【技术实现步骤摘要】
本专利技术涉及大数据资源，具体为一种基于lstm的医院医保外自费收入分账方法。
技术介绍
1、近年来，为方便群众就医，提升群众就医体验，各大医院纷纷开通了手机移动结算的缴费方式，医院为实现线上结算，通常会申请医院官方微信支付宝商户，并在每个商户号中配置一个银行账户，用于存放群众线上支付的医疗费用。
2、随着医院智慧服务水平越来越高，群众通过手机进行挂号、缴费等线上结算比例也越来越高，但由于提供线上智慧医疗服务的微信支付宝商户只能配置一个银行账户，导致医院存入某一家银行的资金过多，存入其它银行资金过少的情况发生，为平衡医院在各银行的存款，医院通常要进行线下流程审批、银行间大额转账等操作，过程十分不便，影响了分账效率，故提出一种基于lstm的医院医保外自费收入分账方法以解决上述问题。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于lstm的医院医保外自费收入分账方法，具备高效分账等优点，解决了分账效率低的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于lstm的医院医保外自费收入分账方法，包括以下具体步骤：
3、s1：构建lstm模型，基于医保外自费收入金额数据库中的归一化后的特征信息和归一化后的历史存入到第个银行的实际比例，构建预测特征向量，将预测特征向量输入至lstm模型中进行训练，输出未来存入到第个银行的预测比例；
4、s1.1：获取医保外自费收入金额数据库中的特征信息和历史存入到第个银行的实际比例，
5、
6、
7、式中，为最大特征信息，为最小特征信息，为归一化后特征信息，为最大的历史存入到第个银行实际比例，为最小历史存入到第个银行的实际比例，为归一化后历史存入到第个银行的实际比例；
8、s1.2：基于归一化后的特征信息和归一化后的历史存入到第个银行的实际比例，构建预测特征向量；
9、s1.3：构建lstm模型，lstm模型包括遗忘门、输入门和输出门，计算表达式为：
10、
11、
12、
13、
14、
15、
16、式中，为遗忘门的输入，为sigmoid激活函数，为遗忘门的权重矩阵，为遗忘门的偏置项，为输入门的输入，为候选单元状态，为输入门的权重矩阵，为候选单元状态的权重矩阵，为输入门的偏置项，为候选单元状态的偏置项，为双曲正切激活函数，为当前时间步的单元状态，为输出门的输入，为当前时间步的隐藏状态，为输出门的权重矩阵，为输出门的偏置项；
17、s1.4：将预测特征向量分为训练集、验证集和测试集，通过最小化预测比例与实际比例之间的损失函数来训练lstm模型，使用梯度下降法更新lstm模型的参数，计算表达式为：
18、
19、
20、式中，为损失函数，为训练样本的数量，为银行的数量，为正整数，为学习率，为损失函数的关于参数的梯度；
21、s1.5：使用交叉熵损失作为评估指标评估lstm模型的性能，计算表达式为：
22、
23、式中，为损失函数，为第个样本对于第个类别的真实标签，0为不属于该类，1为属于该类，为预测的个样本属于第个类别的概率，满足；
24、s2：判断未来存入到第个银行的预测比例是否符合当天分配情况，是，则进入s3，否，则进入s4；
25、s2.1：获取lstm模型未来存入到第个银行的预测比例，构建预测比例向量，满足；
26、s2.2：获取当天存入到第个银行的实际比例，构建实际比例向量，满足；
27、s2.3：逐一计算预测比例向量和实际比例向量的差值绝对值，将个差值绝对值相加，得到总差值，判断总差值是否大于第一阈值，是，则进入s3，否，则进入s2.4，计算表达式为：
28、
29、
30、
31、
32、式中，为k个总差值的平均值，为补偿系数；
33、s2.4：将最大差值绝对值和最小差值绝对值相减，得到最大差值，判断最大差值是否大于第二阈值，是，则进入s3，否，则进入s2.5，计算表达式为：
34、
35、
36、
37、式中，为n个最大差值的平均值，为补偿系数；
38、s2.5：将总差值除以总差值的数量，得到平均差值，判断平均差值是否大于第三阈值，是，则进入s3，否，则进入s4，计算表达式为：
39、
40、
41、
