1.基于交叉注意神经网络的再就医信息预测方法，其特征是，包括：获取患者的历史电子健康记录数据，将每个患者的所述历史电子健康记录数据表示为多变量的时间标记序列；

将每个患者的多变量的时间标记序列的一次就医信息记录拆分为诊断信息和治疗信息，并分别对诊断信息和治疗信息进行降维表示，即对于n次就医信息记录中的第i次就医信息记录xi，可以拆分为诊断信息diai和治疗信息trei，即xi＝{diai；trei}，分别对diai和trei通过如下方法降维表示为di和ti：具体的，

di＝ReLU(Wddiai+bd)

ti＝ReLU(Wttrei+bt)；

利用双向神经网络RNNd处理降维后的诊断信息得到对应的诊断信息隐藏状态hi，利用双向神经网络RNNt处理降维后的治疗信息得到对应的治疗信息隐藏状态gi；

利用交叉注意力机制将历史诊断信息和历史治疗信息整合为能够表示患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 具体包括以下几个步骤：步骤1，分别通过隐藏状态hi和gi计算权重：

步骤2，对得到的权重向量α＝[α1,α2,...,αn]和β＝[β1,β2,...,βn]使用softmax函数，具体如下：步骤3，将权重向量交叉作用，即 作为治疗信息的权重向量，作为诊断信息的权重向量，最终分别求和得到患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 计算方法如下：采用连接的方式将患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 合并成一个表示患者整体信息的表示向量；

将表示向量放入到最终输出层来预测就医信息。

2.基于交叉注意神经网络的再就医信息预测系统，其特征是，包括：数据采集层，被配置为：获取患者的历史电子健康记录数据，将每个患者的所述历史电子健康记录数据表示为多变量的时间标记序列；

数据降维层，被配置为：将每个患者的多变量的时间标记序列的一次就医信息记录拆分为诊断信息和治疗信息，并分别对诊断信息和治疗信息进行降维表示，即对于n次就医信息记录中的第i次就医信息记录xi，可以拆分为诊断信息diai和治疗信息trei，即xi＝{diai；

trei}，分别对diai和trei通过如下方法降维表示为di和ti：具体的，

di＝ReLU(Wddiai+bd)

ti＝ReLU(Wttrei+bt)；

双向RNN处理层，被配置为：利用双向神经网络RNNd处理降维后的诊断信息得到对应的诊断信息隐藏状态hi，利用双向神经网络RNNt处理降维后的治疗信息得到对应的治疗信息隐藏状态gi；

交叉注意机制层，被配置为：利用交叉注意力机制将历史诊断信息和历史治疗信息整合为能够表示患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 具体包括以下几个步骤：步骤1，分别通过隐藏状态hi和gi计算权重：

步骤2，对得到的权重向量α＝[α1,α2,…,αn]和β＝[β1,β2,...,βn]使用softmax函数，具体如下：步骤3，将权重向量交叉作用，即 作为治疗信息的权重向量， 作为诊断信息的权重向量，最终分别求和得到患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 计算方法如下：合并信息层，被配置为：采用连接的方式将患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 合并成一个表示患者整体信息的表示向量；

预测层，被配置为：将表示向量放入到最终输出层来预测就医信息。

3.基于交叉注意神经网络的再就医信息预测装置，其特征是，包括：数据采集模块、降维模块、双向RNN模块、交叉注意机制模块、信息合并模块、预测模块；

数据采集模块，被配置为：获取患者的历史电子健康记录数据，将每个患者的所述历史电子健康记录数据表示为多变量的时间标记序列；

降维模块，被配置为：将每个患者的多变量的时间标记序列的一次就医信息记录拆分为诊断信息和治疗信息，并分别对诊断信息和治疗信息进行降维表示，即对于n次就医信息记录中的第i次就医信息记录xi，可以拆分为诊断信息diai和治疗信息trei，即xi＝{diai；

trei}，分别对diai和trei通过如下方法降维表示为di和ti：具体的，

di＝ReLU(Wddiai+bd)

ti＝ReLU(Wttrei+bt)；

双向RNN模块，被配置为：利用双向神经网络RNNd处理降维后的诊断信息得到对应的诊断信息隐藏状态hi，利用双向神经网络RNNt处理降维后的治疗信息得到对应的治疗信息隐藏状态gi；

交叉注意机制模块，被配置为：利用交叉注意力机制将历史诊断信息和历史治疗信息整合为能够表示患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量具体包括以下几个步骤：步骤1，分别通过隐藏状态hi和gi计算权重：

步骤2，对得到的权重向量α＝[α1,α2,...,αn]和β＝[β1,β2,...,βn]使用softmax函数，具体如下：步骤3，将权重向量交叉作用，即 作为治疗信息的权重向量，作为诊断信息的权重向量，最终分别求和得到患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 计算方法如下：信息合并模块，被配置为：采用连接的方式将患者当前诊断状态的上下文向量 和患者当前治疗状态的上下文向量 合并成一个表示患者整体信息的表示向量；

预测模块，被配置为：将表示向量放入到最终输出层来预测就医信息。

4.如权利要求3所述的基于交叉注意神经网络的再就医信息预测装置，其特征是，双向RNN模块，由于n次就医信息记录中的第i次就医信息记录xi进行降维后，有两部分相对独立的信息di和ti，所以使用RNNd和RNNt分别对两部分信息进行处理，RNNd处理诊断信息d1到dn，得到对应的诊断信息隐藏状态{h1，...，hn}，RNNt处理治疗信息t1到tn，得到对应的治疗信息隐藏状态{g1，...，gn}。

5.如权利要求3所述的基于交叉注意神经网络的再就医信息预测装置，其特征是，信息合并模块，采用连接的方式将能够表示患者当前诊断状态的上下文向量 和表示患者当前治疗状态的上下文向量 合并成一个表示患者整体信息的表示向量p，使用一个连接层来组合表示患者当前诊断状态的上下文向量 和表示患者当前治疗状态的上下文向量 得到综合信息；

具体的，其计算公式为：

6.如权利要求5所述的基于交叉注意神经网络的再就医信息预测装置，其特征是，预测模块，将表示患者整体信息的表示向量p放入到最终输出层来预测n+1次的就医信息 采用softmax作为输出层的激活函数，计算公式如下：

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的一种基于交叉注意机制的医学信息预测方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述的一种基于交叉注意机制的医学信息预测方法的步骤。