基于机器学习的药品市场规模预测系统技术方案

本发明专利技术公开的属于药品市场规模预测技术领域，具体为基于机器学习的药品市场规模预测系统，包括中央处理器、数据采集模块、数据储存模块、客户端、数据传输模块、数据处理模块、随机森林模型模块、筛选模块，数据处理模块将采集到的目标药品数据转换为对应格式的目标药品样本自变量数据结构，通过随机森林模型模块评估全部自变量的重要性，通过筛选模块对自变量的重要评价指标和自变量的重要性按降序排列，得到自变量合集，通过自变量合集带入模型进行计算，根据拟合优度和准确率筛选最优模型，通过最优模型对药品市场规模进行预测，从而提高预测结果的准确性，具有较好的使用效果，避免药品频繁缺货的同时，库存中不会堆积过多相同药品。过多相同药品。过多相同药品。

【技术实现步骤摘要】
基于机器学习的药品市场规模预测系统


[0001]本专利技术涉及药品市场规模预测
，具体为基于机器学习的药品市场规模预测系统。

技术介绍

[0002]药品市场是指药品的使用者、消费者和药企、医院等医疗服务机构之间相互作用，并决定药品价格和加以数量的机制。
[0003]随着计算机产业跃进式的飞速发展，以大数据与智能算法为基础的数据挖掘技术正处于蓬勃发展的时期。大数据中存在着诸多不同类型的计算数据，各种类型的数据之间存在着一定的关联。为保证药品供应体系正常运转可以尽量减少库存等运营成本，也能保证持续不间断的药品供应。要实现上述两个目标，必须对每种药品的需求进行准确预测。如果预测远远高于实际需求量，则势必导致很高的库存水平，从而增加库存等运营成本；反之，如果预测数量过低，则可能导致频繁缺货。
[0004]通过对药品市场规模进行预测确定药品的购买量，能够避免频繁缺货的同时，库存中不会堆积过多药品，造成运营成本增加，现有的药品市场规模预测大多通过简单的药品历史销量数据进行预测，从而导致预测结果与实际结果之间的存在较大的误差，导致使用效果较差。

