

通过上述步骤，统计并确定出各养老事件在预设间隔内发生的上述第一次数后，将第一次数作为训练集，对长短期记忆网络进行训练，以获得事件预测模型。

仍以上述预定时间为一年(12个月)，预设间隔为一天(24小时)，养老事件分别为房间清理、突发疾病、跌倒、自助购物为例，以日期x1_i，即x1＝[20180101,20180102,20180103,…,20181230,20181231]。结合通过上述步骤确定出的各第一次数，构建基于时间的矩阵x＝[x1,x2,x3,x4,x5]，具体地，

之后，将构建的该矩阵x作为训练集，输入lstm网络中进行训练，以获得事件预测模型。

在模型训练时，例如可以将x[0]作为模型输入，将时间步长设置为1，将x[1:5]作为模型输出，对模型进行训练，以得到上述的事件预测模型。在使用事件预测模型进行预测时，将预测时间输入模型，则可计算得到该日期下各变量的预测值。

在一些实施例中，各个区块链节点可以将上述的养老事件的数据的相关信息上传到区块链网络中进行存储。之后，可以由该区块链网络中的一个高权限节点的后台服务器来获取区块链网络中所有节点的养老事件的数据的相关信息，以进行模型训练，从而获得上述的事件预测模型。此外，经模型训练所获得的该事件预测模型也可以被上传至区块链网络的节点中进行存储。存储该事件预测模型的区块链节点与存储上述养老事件的数据的相关信息的区块链节点可以是相同的，也可以是不同的。该区块链网络中各区块链节点均可以从区块链网络中下载该事件预测模型，从而进行下述的养老事件的数据的预测。

在步骤s308中，以待预测日期作为上述事件预测模型的输入，预测该待预测日期内养老事件的发生次数。

以待预测日期作为上述事件预测模型的输入，来预测该待预测日期内各养老事件的发生次数。

根据本发明实施方式的事件预测方法，例如可以利用基于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，对大量的养老事件的案例信息进行存储。并基于这些存储的养老事件的案件信息，确定事件预测模型，从而可根据该预测系统对诸如养老社区等机构老人的养老事件(如生活习惯、规律、疾病、突发事件、需求)的发生次数等进行合理预测，以用于人工智能无人服务中心等智能管理系统对老人的需求提出预案(如物资、人员的应急储备)及对可能发生的突发事件进行动态预警。

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。

与图3所示的方法30的不同之处在于，图4所示的事件预测方法40，在训练出事件预测模型之后，还可对事件预测模型进一步地进行验证优化，获取模型参数的最优解。

参考图4，事件预测方法40还可以进一步包括：

在步骤s402中，获取在第二预定时间内发生的养老事件的数据。

例如可以从已构建的区块链网络中获取在第二预定时间内发生的养老事件的数据。

同样地，该第二预定时间也可以为一年、一个月等。

例如，以上述第一预定时间与第二预定时间均为一年为例，可以获取连续两年的养老事件的数据，并将其中的第一年数据作为上述训练集，将第二年的数据作为下述的验证集等。

同样地，本领域技术人员应理解的是，获取的大量养老事件的数据可以是某一节点(某一养老社区)内老人在该第二预定时间内发生的养老事件的数据，也可以为多个节点内老人在该第二预定时间内发生的养老事件的数据的均值等，本发明不以此为限。但需要说明的是，当在上述方法30中获取的第一预定时间内的养老事件的数据是某一节点内老人的养老事件的数据时，在本方法中获取的第二预定时间内的养老事件的数据也应为该节点内老人的养老事件的数据。而如果在上述方法30中获取的第一预定时间内的养老事件的数据是多个节点内老人的养老事件的数据的均值，则在本方法中获取的第二预定时间内的养老事件的数据也应该为该多个节点内老人的养老事件的数据的均值。

在步骤s404中，根据在第二预定时间内发生的养老事件的数据，分别确定出第二预定时间内每预设间隔发生养老事件的第二次数。

该预设间隔与上述方法30中的预设间隔的设置相同。

仍以第二预定时间为一年，预设间隔为每天，养老事件包括房间清理、突发疾病、跌倒、自助购物为例，分别统计出的第二次数包括：老人们每天需要房间清理的次数x2’_i、突发疾病(如心脑血管疾病、中风等老年人常发疾病)的次数x3’_i、跌倒的次数x4’_i及使用自助购物机自助购物的次数x5’_i。其中i为时间变量，也即x2’_i、x3’_i、x4’_i与x5’_i均为时间序列。各第二次数x2’、x3’、x4’及x5’的统计与上述方法30中相同，在此不再赘述。

