一种基于医药大数据预测药品销售趋势的方法技术

一种基于医药大数据预测药品销售趋势的方法，包括以下步骤：(1)基于医药大数据获取平稳时间序列数据，(2)基于医药大数据建立自回归移动平均模型，(3)验证时间序列模型的残差序列是否是白噪声序列检验模型，(4)在建立长期趋势预测模型之后，计算药品的周期性指数，(5)运用最小二乘法估算获得周期性指数预测模型，(6)利用标准差计算两种预测模型所占比重的权值，获得组合预测模型，(7)预测结果的分析比较和呈现。本发明专利技术利用医药销售大数据建立ARIMA模型、周期性指数模型、组合预测模型，完成了对非线性、时变的时间序列数据的精确预测，实现了对药品销售预测功能。

A method for predicting drug sales trend based on large medical data

A new method to predict the trend of pharmaceutical drug sales based on big data, which comprises the following steps: (1) medical large data acquisition of non-stationary time series based on the data, (2) medical large data set based on the autoregressive moving average model, (3) whether the residual sequence verification time series model is white noise sequence (4 test model.) prediction model based on the long-term trend, cyclical index calculation of drugs, (5) estimated cyclical index forecasting model using the least squares method, (6) using the standard deviation calculation of two kinds of prediction model of the proportion of the right value, get the combination forecast model, (7) the results comparison and presentation. The invention establishes ARIMA model, cyclical index model and combination forecasting model by using medicine selling big data, completes the accurate prediction of nonlinear and time-varying time series data, and realizes the prediction function for drug sales.

【技术实现步骤摘要】
一种基于医药大数据预测药品销售趋势的方法
本专利技术涉及信息
，具体涉及一种基于医药大数据预测药品销售趋势的方法。
技术介绍
预测方法是产品零售领域最有应用价值的研究问题之一，在社会经济发展、市场趋势分析、产品销售等方面具有非常广泛的应用。常用的一些预测方法，如ARIMA、BP神经网络、灰度预测能取得较好的预测结果，但是，药品销售数据实际是非线性、时变的时间序列数据，单一的预测方法很难对药品的销售进行精确的预测，因此构建一个既能对时间序列数据进行长期趋势的预测又能对短期趋势进行预测的组合方法一直是药品销售预测方法领域的研究重点。目前，对于大数据系统中的药品销售预测，还缺乏能反映药品销售周期特点、时间特性的预测方法。
技术实现思路
为了克服现有技术的不足，本专利技术的目的是提供一种基于医药大数据预测药品销售趋势的方法，不仅可以有效预测长期趋势，又可以反映药品的周期性特点，从而实现对总体趋势的有效预测。为了达到上述目的，本专利技术采取的技术方案是：一种基于医药大数据预测药品销售趋势的方法，包括如下步骤：步骤一：基于医药大数据获取平稳时间序列数据(1)依据药品的销售金额，获取需要预测药品本文档来自技高网...

【技术保护点】
一种基于医药大数据预测药品销售趋势的方法，其特征在于，包括如下步骤：步骤一：基于医药大数据获取平稳时间序列数据(1)依据药品的销售金额，获取需要预测药品的系统时间序列数据，(2)对获取的时间序列数据，用单位根ADF进行检验，如果ADF检验的值等于0或者小于设定的值，该设定值选取0.01或0.05，则判断时间序列数据为平稳时间序列；对于明显的非平稳时间序列要先进行1阶差分运算，再用ADF检验判断是否为平稳时间序列,对于检验后的非平稳时间序列再进行2阶差分运算,获取平稳时间序列数据；步骤二：基于医药大数据建立自回归移动平均模型(1)根据步骤一的差分阶数确定参数d的值，对于非平稳时间序列进行了1阶差...

【技术特征摘要】
1.一种基于医药大数据预测药品销售趋势的方法，其特征在于，包括如下步骤：步骤一：基于医药大数据获取平稳时间序列数据(1)依据药品的销售金额，获取需要预测药品的系统时间序列数据，(2)对获取的时间序列数据，用单位根ADF进行检验，如果ADF检验的值等于0或者小于设定的值，该设定值选取0.01或0.05，则判断时间序列数据为平稳时间序列；对于明显的非平稳时间序列要先进行1阶差分运算，再用ADF检验判断是否为平稳时间序列,对于检验后的非平稳时间序列再进行2阶差分运算,获取平稳时间序列数据；步骤二：基于医药大数据建立自回归移动平均模型(1)根据步骤一的差分阶数确定参数d的值，对于非平稳时间序列进行了1阶差分，则d＝1,进行了2阶差分，则d＝2，(2)对已经获得的平稳时间序列，分别求自相关系数ACF和偏自相关系数PACF，并通过对自相关图和偏自相关图的分析，得到阶层p和阶数q，(3)利用ARIMA(p,d,q)模型，选择不同的p,q值，分别计算AIC，BIC，HQIC的值，(4)分别比较不同ARIMA模型的AIC，BIC，HQIC值，选择一个最优的模型，同时确定出p,q值，(5)根据得到的p、d、q值，得到提取长期趋势的ARIMA模型，然后对该模型进行模型检验；步骤三：验证时间序列模型的残差序列是否是白噪声序列检验模型建立步骤二的ARIMA模型后，对残差的估计序列进行白噪声检验，如果检验值小于给定的假设值，说明是高斯白噪声；如果不是高斯白噪声，说明选择的ARIMA模型并不是一个适合预测的模型，需要返回步骤二，重新选择ARIMA模型；步骤四：在建立长期趋势预测模型之后，计算药品的周期性指数(1)计算药品周期的平均数式(1)中esj,i表示药品周期内的平均值，n表示规定时段内的周期数，asi表示药品周期的平均数；(2)计算药品周期的总平均数式(2)中t表示时段数，ts表示药品周期的总平均数；(3)计算药品周期的周期性指数，即药品周期的平均数/药品周期的总平均数：步骤五：运用最小二乘法估算获得周期...

【专利技术属性】
技术研发人员：肖政宏，胡若，欧阳佳，
申请(专利权)人：广东技术师范学院，
类型：发明
国别省市：广东,44