医保基金支出的预测方法、装置、设备及存储介质

摘要

本发明实施例公开一种医保基金支出的预测方法、装置、设备及存储介质。该方法包括：获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据；根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，并且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据；将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出，其可以准确预测医保待遇调整后的医保基金支出。

说明书

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种医保基金支出的预测方法、装置、设备及存储介质。

背景技术

社会医疗保险(以下简称为“医保”)是我国通过国家立法，强制公民缴费参与，补偿被保险人因疾病、负伤、残废等原因造成医疗费用损失的一种制度安排。为了提高全民医疗保障水平，医保基金管理部门需要持续进行医保待遇的调整，这势必会影响到医保基金支出的变化。

为了保证医保基金收支平衡，且保障医保基金稳定可持续运行，医保基金管理部门对医保待遇调整后的医保基金支出进行预测是非常有必要的。但是，目前暂未存在能够准确预测医保待遇调整后的医保基金支出的技术方案，这是亟待解决的技术问题。

发明内容

本发明实施例提供一种医保基金支出的预测方法、装置、设备及存储介质，以实现医保待遇调整后的医保基金支出的准确预测的效果。

第一方面，本发明实施例提供了一种医保基金支出的预测方法，可以包括：

获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据；

根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，并且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据；

将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出。

可选的，根据第二时间序列数据对第一时间序列数据进行降维，可以包括：

根据第二时间序列数据得到基于季节性变化生成的季节特征序列数据，并基于季节特征序列数据对第一时间序列数据进行降维。

在此基础，可选的，基于季节特征序列数据对第一时间序列数据进行降维，可以包括：

针对于第一时间序列数据中的每个待降维数据，从季节特征序列数据中确定与待降维数据对应的季节特征数据；

从待降维数据中减去季节特征数据，得到已降维数据；

相应的，得到基于医保待遇调整生成的待遇特征序列数据，可以包括：

将每个待降维数据分别对应的已降维数据构成的序列数据，作为基于医保待遇调整生成的待遇特征序列数据。

可选的，将待遇特征序列数据和第四时间序列数据进行融合，可以包括：

将待遇特征序列数据叠加在第四时间序列数据上。

在此基础上，可选的，将待遇特征序列数据叠加在第四时间序列数据上，可以包括：

针对于第四时间序列数据中的每个待叠加数据，从待遇特征序列数据中确定与待叠加数据对应的待遇特征数据；

将待遇特征数据叠加在待叠加数据上，得到已叠加数据；

相应的，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出，可以包括：

根据各待叠加数据分别对应的已叠加数据构成的序列数据，得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。

可选的，获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据，可以包括：

获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的支出明细，其中支出明细包括支出时间和支出时间下的支出费用；

根据预先设置的时间间隔对支出明细中与时间间隔对应的各支出时间下的支出费用进行汇总，得到第一时间序列数据。

在此基础上，可选的，第一时间序列数据包括自变量是支出时间且因变量是支出费用的序列数据。

第二方面，本发明实施例还提供了一种医保基金支出的预测装置，可包括：

时间序列数据获取模块，用于获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据；

时间序列数据处理模块，用于根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据；

医保基金支出预测模块，用于将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。

第三方面，本发明实施例还提供了一种医保基金支出的预测设备，可包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的医保基金支出的预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的医保基金支出的预测方法。

本发明实施例的技术方案，通过获取到的已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整前的第二时间序列数据对第一对象的医保基金支出在医保待遇调整后的第一时间序列数据进行降维，可以得到可呈现出因为医保待遇调整而对第一对象的医保基金支出产生影响的待遇特征序列数据，且通过获取到的拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据可以预测出第二对象在预设时间段内的未进行医保待遇调整时的医保基金支出的第四时间序列数据；进而将该待遇特征序列数据和该第四时间序列数据进行融合，可以得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。上述技术方案，通过将从已实施医保待遇调整的第一对象的时间序列数据中提取出的因为医保待遇调整而产生的待遇特征序列数据融合到拟实施该医保待遇调整的第二对象的未进行医保待遇调整时的医保基金支出的预测结果上，由此得到了第二对象的医保待遇调整后的医保基金支出，实现了医保待遇调整后的医保基金支出的准确预测的效果。

