需求不确定下的药品库存需求预测模型制造技术

本发明专利技术提供了一种需求不确定下的药品库存需求预测方法。该方法是一种聚类下的泊松时空概率网络模型，通过聚类加强药品间需求的关联性，在聚类后的时间段上重新按时间进行排序，通过时空网络捕获关联性信息输出泊松采样分布参数，此参数包含需求的关联性信息，变分分布更新每次捕捉到的药品需求关联性信息，找到此参数最优分布，将此参数分布近似为泊松分布参数构造先验分布，然后在计算中泊松过程捕获时间上的需求异质性，将时空网络分布和泊松过程分布构成联合概率分布解决药品库存需求的不确定性。通过大量的实验证明，本方法能提供优于现存基线模型的预测效果，提高预测精准度，既能降低仓储成本，加强节能降耗，又能满足人们的不确定用药需求。人们的不确定用药需求。人们的不确定用药需求。

【技术实现步骤摘要】
需求不确定下的药品库存需求预测模型


[0001]本专利技术专利涉及一种药品库存需求预测方法，在药品库存补货领域具有极其重要的应用前景。

技术介绍

[0002]在医药仓储行业，药品库存需要严格保证需求量又需要控制仓储成本。随着人们对自身的健康要求越来越高，导致医药仓储公司需要一个更加快捷、精准的药品库存控制水平，来应对人们对药品的随机不确定需求。药品对病人是生命攸关的，库存缺失的情况需要极力避免，药品库存管理是为了以合适的库存成本、补货策略达到用户用药需求满意，但也存在着诸多问题，例如企业信息网络共享程度低，信息传递滞后。现如今如何精准的预测人们的用药需求，保证药品供应不滞后，依旧是药品库存需求预测的主要解决方向，比如，一方面药品需求存在关联随机性问题，另一方面药品需求存在时间异质性问题。所以如何合理的处理人们的需求不确定信息是库存需求预测的研究难题。
[0003]因此，为了解决药品库存需求的随机性问题，给出了以下解决方法，首先将药品单元定义为具有依赖关系的随机变量，使用药品分段聚类加强时间段内同类或者强关联性药品的关联性，然后使用时空贝叶斯卷积模型捕获变量依赖关系。为了解决药品库存需求的时间异质性问题，通过异质泊松过程方法解决，将这种时间序列上差异需求量近似为异质泊松过程(NHPP)。由于库存需求预测的复杂性，本专利技术设计了一种基于聚类的概率推理预测方法来解决药品库存需求的不确定性问题，该模型可以有效对数据先验分布进行采样，而且聚类进一步的增加了模型对药品间的关联性获取，其中时空网络使用门控循环单元(GRU)和贝叶斯卷积网络(BCNN)对时间序列数据捕获随机需求特征，被用来构造泊松近似概率分布。然后使用贝叶斯推理网络模型对时间相关性和需求随机性特征进行概率分布近似，最后使用变分推理(VI)优化近似分布过程参数并更新到最接近泊松近似的后验分布。大量实验结果表明，本专利技术应用在药品库存不确定需求中，可以捕获到更多的历史需求不确定信息，最终得到更加准确的预测效果。

