一种基于IPSO-LSTM模型的医药销售预测系统及方法技术方案

本发明专利技术公开了一种基于IPSO

【技术实现步骤摘要】
一种基于IPSO
‑
LSTM模型的医药销售预测系统及方法

：
[0001]本专利技术属于医药销售预测
，特别涉及一种基于IPSO
‑
LSTM模型的医药销售预测系统及方法。

技术介绍
：
[0002]近几年，随着国家药品大量采购来势汹涌、新政策法规密集出台、医疗机构自身的改革加速、整体医疗市场的复杂程度加深和成本压力上升，导致传统营销深受影响。在行业变革及后疫情防护的影响下，药品供货稳定性差，成为困扰我国药品分销商的主要问题，究其原因是分销商无法预测该地区未来一段时间内市场对药品的需求趋势，难以平衡供求关系，容易导致某地区部分药品的滞销或者脱销。虽然在现代医药销售系统设计方面，国内已有较为成熟的实现方案，但是绝大多数方案仅从医药销售本身考虑，并未借助于先进的信息技术，形成“数据信息分析
‑
实时需求预测
‑
可视化销售辅助”的完整链路来提高医药销售的可靠性与精准性。
[0003]专利申请号为ZL2018115562758的专利技术公开了一种基于云计算和大数据的医药销售系统，其方案通过多元回归模型推算患者药品需求与患者健康管理数据之间的关系，进而利用健康管理模块生成的患者实时健康数据对患者药品需求进行预测，之后汇总区域内海量个体需求数据来预测区域内药品总需求。但是该系统并未考虑过药品销售会受到诸如环境等因素的影响。
[0004]作者为梅学聃的中国矿业大学硕士学位论文公开了《基于机器学习的零售药店药品销量影响因素和预测研究》，其方案通过指数平滑获得销量的趋势信息，进行主成分分析提取富含规模信息和价格信息的主分量，将趋势、价格变量主成分、规模变量主成分、医保、月份作为自变量，药品销量作为因变量进行神经网络的训练和预测。该模型并未考虑过药品销售受到突发流行病等因素的影响。
[0005]因此，需要一种根据医院往年药品需求，结合环境因素和突发流行病情形，能有效地预测出医院对药品的需求量的医药销售预测系统。
[0006]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路
：
[0007]本专利技术的目的在于提供一种基于IPSO
‑
LSTM模型的医药销售预测系统及方法，利用改进粒子群优化算法
‑
长短期记忆神经网络(IPSO
‑
LSTM)技术对现代化的医药销售进行升级，借助“分析
‑
预测
‑
辅助”的新模式提高医药销售的可靠性与精准性，从而克服上述现有技术中的缺陷。
[0008]为实现上述目的，本专利技术提供了一种基于IPSO
‑
LSTM模型的医药销售预测系统，包括依次通信连接的数据采集与处理模块、药品分类模块、药品需求预测模块、数据可视化模块；所述数据采集和处理模块，用于采集药品历史销售数据，包括药品历史销售量数据、往
年流行病数据，并对药品历史销售数据进行归一化预处理，以获取归一化数据；所述药品分类模块，对药品按照功能主治与用途进行分类；所述药品需求预测模块，对归一化数据结合药品历史销售数据，来预测未来药品销售量；所述数据可视化模块，对采集的药品历史销售数据和药品预测销售数据进行可视化处理。
[0009]一种基于IPSO
‑
LSTM模型的医药销售预测系统的预测方法，其步骤为：
[0010]S01：采集实时数据集，实时数据集包括销售地域的环境情况、药品的种类和作用、医院药品的往年需求数量、往年流行病传播数据；
[0011]S02：运用朴素贝叶斯分类算法，对药品进行功能分类；分类过程包括分解出药品数据中的特征，并计算特征在药品中的条件概率，分解出分类样本的特征，计算类别概率；其中概率结果值最大的，判为样本药品的类别；
[0012]S03：通过改进型粒子群算法优化LSTM回归数据，改进惯性权重w和学习因子c1、c2；考虑到药品的销售量主要受季节性和更新替代性波动，选取某类药品季节性需求度m
i
和更新替代性n
i
为粒子的位置和速度，利用改进型粒子群算法返回最优参数取值；根据改进型粒子群算法返回的最优参数m
i
和n
i
，构建LSTM模型，模型通过训练数据和验证数据进行训练，通过往年药品销售数据集进行预测检验，预测出各区域内正常情况下的药品销售量Z
i
；
[0013]S04：采集各区域环境因素数据，从中提取若干个特征，通过随机抽取特征构建随机森林模型，计算熵的大小，来筛选特征，再通过构建模型，预测出药品在各区域环境因素影响下的销售变化量M(t)；
[0014]S05：收集往年流行病传播数据，依据往年流行病的感染人数情况，将正常情况下的感染人数比例a设定为状态1，将流行病爆发情况下的感染人数比例b、c、d分别设为状态2、3、4，根据状态1
‑
4得出今年的概率向量S(1)，以此预测出今年是否会爆发流行病；
[0015]S06：根据步骤S05的结果，若预测今年流行病爆发，则需要在步骤S05基础上预测出感染人数R(t)以及康复所需的药品量D
i
；考虑到感染者的药品使用量和体内免疫力与感染病毒的抗药性相关，选取免疫力指标x
i
和病毒抗药性v
i
作为粒子的位置和速度，利用改进型粒子群算法返回最优参数，根据返回的最优参数构建LSTM模型，预测出感染者为康复所需的药品量D
i
；
[0016]S07：根据步骤S03得到的各区域内正常情况下的药品销售量Z
i
、步骤S04得到的药品在各区域环境因素影响下的销售变化量M(t)、骤S06得到的感染人数R(t)以及康复所需的药品量D
i
，计算各区域内药品的销售量Y
i
：
[0017]Y
i
＝ M(t)+Z
i
+D
i
×
R(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；
[0018]S08：将销售预测模型分析出来的数据通过数据可视化模块实现可销售区域的可视化，界面显示区域环境的实时信息、药品功能作用类别、药品实时销售记录、以及区域药品的需求预测信息；通过这个界面，销售人员可以实时了解到各区域的情况，以及各区域的药品需求量，从而对销售人员起到辅助作用。
[0019]优选地，技术方案中，步骤S03中，惯性权重w为：
[0020]w＝w
start
‑
(w
start
‑
w
end
)
×
(max
‑
iter)/max
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]其中w
start
...