附图说明

图1是本发明实施例一中的一种医保基金支出的预测方法的流程图；

图2是本发明实施例二中的一种医保基金支出的预测方法的流程图；

图3是本发明实施例三中的一种医保基金支出的预测方法的流程图；

图4是本发明实施例四中的一种医保基金支出的预测方法的流程图；

图5是本发明实施例五中的一种医保基金支出的预测装置的结构框图；

图6是本发明实施例六中的一种医保基金支出的预测设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在介绍本发明实施例之前，先对本发明实施例的应用场景进行示例性说明：目前主要采用统计学方法进行医保基金支出的预测，具体的，统计医疗项目的历史用量和费用情况，并结合疾病发生率和工资增长率，对医保待遇调整后的医保基金支出、或说医保基金支出的变化趋势进行推测。但是，上述方法存在如下缺陷：需要人工进行大量数据统计，并且预测结果完全基于统计学推测，成本较高和准确率较低。

实施例一

图1是本发明实施例一中提供的一种医保基金支出的预测方法的流程图。本实施例可适用于对医保待遇调整后的医保基金支出进行预测的情况。该方法可以由本发明实施例提供的医保基金支出的预测装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成医保基金支出的预测设备上，该设备可以是在各种用户终端或服务器。

参见图1，本发明实施例的方法具体包括如下步骤：

S110、获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据。

其中，第一对象可以是已实施医保待遇调整的对象，比如已实施医保待遇调整的地区、某个地区下的医院等等。医保待遇的调整方式有多种，比如将某不在医保报销范围内的药品纳入医保报销范围、降低医保报销范围内的某药品的价格等等。第二对象可以是准备实施但是还未实施与该第一对象的医保待遇的调整方式相同的对象。在实际应用中，可选的，第一对象和第二对象可以是同一级别上的对象，比如第一对象是一个地区，则第二对象也可以是一个地区；再比如第一对象是某地区下的三级医院，则第二对象也可以是某地区下的三级医院；等等，在此未做具体限定。这样设置的好处在于，同一医保待遇的调整方式对不同级别的对象的影响可能存在差异，比如某种药品在三级医院的应用频率更高且在二级医院和一级医院的应用频率较低，因此，上述设置可以提高后续的医保基支出预测的准确性。

当某对象的医保待遇出现调整后，该对象的医保基金支出可能因为本次的医保待遇调整而出现变化。因此，针对已实施医保待遇调整的第一对象，可以分别获取其医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据；类似的，针对拟实施医保待遇调整的第二对象，由于其还未进行医保待遇调整，那么获取到的其医保基金支出的第三时间序列数据即为在待遇调整前的医保基金支出的第三时间序列数据。在实际应用中，可选的，上述第一时间序列数据和第三时间序列数据可以是在同一时间段下的时间序列数据，比如前者可以是第一对象在2019-2020年期间的医保基金支出的时间序列数据，且后者可以是第二对象在2019-2020年期间的医保基金支出的时间序列数据。当然，二者也可以是在不同时间段下的时间序列数据，在此未做具体限定。需要说明的是，上述时间序列数据可以是不同时间下依次获取到的医保基金支出构成的一系列预设时间间隔下的序列数据，以上述例子为例，以天为预设时间间隔，那么上述时间序列数据可以是由365个数据构成的序列数据，每个数据可以是与其对应的那天的医保基金支出的总数。

S120、根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，并且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据。