42、式中，为个总差值的平均值，为补偿系数；
43、s3：根据历史存入到第个银行的预测比例将当天医保外自费收入金额存入到第个银行，将未来存入到第个银行的预测比例存入到医保外自费收入金额数据库中；
44、s4：构建多项式回归模型，将历史存入到第个银行的预测比例输入至多项式回归模型中进行训练，输出调整后未来存入到第个银行的预测比例，根据调整后未来存入到第个银行的预测比例将当天医保外自费收入金额存入到第个银行，将调整后未来存入到第个银行的预测比例存入到医保外自费收入金额数据库中；
45、s4.1：获取预测比例向量和实际比例向量，划分为训练集和测试集；
46、s4.2：对第个银行构建多项式回归模型，计算表达式为：
47、
48、式中，为调整后未来存入到第个银行的预测比例，为第个医院规模，为第个医院第季度的影响因子，为误差项；
49、s4.2.1.1：获取去年第个医院门诊量、去年第个医院手术量和去年第个医院床位量；
50、s4.2.1.2：构建第个医院规模模型，计算表达式为：
51、
52、式中，为截距项，为第个医院门诊量的回归系数，为第个医院手术量的回归系数，第个医院床位量的回归系数，为误差项；
53、s4.2.1.3：构建设计矩阵，计算表达式为：
54、
55、式中，为设计矩阵，为医院规模；
56、s4.2.1.4：计算回归系数，计算表达式为：
57、
58、式中，为的转置矩阵，为的逆矩阵；
59、s4.2.2.1：获取去年第个医院第季度的医保外自费收入金额和去年第个医院整年的医保外自费收入金额；
60、s4.2.2.2：构建第个医院第季度的影响因子模型，计算表达式为：
61、
62、式中，为第个医院第季度实际比例，为第个医院第季度的预测比例，∈；
63、s4.3：使用均方误差对多项式回归模型进行评估，计算表达式为：
64、
65、s4.4：将输出后的调整比例向量分为e个子集，每个子集轮流作为测试集，其余e-1个子集作为训练集，本文档来自技高网...
【技术保护点】
1.一种基于LSTM的医院医保外自费收入分账方法，其特征在于，包括以下具体步骤：
2.如权利要求1所述的一种基于LSTM的医院医保外自费收入分账方法，其特征在于，步骤S1所述构建LSTM模型，基于医保外自费收入金额数据库中的归一化后的特征信息和归一化后的历史存入到第个银行的实际比例，构建预测特征向量，将预测特征向量输入至LSTM模型中进行训练，输出未来存入到第个银行的预测比例，包括以下子步骤：
3.如权利要求1所述的一种基于LSTM的医院医保外自费收入分账方法，其特征在于，步骤S2所述判断未来存入到第个银行的预测比例是否符合当天分配情况，是，则进入S3，否，则进入S4，包括以下子步骤：
4.如权利要求1所述的一种基于LSTM的医院医保外自费收入分账方法，其特征在于，步骤S4所述构建多项式回归模型，将历史存入到第个银行的预测比例输入至多项式回归模型中进行训练，输出调整后未来存入到第个银行的预测比例，根据调整后未来存入到第个银行的预测比例将当天医保外自费收入金额存入到第个银行，包括以下子步骤：
5.如权利要求4所述的一种基于LSTM的医
6.如权利要求4所述的一种基于LSTM的医院医保外自费收入分账方法，其特征在于，步骤4.2所述第个医院第季度的影响因子的计算方法为：
...【技术特征摘要】
1.一种基于lstm的医院医保外自费收入分账方法，其特征在于，包括以下具体步骤：
2.如权利要求1所述的一种基于lstm的医院医保外自费收入分账方法，其特征在于，步骤s1所述构建lstm模型，基于医保外自费收入金额数据库中的归一化后的特征信息和归一化后的历史存入到第个银行的实际比例，构建预测特征向量，将预测特征向量输入至lstm模型中进行训练，输出未来存入到第个银行的预测比例，包括以下子步骤：
3.如权利要求1所述的一种基于lstm的医院医保外自费收入分账方法，其特征在于，步骤s2所述判断未来存入到第个银行的预测比例是否符合当天分配情况，是，则进入s3，否，则进入s4，包括以下子...
【专利技术属性】
技术研发人员：尚文超，陈晓勇，
申请(专利权)人：湖北蚂蚁云服信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。