1.基于全記憶事件序列挖掘模型的用藥分析方法，其特征在于，具體步驟為：
（1）首先，對患者歷史用藥數(shù)據(jù)進(jìn)行預(yù)處理，即采集用藥事件序列的原始數(shù)據(jù)，將原始用藥數(shù)據(jù)轉(zhuǎn)換成用藥事件發(fā)生序列；然后，對用藥事件序列數(shù)據(jù)進(jìn)行處理，將序列中的每個事件都用一個或多個類別型的變量進(jìn)行表示；
（2）對于已經(jīng)處理好的類別型變量表示的事件序列，設(shè)置一個特定的記憶長度閾值，選擇高于該閾值的序列用于構(gòu)造訓(xùn)練數(shù)據(jù)集；
（3）采用基于全記憶事件序列方法構(gòu)建訓(xùn)練預(yù)測模型；
（4）對于新的用藥事件序列，輸入預(yù)測模型實現(xiàn)對未來時間節(jié)點的用藥事件進(jìn)行預(yù)測。
2.如權(quán)利要求1所述的基于全記憶時間序列挖掘模型的用藥分析方法，其特征在于，步驟（1）中的患者歷史用藥數(shù)據(jù)的事件序列的轉(zhuǎn)化表示方法，該步驟將患者歷史用藥記錄表示為事件，每個事件用一個或多個類別型變量表示。
3.如權(quán)利要求1所述的基于全記憶時間序列挖掘模型的用藥分析方法，其特征在于，步驟（2）中將患者用藥的歷史事件作為記憶序列，形成記憶特征表示。
4.如權(quán)利要求1所述的基于全記憶時間序列挖掘模型的用藥分析方法，其特征在于，步驟（4）把要新的用藥事件序列作為訓(xùn)練好的預(yù)測模型的輸入，使用模型輸出預(yù)測結(jié)果。
5.如權(quán)利要求1所述的基于全記憶時間序列挖掘模型的用藥分析方法，其特征在于，步驟（2）中所述構(gòu)造訓(xùn)練數(shù)據(jù)集方法的具體步驟為：
（1）設(shè)置一個特定的記憶長度閾值M，高于這個閾值的序列才用于構(gòu)造訓(xùn)練數(shù)據(jù)集合；
（2）對于每個事件序列，從第M+1個事件節(jié)點開始設(shè)置預(yù)測節(jié)點，采集訓(xùn)練集；預(yù)測節(jié)點的每個類別變量作為模型的輸出，當(dāng)前節(jié)點之前的所有節(jié)點作為模型的輸入；預(yù)測節(jié)點不斷向右移動，每移動一個時間節(jié)點就形成一個或多個新的訓(xùn)練數(shù)據(jù)。
6.如權(quán)利要求5所述的基于全記憶時間序列挖掘模型的用藥分析方法，其特征在于，步驟（3）中所述構(gòu)建訓(xùn)練模型方法的具體步驟為：
（1）設(shè)置一個最大記憶數(shù)量T，使用的記憶數(shù)量不能超過這個數(shù)量，通常設(shè)置大于數(shù)據(jù)中大部分序列的長度；
（2）初始化變換矩陣A，把預(yù)測事件的前一個事件投影到多維連續(xù)空間中的向量，并求和形成一個向量q；
（3）初次化變換矩陣B、C，把預(yù)測事件之前的所有事件分別投影到多維連續(xù)空間中的多個向量，這些稱為記憶向量，表示預(yù)測事件的所有記憶；
（4）使用向量q和經(jīng)過B投影矩陣變換后的向量做內(nèi)積，形成權(quán)重向量，再使用這些權(quán)重向量和經(jīng)過C投影矩陣變換后的記憶向量加權(quán)求和，形成最終的一個記憶向量表示m；
（5）向量m和向量q相加，作為預(yù)測分類器的輸入，并使用一個變換矩陣W，投影到原始的離散事件空間，再使用softmax函數(shù)，得到下一個預(yù)測事件的每一項的概率；
（6）使用交叉熵?fù)p失函數(shù)作為目標(biāo)函數(shù)，使用梯度下降的方法求參數(shù)，即求得參數(shù)A、B、C和W。