在步骤s406中，将第二次数作为验证集，通过损失函数对事件预测模型中的模型参数进行迭代处理。

损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计。

在步骤s408中，每次迭代更新后，计算当前事件预测模型在验证集上的损失函数的值。

在步骤s410中，根据损失函数的值绘制损失函数曲线。

在步骤s412中，当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事件预测模型的模型参数，以优化事件预测模型。

当损失函数曲线收敛时，可得到事件预测模型模型参数的最优解，从而确定出最优的事件预测模型中的预测模型。

根据本发明实施方式提供的事件预测方法，进一步对训练出的预测模型进行验证，获取模型参数的最优解。

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。

与图3所示的方法30或图4所示的方法40不同之处在于，在上述将事件的数据存储在区块链网络中的实施例中，图5所示的方法50在对模型训练以得到事件预测模型之前，进一步提供了区块链网络的构建方法，包括：

在步骤s502，以养老机构为节点，构建该区块链网络。

上述养老机构例如可以为社会中的各养老营业机构，或者也可以为一个或多个集团公司下属的养老机构。

在实际应用中，该养老机构以该区块链网络的实际参与者范围来界定，即以实际在该区块链网络系统中注册的成员来界定，本发明不以此为限。

在步骤s504中，以预设的数据存储结构存储上述的养老事件的相关信息。

上述的养老事件的相关信息具体例如可以包括：在区块链网络中注册的养老机构上传的相关养老社区人工智能无人服务中心运营及维护经验共享和管理案例信息、自助入住登记导航智能机器人突发情况案例信息、老年人常见生活问题及案例信息(房间清理、突发事件等)、老年人摔倒及防护案例信息、老年人出行及实时通信交互案例信息(视频、音频、子女对话等)、老年人常用物品自助购买机案例信息等。此外也可以将证明相关材料的音频、视频、图像等上传至区块链网络中。

对于上述的养老事件的相关信息，可根据预设的数据存储结构、信息存储方式和协议等来存储，以保证信息存储和信息处理的高效性。

表1是根据一示例示出的一个养老事件案例在区块链网络中的数据存储结构的示例。

表1

表2是根据一示例示出的事件预测模型在区块链网络中的数据存储结构的示例。

表2

需要说明的是，表1与表2仅作为示例而非限制本发明。

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。在图6所示的方法60中，事件以住院事件为例进行说明。

如图6所示，方法60包括：

在步骤s602中，获取在第一预定时间内每预设间隔发生的住院事件的数据。

如上述，例如可以基于区块链技术，对从其不同节点上传的大量住院事件的数据进行存储。其中，住院事件的数据例如可以包括：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。

该第一预定时间例如可以为一年、一个月等。在实际应用中，可根据实际需求而设定，本发明不以此为限。

本领域技术人员应理解的是，获取的大量住院事件的数据可以是某一节点(某一医院机构)内病人在该第一预定时间内的住院事件的数据，也可以为多个节点内病人在该第一预定时间内的住院事件的数据的均值等，本发明不以此为限。

在步骤s604中，将住院事件的数据作为训练集，对长短期记忆网络进行训练，以获得事件预测模型。

将通过上述步骤获取的住院事件的数据作为训练集，对长短期记忆网络进行训练，以获得事件预测模型。

以第一预定时间为一年(12个月)，每预设间隔为一天(24小时)，住院事件的数据分别为病房入住率x2_i、各科室住院人数x3_i、重大疾病分布率x4_i、手术台数x5_i及稀缺药品使用量x6_i为例。其中i为时间变量，也即x2_i、x3_i、x4_i、x5_i及x6_i均为时间序列。以第一预定时间从2018年1月1日至2018年12月31日，预设间隔为24小时为例，病房入住率x2＝[x2_20180101,x2_20180102,x2_20180102,x2_20180103,…,x2_20181230,x2_20181231]。各科室住院人数x3、重大疾病分布率x4、手术台数x5及稀缺药品使用量x6以此为例，在此不再赘述。

设置日期为x1_i，即x1＝[20180101,20180102,20180103,…,20181230,20181231]，结合上述的病房入住率x2、各科室住院人数x3、重大疾病分布率x4、手术台数x5及稀缺药品使用量x6构建基于时间序列矩阵x＝[x1,x2,x3,x4,x5,x6]，具体地，

之后，将构建的矩阵x作为训练集，输入lstm网络中进行训练，以获得事件预测模型。

在模型训练时，可以将x[t-1]为模型输入，x[t]为模型输出，时间步长例如设置为1，对模型进行训练，以得到上述的事件预测模型。其中t为时间单位，与上述的预设间隔相关，如果上述的预设间隔为一天，则此处t也已一天为单位。在使用事件预测模型进行预测时，以预测日前一日的各变量值为模型输入，预测系统的模型输出即为该预测日住院病人病床入住率、重大疾病分布、手术台数及稀缺药品使用量等的预测值。