技术实现思路

[0005]本专利技术的目的在于提供基于机器学习的药品市场规模预测系统，以解决上述
技术介绍
中提出的现有的药品市场规模预测大多通过简单的药品历史销量数据进行预测，从而导致预测结果与实际结果之间的存在较大的误差，导致使用效果较差的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：基于机器学习的药品市场规模预测系统，包括中央处理器、数据采集模块、数据储存模块、客户端、数据传输模块、数据处理模块、随机森林模型模块、筛选模块；
[0007]所述中央处理器用于进行系统信息处理、执行系统程序运行；
[0008]所述数据采集模块用于采集目标药品的数据，并通过数据传输模块将目标药品的数据传输至中央处理器；
[0009]所述数据储存模块用于储存系统数据和数据采集模块采集到的目标药品的数据；
[0010]所述客户端用于用户登录系统；
[0011]所述数据传输模块用于将中央处理器与数据采集模块之间进行数据传输；
[0012]所述数据处理模块用于将数据储存模块中储存的数据采集模块采集到的目标药品数据转换为对应格式的目标药品样本自变量数据结构；
[0013]所述随机森林模型模块用于评估全部自变量的重要性，对于预测药品采购量的回归问题，采用均方误差增率作为自变量的重要评价指标，对于预测采购量倍率评级的分类问题，采用平均准确率降幅评价自变量的重要性；
[0014]所述筛选模块对自变量的重要评价指标和自变量的重要性按降序排列，得到自变量合集，通过自变量合集带入模型进行计算，根据拟合优度和准确率筛选最优模型，通过最优模型对药品市场规模进行预测。
[0015]优选的，所述数据采集模块采集目标药品的数据包括药品属性、医院属性、市场竞争、销量、售价，药品属性为药品分类、医保分类和采购价格，医院属性包括医院等级、地理位置、药品采购规模，市场竞争包括同一区域内，竞争企业数量和竞争企业的实力信息。
[0016]优选的，所述中央处理器连接有日志模块，所述日志模块用于生成系统日志。
[0017]优选的，所述中央处理器连接有账号登录模块，所述客户端通过账号登录模块登录系统。
[0018]优选的，所述随机森林模型模块通过监督学习算法，提取目标药品样本自变量数据结构，采用有放回的选择参考自变量样本来搭建分类器，通过所述分类器学习形成随机森林模型，通过随机森林模型评估全部自变量的重要性。
[0019]优选的，所述分类器搭建的过程中包括训练集和决策树，目标药品样本自变量数据结构进入训练集中，通过决策树输出参考自变量结果，根据结果生成分类器。
[0020]与现有技术相比，本专利技术的有益效果是：
[0021]通过数据采集模块采集目标药品的数据，数据处理模块将采集到的目标药品数据转换为对应格式的目标药品样本自变量数据结构，通过随机森林模型模块评估全部自变量的重要性，通过筛选模块对自变量的重要评价指标和自变量的重要性按降序排列，得到自变量合集，通过自变量合集带入模型进行计算，根据拟合优度和准确率筛选最优模型，通过最优模型对药品市场规模进行预测，从而提高预测结果的准确性，具有较好的使用效果，避免药品频繁缺货的同时，库存中不会堆积过多相同药品。
附图说明
[0022]图1为本专利技术逻辑框图。
[0023]图中：1中央处理器、2数据储存模块、3数据传输模块、4数据采集模块、5客户端、6日志模块、7随机森林模型模块、8数据处理模块、9账号登录模块、10筛选模块。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0026]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆
卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0027]实施例：
[0028]请参阅图1，本专利技术提供一种技术方案：基于机器学习的药品市场规模预测系统，包括中央处理器1、数据采集模块4、数据储存模块2、客户端5、数据传输模块3、数据处理模块8、随机森林模型模块7、筛选模块10，中央处理器1通过数据传输模块3连接有数据采集模块4，中央处理器1与数据储存模块2、客户端5、数据处理模块8、随机森林模型模块7、筛选模块10连接；
[0029]所述中央处理器1用于进行系统信息处理、执行系统程序运行；
[0030]所述数据采集模块4用于采集目标药品的数据，并通过数据传输模块3将目标药品的数据传输至中央处理器1；
[0031]所述数据储存模块2用于储存系统数据和数据采集模块4采集到的目标药品的数据；
[0032]所述客户端5用于用户登录系统，客户端5为电脑或者手机；
[0033]所述数据传输模块3用于将中央处理器1与数据采集模块4之间进行数据传输，数据传输模块3包括数据发送模块和数据接收模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的药品市场规模预测系统，其特征在于：包括中央处理器(1)、数据采集模块(4)、数据储存模块(2)、客户端(5)、数据传输模块(3)、数据处理模块(8)、随机森林模型模块(7)、筛选模块(10)；所述中央处理器(1)用于进行系统信息处理、执行系统程序运行；所述数据采集模块(4)用于采集目标药品的数据，并通过数据传输模块(3)将目标药品的数据传输至中央处理器(1)；所述数据储存模块(2)用于储存系统数据和数据采集模块(4)采集到的目标药品的数据；所述客户端(5)用于用户登录系统；所述数据传输模块(3)用于将中央处理器(1)与数据采集模块(4)之间进行数据传输；所述数据处理模块(8)用于将数据储存模块(2)中储存的数据采集模块(4)采集到的目标药品数据转换为对应格式的目标药品样本自变量数据结构；所述随机森林模型模块(7)用于评估全部自变量的重要性，对于预测药品采购量的回归问题，采用均方误差增率作为自变量的重要评价指标，对于预测采购量倍率评级的分类问题，采用平均准确率降幅评价自变量的重要性；所述筛选模块(10)对自变量的重要评价指标和自变量的重要性按降序排列，得到自变量合集，通过自变量合集带入模型进行计算，根据拟合优度和准确率筛选最优模型，通过最优模型对药品市场规模进行预测。2...

【专利技术属性】
技术研发人员：武岩，
申请(专利权)人：苏州联科医疗科技有限公司，
类型：发明
国别省市：