1.基于全记忆事件序列挖掘模型的用药分析方法，其特征在于，具体步骤为：
（1）首先，对患者历史用药数据进行预处理，即采集用药事件序列的原始数据，将原始用药数据转换成用药事件发生序列；然后，对用药事件序列数据进行处理，将序列中的每个事件都用一个或多个类别型的变量进行表示；
（2）对于已经处理好的类别型变量表示的事件序列，设置一个特定的记忆长度阈值，选择高于该阈值的序列用于构造训练数据集；
（3）采用基于全记忆事件序列方法构建训练预测模型；
（4）对于新的用药事件序列，输入预测模型实现对未来时间节点的用药事件进行预测。
2.如权利要求1所述的基于全记忆时间序列挖掘模型的用药分析方法，其特征在于，步骤（1）中的患者历史用药数据的事件序列的转化表示方法，该步骤将患者历史用药记录表示为事件，每个事件用一个或多个类别型变量表示。
3.如权利要求1所述的基于全记忆时间序列挖掘模型的用药分析方法，其特征在于，步骤（2）中将患者用药的历史事件作为记忆序列，形成记忆特征表示。
4.如权利要求1所述的基于全记忆时间序列挖掘模型的用药分析方法，其特征在于，步骤（4）把要新的用药事件序列作为训练好的预测模型的输入，使用模型输出预测结果。
5.如权利要求1所述的基于全记忆时间序列挖掘模型的用药分析方法，其特征在于，步骤（2）中所述构造训练数据集方法的具体步骤为：
（1）设置一个特定的记忆长度阈值M，高于这个阈值的序列才用于构造训练数据集合；
（2）对于每个事件序列，从第M+1个事件节点开始设置预测节点，采集训练集；预测节点的每个类别变量作为模型的输出，当前节点之前的所有节点作为模型的输入；预测节点不断向右移动，每移动一个时间节点就形成一个或多个新的训练数据。
6.如权利要求5所述的基于全记忆时间序列挖掘模型的用药分析方法，其特征在于，步骤（3）中所述构建训练模型方法的具体步骤为：
（1）设置一个最大记忆数量T，使用的记忆数量不能超过这个数量，通常设置大于数据中大部分序列的长度；
（2）初始化变换矩阵A，把预测事件的前一个事件投影到多维连续空间中的向量，并求和形成一个向量q；
（3）初次化变换矩阵B、C，把预测事件之前的所有事件分别投影到多维连续空间中的多个向量，这些称为记忆向量，表示预测事件的所有记忆；
（4）使用向量q和经过B投影矩阵变换后的向量做内积，形成权重向量，再使用这些权重向量和经过C投影矩阵变换后的记忆向量加权求和，形成最终的一个记忆向量表示m；
（5）向量m和向量q相加，作为预测分类器的输入，并使用一个变换矩阵W，投影到原始的离散事件空间，再使用softmax函数，得到下一个预测事件的每一项的概率；
（6）使用交叉熵损失函数作为目标函数，使用梯度下降的方法求参数，即求得参数A、B、C和W。