在一些实施例中，各个区块链节点可以将上述的住院事件的相关信息上传到区块链网络中进行存储。之后，可以由该区块链网络中的一个高权限节点的后台服务器来获取区块链网络中所有节点的住院事件的相关信息，以进行模型训练，从而获得上述的事件预测模型。此外，经模型训练所获得的该事件预测模型也可以被上传至区块链网络的节点中进行存储。存储该事件预测模型的区块链节点与存储上述住院事件的相关信息的区块链节点可以是相同的，也可以是不同的。该区块链网络中各区块链节点均可以从区块链网络中下载该事件预测模型，从而进行下述的住院事件的数据预测。

在步骤s606中，以待预测日期的前一日发生的住院事件的数据作为事件预测模型的输入，预测该待预测日期内待发生的住院事件。

以待预测日期的前一日的住院事件的数据(如上述的病房入住率、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等)，来预测该待预测日期的住院事件，如该待预测日期的住院事件的相关数据。

根据本发明实施方式的事件预测方法，例如可以利用基于区块链技术存储的信息所具有的非常好的隐私保护效果极其具有的公开透明、可追溯及不易篡改等特点，对大量的住院事件的数据进行存储。并基于这些住院事件的数据，确定事件预测模型，从而可根据该预测系统对医疗机构的住院事件进行预测(如住院病人病床入住率、重大疾病分布、手术台数及稀缺药品使用量等)进行合理预测，以使得医疗机构可以根据模型预测出的数据，提前进行相应的规划调度，如对医院的床位进行部署，调度相关专家及医务人员准备会诊或手术，同时根据药品的使用情况及时进行补充等。

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。

与图6所示的方法60的不同之处在于，图7所示的事件预测方法70，在训练出事件预测模型之后，还可以对事件预测模型进一步地进行验证优化，以获取模型参数的最优解。

参考图7，事件预测方法70还可以进一步包括：

在步骤s702中，获取在第二预定时间内每预设间隔发生的住院事件的数据。

例如可以从已构建的区块链网络中获取在第二预定时间内每预设间隔发生的住院事件的数据。

同样地，该第二预定时间也可以为一年、一个月等。

例如，以上述第一预定时间与第二预定时间均为一年为例，可以获取连续两年的住院事件的数据，并将其中第一年的数据作为上述训练集，将第二年的数据作为下述的验证集等。

同样地，本领域技术人员应理解的是，获取的大量住院事件的数据可以是某一节点(某一医院机构)内病人在该第二预定时间内的住院事件的数据，也可以为多个节点内病人在该第二预定时间内的住院事件的数据的均值等，本发明不以此为限。但需要说明的是，当在上述方法60中获取的第一预定时间内的住院事件的数据是某一节点内的住院事件的数据时，在本方法70中获取的第二预定时间内的住院事件的数据以应为该节点的住院事件的数据。

该预设间隔与上述方法60中的预设间隔的设置相同。

仍以第二预定时间为一年，预设间隔为每天，住院事件的数据分别为病房入住率x2’_i、各科室住院人数x3’_i、重大疾病分布率x4’_i、手术台数x5’_i及稀缺药品使用量x6’_i为例。同样地，其中为时间变量，也即x2’_i、x3’_i、x4’_i、x5’_i及x6’_i均为时间序列。各数据x2’、x3’、x4’、x5’及x6’的统计与上述方法60相同，在此不再赘述。

在步骤s704中，将在第二预定时间内每预设间隔的住院事件的数据作为验证集，通过损失函数对事件预测模型中的模型参数进行迭代处理。

损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计。

在步骤s706中，每次迭代更新后，计算当前事件预测模型在验证集上的损失函数的值。

在步骤s708中，根据损失函数的值绘制损失函数曲线。

在步骤s710中，当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事件预测模型的模型参数，以优化事件预测模型。

当损失函数曲线收敛时，可得到事件预测模型模型参数的最优解，从而确定出最优的事件预测模型中的预测模型。

根据本发明实施方式提供的智能事件预测方法，可进一步对事件预测模型中的预测模型进行验证，获取模型参数的最优解。

图8是根据一示例性实施方式示出的再一种智能事件预测方法的流程图。

与图6所示的方法60或图7所示的方法70不同之处在于，在上述将事件的数据存储在区块链网络中的实施例中，图8所示的方法80在对模型训练以得到事件预测模型之前，进一步提供了区块链网络的构建方法，包括：