其中，根据时间序列数据可以得到由其中的各个数据构成的曲线，该曲线可能具有趋势性、季节性、周期性等等特点。在医保基金支出领域，时间序列数据是不具备周期性的，但是其可能具有季节性和趋势性。具体的，每个月的医保基金支出可能存在差异性，比如年初和年底的医保基金支出比较多、并且3月份和9月份因为受到流行病的影响而导致医保基金支出也比较多，由此呈现出了具有季节性的医保基金支出的曲线。另外，趋势性可以是因为医保待遇调整而带来的医保基金支出的变化趋势，比如将某种不在医保报销范围的药品归纳到医保报销范围后，医保基金支出可能会呈现出增长式的趋势变化。

由此可知，第一时间序列数据因为是医保待遇调整后的时间序列数据，其可能具有季节性和趋势性，而第二时间序列数据因为是医保待遇调整前的时间序列数据，其可能具有季节性而不具有趋势性，那么可以基于第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，即从第一时间序列数据的每个数据中分别剔除出与季节性有关的部分，由此可以得到与趋势性有关的部分，该与趋势性有关的部分可以称为待遇特征序列数据，其可以表示出因为医保待遇调整而对医保基金支出所造成的影响。在实际应用中，可选的，降维结果(即待遇特征序列数据)可以构成一条近似于直线的曲线，该条曲线的自变量可以是时间并且因变量可以是因为医保待遇调整带来的医保基金支出的变化，其可以表示出在医保待遇调整后，医保基金支出随着调整后的医保待遇的执行时间的增加而存在什么样的变化趋势。

需要说明的是，上文阐述中仅仅是以季节性为例对降维过程进行解释，在实际应用中，可选的，可能会存在很多因素导致医保基金支出发生变化，这些因素中除了医保待遇调整之外的其余因素带来的医保基金支出的变化均是需要从第一序列数据中进行剔除的噪声，以便于得到仅是基于医保待遇调整生成的待遇特征序列数据。上述降维过程可以是基于人工智能技术中的时间序列特征提取算法实现，该时间序列特征提取算法可以是基于神经网络的AutoEncoder模型，其通过采用无监督学习的方式对高维度数据进行高效的特征提取和特征表示；当然，该时间序列特征提取算法还可以是其余的能够实现对高维度数据进行特征提取和特征表示的算法，在此未做具体限定。

在对第一时间序列数据进行降维时，还可以根据第三时间序列数据对第一对象在预设时间段内的医保基金支出的第四时间序列数据进行预测，其中预设时间段可以是还未发生的未来的某个时间段，由于第三时间序列数据是未进行医保待遇调整时的时间序列数据，那么由此预测出的预设时间段内的第四时间序列数据可以是还未发生且还未进行医保待遇调整的医保基金支出构成的时间序列数据。上述预测过程可以通过人工智能技术中的时间序列预测算法实现，比如自回归移动平均模型(Autoregressive Integrated MovingAverage Model，ARIMA)、长短时记忆网络(Long Short Term Memory Network,，LSTM)等等，在此未做具体限定。

S130、将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出。

其中，由于第一时间序列数据和第二时间序列数据的差别点只是在于是否实施了医保待遇调整，那么针对于第二时间序列数据中的与第一时间序列数据对应的时间段的时长一致的那部分时间序列数据，在该那部分时间序列数据的基础上融合待遇特征序列数据之后得到的时间序列数据，与第一时间序列数据基本上是一致的。示例性的，假设第一时间序列数据是在2019-2020年期间的医保基金支出的时间序列数据，且第二时间序列数据是在2015-2019年期间的医保基金支出的时间序列数据，针对第二时间序列数据中的2018-2019年期间的医保基金支出的那部分时间序列数据，在这一那部分时间序列数据的基础上融合待遇特征序列数据后得到的时间序列数据，与在2019-2020年期间的医保基金支出的时间序列数据基本上是一致的。

