一种基于大数据的退休人员生存认证方法及系统与流程

本发明属于信息处理领域，具体涉及一种基于大数据的退休人员生存认证方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、生存认证，全称是退休人员养老金待遇领取资格生存认证，即国家规定凡是在社保领取养老金的机关、企、事业单位以及居民退休人员每年应到当地的社保经办机构进行至少一次生存认证，证明领取养老金的老年居民还健在、符合继续领取养老金的条件，其目的是防止养老金流失，避免养老金冒领。当前，养老金实行社会化发放，领取养老金的退休人员死亡或失去领取资格后，社保经办机构很难在第一时间掌握退休人员变化情况，如家属、单位或其他组织未主动告知社保经办机构停发养老金，并将多发的养老金据为己有，就属于冒领养老金。目前，生存认证工作广泛采用人脸识别认证方式，其主要存在以下问题：

3、第一，随着领取养老金的退休人员年龄变大，他们的面部特征会随着时间和健康状况的变化而发生改变。这种变化可能导致人脸识别系统无法准确识别他们的身份，从而影响认证的准确性和效率。

4、第二，退休的老年人对于新兴技术的接受程度较低，这使得他们对下载、安装、注册app以及找寻人脸识别功能，按照提示、完成操作等一系列流程，比较困难，需在他人协助下才能完成。

5、第三，人脸识别认证的发起方是退休人员自己。如果老年人未及时收到养老金待遇资格认证的通知，他们可能难以在规定的时间内完成认证。这将导致养老金领取受到影响，给他们的生活带来不便。

6、第四，退休人员需自证生存，在一定程度上侵犯了老年人的尊严，增加了老年人心理负担，不符合当前信息服务的发展要求。

技术实现思路

1、本发明为了解决上述问题，提出了一种基于大数据的退休人员生存认证方法及系统，本发明基于共享政务大数据，进行退休人员的健康状态预测，可以在不打扰退休人员，不需要退休人员进行相关终端操作的前提下，便捷的完成退休人员生存认证。

2、根据一些实施例，本发明采用如下技术方案：

3、一种基于大数据的退休人员生存认证方法，包括以下步骤：

4、基于政务数据共享平台，按照设定周期获取退休人员医保结算关键指标数据和生存轨迹数据，并对数据进行预处理；

5、将预处理后的医保结算关键指标数据输入预先训练好的人员健康状况预测模型中，得到退休人员健康状况预测结果；

6、其中，所述预先训练好的人员健康状况预测模型是基于预处理后的医保结算历史数据中的关键指标信息进行训练获得的；

7、将退休人员健康状况同预处理过的生存轨迹数据输入递延匹配算法模型中，获得人员生存认定结果；

8、将当前的人员生存认定结果传至养老金发放系统，进行信息告知，完成认证。

9、作为可选择的实施方式，基于政务数据共享平台，按照设定周期获取退休人员医保结算关键指标数据和生存轨迹数据的具体过程包括采用etl技术，基于政务数据共享平台，按月获取退休人员医保结算关键指标数据和生存轨迹数据；

10、所述退休人员医保结算关键指标数据包括性别、年龄、就诊信息、疾病信息、门诊结算信息、住院结算信息、药品明细、医疗机构信息、异地结算信息、年度结算次数、医疗费总额和自费金额中的若干；

11、所述生存轨迹数据包括航班/列车出行日期、卫健疫苗接种日期、生物信息检测日期、电子社保卡认证日期、工伤伤残鉴定信息、医疗缴费日期、普通门诊结算日期、门诊大病结算日期、异地结算日期、住院结算日期、民政死亡日期、卫健死亡日期和公安死亡日期中的若干。

12、作为可选择的实施方式，对数据进行预处理的具体过程包括按照统一数据标准，进行清洗、集成，去除重复、错误和缺失的数据，对各类数据进行归一化处理。

13、作为进一步限定的实施方式，对各类数据进行归一化处理的具体过程包括：采用最大最小值归一化方法对数据进行转换，具体转换函数为x，＝(x-xmin)/(xmax-xmin)，其中，x是原始数据，x，是归一化后的数据，xmin、xmax分别是数据集中的最小值、最大值。