在步骤s802中，以医疗机构为节点，构建该区块链网络。

上述医疗机构例如可以为社会中的各医疗营业机构，或者也可以为一个或多个集团公司下属的养老机构。

在实际应用中，该医疗机构以该区块链网络的实际参与者范围来界定，即以实际在该区块链网络系统中注册的成员来界定，本发明不以此为限。

在步骤s804中，以预设的数据存储结构存储上述的住院事件的数据。

上述的住院事件的数据例如可以包括：在区块链网络中注册的医疗机构上传的病人住院情况信息共享和管理案例、病床入住率、住院病人科室情况分布(内科、外壳、神经外科、消化科、耳鼻喉、科传染病科等)、住院病人评价入住天数、住院病人的重大疾病情况分布(癌症、心血管病、老年痴呆症等)、住院病人需要手术的情况分布(多长时间排队等待等)、住院病人用药情况分布(稀缺药品等)等医院病人住院情况信息和管理信息。此外，还可以将证明相关材料的音频、视频、图像等上传至区块链网络中。

对于上述的住院事件的数据，可根据预设的数据存储结构、信息存储方式和协议等来存储，以保证信息存储和信息处理的高效性。

表3是根据一示例示出的一个门诊病人住院情况信息和管理信息存储结构的示例。

表3

表4是根据一示例示出的另一事件预测模型在区块链网络中的数据存储结构的示例。

表4

需要说明的是，表3与表4仅作为示例而非限制本发明。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由cpu执行的计算机程序。在该计算机程序被cpu执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

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。

参考图9，事件预测装置90包括：数据获取模块902、训练集确定模块904、系统训练模块906及事件预测模块908。

其中，数据获取模块902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904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906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。

事件预测模块908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事件进行预测。

在一些实施例中，装置90还包括：第二数据获取模块、验证集确定模块、迭代处理模块、函数值计算模块、曲线绘制模块及系统优化模块。其中，第二数据获取模块用于获取在第二预定时间内发生的所述事件的数据。验证集确定模块用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。迭代处理模块用于基于所述验证集，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。函数值计算模块用于迭代处理模块每次迭代更新后，计算当前事件预测模型在所述验证集上的损失函数的值。曲线绘制模块用于根据所述损失函数的值绘制损失函数曲线。系统优化模块用于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。

在一些实施例中，所述事件包括：养老事件；训练集确定模块904包括：第一次数确定单元及训练集确定单元。其中，第一次数确定单元用于根据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。训练集确定单元用于将所述第一次数作为所述训练集。

在一些实施例中，所述事件包括：养老事件；系统训练模块906包括：矩阵构建单元及训练集确定单元。其中，矩阵构建单元用于根据所述第一次数构建基于时间的矩阵。训练集确定单元用于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。

在一些实施例中，所述事件包括：养老事件；验证集确定模块包括：第二次数确定单元及验证集确定单元。其中，第二次数确定单元用于根据所述第二预定时间内发生的养老事件的数据，分别确定出所述第二预定时间内每所述预设间隔发生的所述养老事件的第二次数。验证集确定单元用于将所述第二次数作为验证集。

在一些实施例中，所述事件包括：养老事件；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。

在一些实施例中，所述事件包括：住院事件；训练集确定模块904包括：训练集确定单元。其中，训练集确定单元用于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。

在一些实施例中，所述事件包括：住院事件；系统训练模块906包括：矩阵构建单元及训练集确定单元。其中，矩阵构建单元用于根据所述住院事件的数据构建基于时间的矩阵。训练集确定单元用于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。

在一些实施例中，所述事件包括：住院事件；验证集确定模块包括：验证集确定单元。其中验证集确定单元用于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。

在一些实施例中，所述事件包括：住院事件；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。

在一些实施例中，数据获取模块902用于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事件的数据。

根据本发明的事件预测装置，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。

需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

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。需要说明的是，图10示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备800以通用计算机设备的形式表现。电子设备800的组件包括：至少一个中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序代码或者从至少一个存储单元808加载到随机访问存储器(ram)803中的程序代码而执行各种适当的动作和处理。

特别地，根据本发明的实施例，所述程序代码可以被中央处理单元801执行，使得中央处理单元801执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，中央处理单元801可以执行如图1～图8中所示的步骤。

在ram803中，还存储有电子设备800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

以下部件连接至i/o接口805：包括键盘、鼠标等的输入单元806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出单元807；包括硬盘等的存储单元808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信单元809。通信单元809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储单元808。

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。

参考图11所示，描述了根据本发明的实施方式的设置为实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如图1～图8中所示的功能。

以上具体地示出和描述了本发明的示例性实施方式。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。