在此基础上，由于第四时间序列数据可以是医保待遇调整前的还未发生(即预设时间段内)的医保基金支出构成的时间序列数据，那么将上文得到的待遇特征序列数据融合到该第四时间序列数据后，可以得到待遇调整后的预设时间段内的医保基金支出构成的新的时间序列数据，进而根据该信的时间序列数据可以得到在预设时间段内的医保待遇调整后的目标时间下的医保基金支出，该目标时间可以是预设时间段内存在医保基金支出预测需求的时间点。示例性的，继续以上述例子为例，新的时间序列数据可以是在2020-2021期间的医保待遇调整后的医保基金支出的以天为预设时间间隔的时间序列数据，那么根据该新的时间序列数据可以得到2020-2021期间的任一天的医保基金支出。需要说明的是，可选的，上述第四时间序列数据可能存在一定的置信度水平，那么在此基础上融合了待遇特征序列数据后得到的新的时间序列数据也可以存在该一定的置信度水平。

需要说明的是，“第一时间序列数据”、“第二时间序列数据”、“第三时间序列数据”和“第四时间序列数据”中的“第一”、“第二”、“第三”和“第四”仅仅是用于区分各个时间序列数据，并非是对各时间序列数据的顺序或者内容的具体限定。

本发明实施例的技术方案，通过获取到的已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整前的第二时间序列数据对第一对象的医保基金支出在医保待遇调整后的第一时间序列数据进行降维，可以得到可呈现出因为医保待遇调整而对第一对象的医保基金支出产生影响的待遇特征序列数据，且通过获取到的拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据可以预测出第二对象在预设时间段内的未进行医保待遇调整时的医保基金支出的第四时间序列数据；进而将该待遇特征序列数据和该第四时间序列数据进行融合，可以得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。上述技术方案，通过将从已实施医保待遇调整的第一对象的时间序列数据中提取出的因为医保待遇调整而产生的待遇特征序列数据融合到拟实施该医保待遇调整的第二对象的未进行医保待遇调整时的医保基金支出的预测结果上，由此得到了第二对象的医保待遇调整后的医保基金支出，实现了医保待遇调整后的医保基金支出的准确预测的效果。

实施例二

图2是本发明实施例二中提供的一种医保基金支出的预测方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，根据第二时间序列数据对第一时间序列数据进行降维，具体可以包括：根据第二时间序列数据得到基于季节性变化生成的季节特征序列数据，并基于季节特征序列数据对第一时间序列数据进行降维。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图2，本实施例的方法具体可以包括如下步骤：

S210、获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据。

S220、根据第二时间序列数据得到基于季节性变化生成的季节特征序列数据，并基于季节特征序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据。

其中，在医保基金支出领域中，基于该医保基金支出构成的时间序列数据主要具有季节性和趋势性的特点，那么如果能够从第一时间序列数据的各数据中均剔除掉与季节性有关的部分，则可以得到与趋势性有关的部分，可以得到基于医保待遇调整生成的待遇特征序列数据。具体的，由于第二时间序列数据是在医保待遇调整前的时间序列数据，其并不具有因为医保待遇调整而带来的趋势性的特点，而是具有因为季节性变化而带来的季节性的特点。因此，可以基于该第二时间序列数据得到基于季节性变化生成的季节特征序列数据，这一季节特征序列数据可以表示出因季节性变化而对医保基金支出所造成的影响。进而，可以基于该季节特征序列数据对第一时间序列数据进行降维，即将第一时间序列数据中与季节性有关的部分与季节特征序列数据对冲掉，由此得到了第一时间序列数据中与趋势性有关的待遇特征序列数据。

S230、根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据。

S240、将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出。

本发明实施例的技术方案，通过从未具有趋势性的第二时间序列数据提取出基于季节性变化生成的季节特征序列数据，进而基于该季节特征序列数据对同时具有季节性和趋势性的第一时间序列数据进行降维，由此可以从第一序列数据中准确提取出因为医保待遇调整而产生的待遇特征序列数据。