【技术保护点】

【技术特征摘要】
1.一种基于IPSO
‑
LSTM模型的医药销售预测系统，其特征在于：包括依次通信连接的数据采集与处理模块、药品分类模块、药品需求预测模块、数据可视化模块；所述数据采集和处理模块，用于采集药品历史销售数据，包括药品历史销售量数据、往年流行病数据，并对药品历史销售数据进行归一化预处理，以获取归一化数据；所述药品分类模块，对药品按照功能主治与用途进行分类；所述药品需求预测模块，对归一化数据结合药品历史销售数据，来预测未来药品销售量；所述数据可视化模块，对采集的药品历史销售数据和药品预测销售数据进行可视化处理。2.一种基于IPSO
‑
LSTM模型的医药销售预测系统的预测方法，其步骤为：S01：采集实时数据集，实时数据集包括销售地域的环境情况、药品的种类和作用、医院药品的往年需求数量、往年流行病传播数据；S02：运用朴素贝叶斯分类算法，对药品进行功能分类；分类过程包括分解出药品数据中的特征，并计算特征在药品中的条件概率，分解出分类样本的特征，计算类别概率；其中概率结果值最大的，判为样本药品的类别；S03：通过改进型粒子群算法优化LSTM回归数据，改进惯性权重w和学习因子c1、c2；考虑到药品的销售量主要受季节性和更新替代性波动，选取某类药品季节性需求度m
i
和更新替代性n
i
为粒子的位置和速度，利用改进型粒子群算法返回最优参数取值；根据改进型粒子群算法返回的最优参数m
i
和n
i
，构建LSTM模型，模型通过训练数据和验证数据进行训练，通过往年药品销售数据集进行预测检验，预测出各区域内正常情况下的药品销售量Z
i
；S04：采集各区域环境因素数据，从中提取若干个特征，通过随机抽取特征构建随机森林模型，计算熵的大小，来筛选特征，再通过构建模型，预测出药品在各区域环境因素影响下的销售变化量M(t)；S05：收集往年流行病传播数据，依据往年流行病的感染人数情况，将正常情况下的感染人数比例a设定为状态1，将流行病爆发情况下的感染人数比例b、c、d分别设为状态2、3、4，根据状态1
‑
4得出今年的概率向量S(1)，以此预测出今年是否会爆发流行病；S06：根据步骤S05的结果，若预测今年流行病爆发，则需要在步骤S05基础上预测出感染人数R(t)以及康复所需的药品量D
i
；考虑到感染者的药品使用量和体内免疫力与感染病毒的抗药性相关，选取免疫力指标x
i
和病毒抗药性v
i
作为粒子的位置和速度，利用改进型粒子群算法返回最优参数，根据返回的最优参数构建LSTM模型，预测出感染者为康复所需的药品量D
i
；S07：根据步骤S03得到的各区域内正常情况下的药品销售量Z
i
、步骤S04得到的药品在各区域环境因素影响下的销售变化量M(t)、步骤S06得到的感染人数R(t)以及康复所需的药品量D
i
，计算各区域内药品的销售量Y
i
：Y
i
＝M(t)+Z
i
+D
i
×
R(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；S08：将销售预测模型分析出来的数据通过数据可视化模块实现可销售区域的可视化，界面显示区域环境的实时信息、药品功能作用类别、药品实时销售记录、以及区域药品的需求预测信息，从而对销售人员起到辅助作用。3.根据权利要求2所述的基于IPSO
‑
LSTM模型的医药销售预测系统的预测方法，其特征在于：步骤S03中，惯性权重w为：w＝w
start
‑
(w
start
‑
w
end
)
×
(max
‑
iter)/max
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
其中w
start
为初始值，w
end
为最终值，max为算法最大迭代次数，iter为当前迭代次数；学习因子c1、c2分别为：c1＝c
start
‑
(c
start
‑
c
end
)
×
(max
‑
iter)/max
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)c2＝4
‑
c...

【专利技术属性】
技术研发人员：雷桂根，雷贯英，张晓燕，
申请(专利权)人：江西药葫芦科技有限公司，
类型：发明
国别省市：