14、作为可选择的实施方式，所述预先训练好的人员健康状况预测模型包括特征提取模块、注意力模块和分类模块，其中，特征提取模块包括卷积神经网络和双向长短期记忆网络；分类模块包括全连接层和softmax函数。

15、作为进一步的实施方式，所述卷积神经网络包括依次连接的输入层、卷积层、池化层、全连接层和输出层；

16、所述卷积神经网络通过卷积层提取局部深层次特征信息，且卷积层输出为ti＝f(wi*x+bi)，其中，ti为卷积层输出的第i个特征，f为激活函数，wi表示当前卷积层第i个卷积核的权重矩阵，x表示输入值，bi表示当前卷积层第i个卷积核的偏置，*为卷积运算。

17、作为进一步的实施方式，所述双向长短期记忆网络用于对局部深层次特征信息进行处理，提取时间特征；

18、所述双向长短期记忆网络堆叠一个前向传播及一个后向传播的长短期记忆神经网络层，分别对输入的医保结算时序数据及其倒序后的时序数据提取时间特征。

19、作为进一步的实施方式，所述注意力模块用于对提取的时间特征进行加权融合，时间特征和注意力模块的权重相乘，再加上注意力模块的偏置，利用tanh函数计算与输入的时间特征的相关性量，获得加权特征向量信息。

20、作为进一步的实施方式，所述全连接层用于接收加权特征向量信息，得到三维向量信息，softmax函数根据所述三维向量信息，将其转换为概率分布，得到退休人员健康状况的评估等级；

21、全连接层的激活函数为relu。

22、作为可选择的实施方式，所述人员健康状况预测模型的训练过程包括：将预处理后医保结算历史数据中的关键指标信息输入初始人员健康状况预测模型中，使用交叉熵函数计算损失，采用adam算法对模型进行优化训练，直至达到预设要求，获得训练好的人员健康状况预测模型。

23、作为可选择的实施方式，将退休人员健康状况同预处理过的生存轨迹数据输入递延匹配算法模型中，获得人员生存认定结果的具体过程包括：综合退休人员健康状况，以及生存轨迹数据，确定退休人员的生存状态，以及下次生存认证的周期延迟长度；

24、生存轨迹数据越多，健康状况越好的，下次生存认证的周期延迟长度越大；

25、向生存状态判定为生存的人员，进行养老金的发放，并进行信息告知，完成认证。

26、作为进一步的，若当前周期无医保结算数据或生存轨迹信息，将本次认证时间与上次认证时间的差值同上次确定的周期延迟长度作比较，超出上次周期延迟长度的，将退休人员纳入灰名单；

27、若获得的生存轨迹信息中死亡日期为非空值，将退休人员纳入黑名单。

28、一种基于大数据的退休人员生存认证系统，包括：

29、数据获取单元，用于基于政务数据共享平台，按照设定周期获取退休人员医保结算关键指标数据和生存轨迹数据，并对数据进行预处理；

30、健康状况预测单元，用于将预处理后的医保结算关键指标数据输入预先训练好的人员健康状况预测模型中，得到退休人员健康状况预测结果；

31、其中，所述预先训练好的人员健康状况预测模型是基于预处理后的医保结算历史数据中的关键指标信息进行训练获得的；

32、生存认证单元，用于将退休人员健康状况同预处理过的生存轨迹数据输入递延匹配算法模型中，获得人员生存认定结果；

33、信息告知单元，用于将当前的人员生存认定结果传至养老金发放系统，进行信息告知，完成认证。

34、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。

35、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。

36、与现有技术相比，本发明的有益效果为：

37、本发明不用采集老年人的面部信息，因此无需担忧因年龄增长或健康状况变化导致的面部特征信息无法准确识别的问题。有效避免了因面部变化对认证准确性的影响。

38、本发明的整个认证过程无需老年人进行任何操作，完全由后台通过大数据分析自动完成。老年人无需担心不会使用智能手机或操作复杂的认证程序，大大简化了认证流程，提高了用户体验。

39、本发明无需依赖用户网络、智能手机等外界环境条件。对退休人员不会产生打扰，他们无需自证生存状态，这种“无感”认证方式尊重了老年人的尊严，减少了他们的心理负担，使得认证过程更加人性化。且为实时动态认证，提高了社保养老金待遇领取资格认证效率。

40、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。