在此基础上，一种可选的技术方案，基于季节特征序列数据对第一时间序列数据进行降维，可以包括：针对于第一时间序列数据中的每个待降维数据，从季节特征序列数据中确定与待降维数据对应的季节特征数据；从待降维数据中减去季节特征数据，得到已降维数据；相应的，得到基于医保待遇调整生成的待遇特征序列数据，可以包括：将每个待降维数据分别对应的已降维数据构成的序列数据，作为基于医保待遇调整生成的待遇特征序列数据。其中，由于待降维数据可以是第一时间序列数据中的任一数据，因此每个待降维数据均具有与季节性有关的部分以及与趋势性有关的部分，据此，针对每个待降维数据，由于季节特征序列数据在本质上也是时间序列数据，那么可以从该季节特征序列数据中得到在时间上与该待降维数据对应的季节特征数据，示例性的，假设某待降维数据是1月1日的医保基金支出，那么与其对应的季节特征数据可以是季节特征序列数据中的1月1日下的数据；进而，可以从待降维数据中减去季节特征数据，得到只与趋势性有关的已降维数据，各已降维数据的序列数据，可以作为基于医保待遇调整生成的待遇特征序列数据。上述技术方案，通过将同时具有季节性和趋势性的待降维数据中减去仅具有季节性的季节特征数据，达到了对第一序列数据进行降维后得到因为医保待遇调整产生的待遇特征序列数据的效果。

实施例三

图3是本发明实施例三中提供的一种医保基金支出的预测方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，将待遇特征序列数据和第四时间序列数据进行融合，具体可以包括：将待遇特征序列数据叠加在第四时间序列数据上。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图3，本实施例的方法具体可以包括如下步骤：

S310、获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据。

S320、根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，并且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据。

S330、将待遇特征序列数据叠加在第四时间序列数据上，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出。

其中，由于第四时间序列数据是医保待遇调整前的时间序列数据，那么其并未具有与医保待遇调整有关的部分。为了预测出医保待遇调整后的医保基金支出，可以将能够呈现出因为医保待遇调整而对医保基金支出产生影响的待遇特征序列数据直接叠加在第四时间序列数据上，由此得到了具有与该医保待遇调整有关的部分的新的时间序列数据。

本发明实施例的技术方案，通过将能够呈现出因为医保待遇调整而对医保基金支出产生影响的待遇特征序列数据直接叠加在医保待遇调整前的第四时间序列数据上，达到了对于医保待遇调整后的时间序列数据的准确预测的效果。

在此基础上，一种可选的技术方案，将待遇特征序列数据叠加在第四时间序列数据上，可以包括：针对于第四时间序列数据中的每个待叠加数据，从待遇特征序列数据中确定与待叠加数据对应的待遇特征数据；将待遇特征数据叠加在待叠加数据上，得到已叠加数据；相应的，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出，可以包括：根据各待叠加数据分别对应的已叠加数据构成的序列数据，得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。其中，由于待叠加数据可以是第四时间序列数据中的任一数据，因此每个待叠加数据并具有与趋势性有关的部分，据此，针对每个待叠加数据，考虑到待遇特征序列数据在本质上也是时间序列数据，那么可以从该待遇特征序列数据中得到在时间上与该待叠加数据对应的待遇特征数据，示例性的，若某待叠加数据是1月1日的医保基金支出，那么与其对应的待遇特征数据可以是待遇特征序列数据中1月1日下的数据；进而，可以将待遇特征数据叠加在待叠加数据上，得到与趋势性有关的已叠加数据。由于各已叠加数据的时间序列数据可以是预测出的第二对象在预设时间段内的医保待遇调整后的各医保基金支出构成的时间序列数据，那么从该构成的时间序列数据中可以得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。上述技术方案，通过将待遇特征数据叠加在对应的并未具有趋势性的待叠加数据中，由此得到了可以用于对预设时间段内的医保待遇调整后的医保基金支出进行预测的已叠加数据。

实施例四

图4是本发明实施例四中提供的一种医保基金支出的预测方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据，具体可以包括：获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的支出明细，其中支出明细包括支出时间和支出时间下的支出费用；根据预先设置的时间间隔对支出明细中与时间间隔对应的各支出时间下的支出费用进行汇总，得到第一时间序列数据。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

参见图4，本实施例的方法具体可以包括如下步骤：

S410、获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的支出明细，其中，支出明细包括支出时间和支出时间下的支出费用。

其中，支出明显可以是从医保数据中心获取得到的能够表示出在什么时间(即支出时间)下支出了多少费用(即支出费用)的明细，可选的，其还能够表示出在什么时间于什么地点对什么项目支出了多少费用的明细。实际应用中，可选的，为了达到医保基金支出的准确分析，支出明细中的支出时间通常可以精确到秒级别。

S420、根据预先设置的时间间隔，对支出明细中与时间间隔对应的各支出时间下的支出费用进行汇总，得到第一时间序列数据。

其中，由于各支出明细的数据来源、数据表现形式等等可能并非是统一的，为了得到规格统一的第一时间序列数据，可以先对各个支出明细进行预处理。具体的，由于第一时间序列数据可以是与时间有关的且与医保基金支出有关的序列数据，可以通过预先设置的时间间隔对支出明细中与该时间间隔对应的各支出时间下的支出费用进行汇总，然后将各汇总结果按照时间顺序构成的时间序列数据作为第一时间序列数据。示例性的，假设该时间间隔是天，那么可以对隶属于同一天的各支出时间下的支出费用进行汇总，由此可以得到由每天的医保基金支出的汇总结果按照时间顺序构成的第一时间序列数据。实际应用中，可选的，该第一时间序列数据可以是自变量是支出时间且因变量是支出费用的时间序列数据。当然，该第一时间序列数据也可以是自变量是支出费用并且因变量是支出时间的时间序列数据，等等，在此未做具体限定。

S430、获取第一对象的医保基金支出在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据。

需要说明的是，第二时间序列数据的获取过程和第一时间序列数据的获取过程可以相同也可以不同，在此未做具体限定。类似的，第三时间序列数据的获取过程类似，在此不再赘述。

S440、根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，并且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据。

S450、将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出。

本发明实施例的技术方案，通过获取的已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的包括支出时间和该支出时间下的支出费用的支出明细，根据预先设置的时间间隔对该支出明细中与时间间隔对应的各支出时间下的支出费用进行汇总，由此得到了规格统一的第一时间序列数据。

实施例五

图5为本发明实施例五提供的医保基金支出的预测装置的结构框图，该装置用于执行上述任意实施例所提供的医保基金支出的预测方法。该装置与上述各实施例的医保基金支出的预测方法属于同一个发明构思，在医保基金支出的预测装置的实施例中未详尽描述的细节内容，可以参考上述医保基金支出的预测方法的实施例。参见图5，该装置具体可包括：时间序列数据获取模块510、时间序列数据处理模块520和医保基金支出预测模块530。

其中，时间序列数据获取模块510，用于获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据；

时间序列数据处理模块520，用于根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据；

医保基金支出预测模块530，用于将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。

可选的，时间序列数据处理模块520，具体可以包括：

时间序列数据降维单元，用于根据第二时间序列数据得到基于季节性变化生成的季节特征序列数据，并基于季节特征序列数据对第一时间序列数据进行降维。

在此基础上，可选的，时间序列数据降维单元，具体可以包括：

季节特征数据确定子单元，用于针对于第一时间序列数据中的每个待降维数据，从季节特征序列数据中确定与待降维数据对应的季节特征数据；

已降维数据得到子单元，用于从待降维数据中减去季节特征数据，得到已降维数据；

相应的，时间序列数据处理模块520，还可以包括：

待遇特征序列数据得到单元，用于将每个待降维数据分别对应的已降维数据构成的序列数据，作为基于医保待遇调整生成的待遇特征序列数据。

可选的，医保基金支出预测模块530，具体可以包括：

序列数据叠加单元，用于将待遇特征序列数据叠加在第四时间序列数据上。

在此基础上，可选的，序列数据叠加单元，具体可以包括：

待遇特征数据确定子单元，用于针对于第四时间序列数据中的每个待叠加数据，从待遇特征序列数据中确定与待叠加数据对应的待遇特征数据；

已叠加数据得到子单元，用于将待遇特征数据叠加在待叠加数据上，得到已叠加数据；

相应的，医保基金支出预测模块530，还可以包括：

医保基金支出得到单元，用于根据各待叠加数据分别对应的已叠加数据构成的序列数据，得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。

可选的，时间序列数据获取模块510，可以包括：

支出明细获取单元，用于获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的支出明细，其中支出明细包括支出时间和支出时间下的支出费用；

第一时间序列数据得到单元，用于根据预先设置的时间间隔对支出明细中与时间间隔对应的各支出时间下的支出费用进行汇总，得到第一时间序列数据。

在此基础上，可选的，第一时间序列数据包括自变量是支出时间且因变量是支出费用的序列数据。

本发明实施例五提供的医保基金支出的预测装置，通过时间序列数据获取模块和时间序列数据处理模块相互配合，根据获取到的已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整前的第二时间序列数据对第一对象的医保基金支出在医保待遇调整后的第一时间序列数据进行降维，可以得到可呈现出因为医保待遇调整而对第一对象的医保基金支出产生影响的待遇特征序列数据，且根据获取到的拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据可以预测出第二对象在预设时间段内的未进行医保待遇调整时的医保基金支出的第四时间序列数据；进而医保基金支出预测模块将该待遇特征序列数据和该第四时间序列数据进行融合，可以得到第二对象在医保待遇调整后的预设时间段内的目标时间下的医保基金支出。上述装置，通过将从已实施医保待遇调整的第一对象的时间序列数据中提取出的因为医保待遇调整而产生的待遇特征序列数据融合到拟实施该医保待遇调整的第二对象的未进行医保待遇调整时的医保基金支出的预测结果上，由此得到了第二对象的医保待遇调整后的医保基金支出，实现了医保待遇调整后的医保基金支出的准确预测的效果。

本发明实施例所提供的医保基金支出的预测装置可执行本发明任意实施例所提供的医保基金支出的预测方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述医保基金支出的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例六

图6为本发明实施例六提供的一种医保基金支出的预测设备的结构示意图，如图6所示，该医保基金支出的预测设备包括存储器610、处理器620、输入装置630和输出装置640。医保基金支出的预测设备中的处理器620的数量可以是一个或多个，图6中以一个处理器620为例；医保基金支出的预测设备中的存储器610、处理器620、输入装置630和输出装置640可以通过总线或其它方式连接，图6中以通过总线650连接为例。

存储器610作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的医保基金支出的预测方法对应的程序指令/模块(例如，医保基金支出的预测装置中的时间序列数据获取模块510、时间序列数据处理模块520和医保基金支出预测模块530)。处理器620通过运行存储在存储器610中的软件程序、指令以及模块，从而执行医保基金支出的预测设备的各种功能应用以及数据处理，即实现上述医保基金支出的预测方法。

存储器610可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据医保基金支出的预测设备的使用所创建的数据等。此外，存储器610可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器610可进一步包括相对于处理器620远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置630可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。

实施例七

本发明实施例七提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种医保基金支出的预测方法，该方法包括：

获取已实施医保待遇调整的第一对象的医保基金支出在医保待遇调整后的第一时间序列数据和在医保待遇调整前的第二时间序列数据、以及拟实施医保待遇调整的第二对象的医保基金支出的第三时间序列数据；

根据第二时间序列数据对第一时间序列数据进行降维，得到基于医保待遇调整生成的待遇特征序列数据，并且根据第三时间序列数据预测第二对象在预设时间段内的医保基金支出的第四时间序列数据；

将待遇特征序列数据和第四时间序列数据进行融合，得到第二对象在医保待遇调整后的预设时间段内目标时间下的医保基金支出。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的医保基金支出的预测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。