技术实现思路

[0004]在药品库存需求预测场景中，由于人们多种多样的需求差异，表现在时间上对药品的需求存在各种不确定的情况，这种药品需求的不确定会造成库存需求数据的不均衡分布。现在大多数预测方法在处理这种不均衡数据时存在很多短板，比如，(1)药品间的各种类别需求关联性没有得到很好的处理，(2)不能捕获药品需求的随机性信息，(3)对时间上各种药品的需求不确定信息不能准确的把握。这些因素都会造成库存需求预测的不准确，所以针对上述短板问题，本专利技术提出了一种聚类的时空网络概率分布预测方法，增强模型对全部需求信息的掌握，增加预测的准确性，为库存节约成本，为人们用药提供满意的服务。
[0005]本专利技术主要包括四个部分：(1)进行问题建模。(2)对每种药品随机需求数据进行
分段聚类。(3)门控循环单元结合贝叶斯卷积的时空网络。(4)泊松过程近似。(5)使用随机变分推理的泊松时空概率网络。(6)对模型的有效性进行实验验证。
[0006]下面分别介绍以上五部分的内容:
[0007]1、进行问题建模。针对实际问题，对模型进行实际分析概念定义，并且对目标概率分布进行定义。
[0008]2、对每种药品随机需求数据进行分段聚类。在时间需求线上，生成的药品需求数据中人们对每个药品单元的需求都是随机的，对药品进行分段时间内按时间顺序进行K
‑
Means++聚类可以加强药品的关联性。
[0009]3、门控循环单元结合贝叶斯卷积的时空网络。在时间上经过聚类的药品单元会存在强关联性，通过时空网络捕获需求过程中的随机关联性和不确定性，其中BCNN可以有效的捕获到需求过程中的随机不确定信息，在计算过程中经过参数的不断变分优化最终得到包含尽可能多的需求信息的时空概率分布参数。
[0010]4、泊松过程近似。首先在经过时空网络计算的需求信息会输出潜在变量近似分布参数和作为泊松率的近似参数，然后使用泊松过程采样，对药品需求时间异质性近似进行序列建模生成贝叶斯先验分布。
[0011]5、使用随机变分推理的泊松时空概率网络。其中时空生成模块是时空概率分布和泊松近似潜在变量先验分布的联合运算，时空推理模块是使用时空输出近似泊松采样的概率分布，随机变分推断是用最大化证据下限的方法更新参数优化近似概率分布，找到最有目标近似分布。
[0012]6、对模型的有效性进行实验验证。通过实验表明，本专利技术在多个预测任务上的预测指标都优于基准模型，证明时空贝叶斯卷积网络可以提高全体参数计算的精度，使计算中能够充分学习完整后验分布，其中潜在变量近似对泊松建模过程提供包含全部信息的编码，提高预测精准度。既能降低仓储成本，节约能源使用，又能满足人们的不确定用药需求。
[0013]本专利技术为实现上述目的所采取的详细实施步骤如下：
[0014]步骤1：进行问题建模。定义药品原始需求数据D：{x1,
···
,x
n
}经过聚类后的数据为O：{X1,
···
,X
t
}，并且在文中表示为观测数据，然后在经过时空网络GBCNN后学习获得具有随机信息数据y：{y1,
···
,y
n
}。定义观测值经过GBCNN的输出如下公式所示：
[0015][0016]其中对变量观测值X
t
输出的均值和方差定义为泊松近似过程中的先验分布参数。将泊松率λ
t
参数化为潜在变量和进行泊松采样，然后泊松采样近似先验分布p(x)，变分推断最大后验概率优化参数化模型。我们的目标是使用泊松过程近似包含随机关联和时间异质性信息的需求概率分布，从而帮助我们获得最真实的预测结果。目标公式如下：
[0017][0018]其中Pois将潜在变量和采样为可学习的近似分布。
[0019]步骤2：对每种药品随机需求数据进行分段聚类。通过聚类算法对药品数据进行聚类，采用将分段时间n天内的需求药品按时间顺序聚类成簇数为k的时间序列数据作为模型
的数据输入。然后输出具有强关联信息的时间序列数据O：{X1,
···
,X
t
}，聚类输出如下公式所示:
[0020]X
t
＝K
‑
Means++(k,x
i
)
[0021]其中x
i
代表原始输入数据，然后在经过K
‑
Means++聚类算法输出时间序列X
t
，k代表聚类算法簇的数量。
[0022]步骤3：门控循环单元结合贝叶斯卷积的时空网络。将强依赖数据X
t
通过GRU模块输出包含之前相关信息的时间记忆节点h
t
。然后将GRU输出的时间记忆序列输入到BCNN捕捉随机需求信息，输出为带有随机关联性药品信息的均值和方差为先验分布采样。计算过程如下：
[0023]步骤3.1：通过GRU时间序列模型学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于KGBCNN
‑
VP的药品库存需求预测方法，其特征在于包括下述步骤：定义：K全称为K
‑
means++聚类算法，本发明中是一种将药品进行分段聚类的算法，GBCNN全称为GRU+BCNN时空网络，即门控循环单元和贝叶斯卷积神经网络，被用来捕捉随机和不确定性需求信息，VP全称为variationalPoisson，即变分泊松，它是将泊松近似分布进行变分推理优化；该方法具体包括下述步骤：步骤1：进行问题建模；定义药品原始需求数据D：{x1,
···
,x
n
}经过聚类后的数据为O：{X1,
···
,X
t
}，并且在文中表示为观测数据，然后在经过时空网络GBCNN后学习获得具有随机信息数据y：{y1,
···
,y
n
}。定义观测值经过GBCNN的输出如下公式所示：其中对变量观测值X
t
输出的均值和方差定义为泊松近似过程中的先验分布参数。将泊松率λ
t
参数化为潜在变量和进行泊松采样，然后泊松采样近似先验分布p(x)，变分推断最大后验概率优化参数化模型。我们的目标是使用泊松过程近似包含随机关联和时间异质性信息的需求概率分布，从而帮助我们获得最真实的预测结果。目标公式如下：其中Pois将潜在变量和采样为可学习的近似分布。步骤2：对每种药品随机需求数据进行分段聚类；通过聚类算法对药品数据进行聚类，采用将分段时间n天内的需求药品按时间顺序聚类成簇数为k的时间序列数据作为模型的数据输入。然后输出具有强关联信息的时间序列数据O：{X1,
···
,X
t
}，聚类输出如下公式所示:X
t
＝K
‑
Means++(k,x
i
)其中x
i
代表原始输入数据，然后在经过K
‑
Means++聚类算法输出时间序列X
t
，k代表聚类算法簇的数量。步骤3：门控循环单元结合贝叶斯卷积的时空网络；将强依赖数据X
t
通过GRU模块输出包含之前相关信息的时间记忆节点h
t
。然后将GRU输出的时间记忆序列输入到BCNN捕捉随机需求信息，输出为带有随机关联性药品信息的均值和方差为先验分布采样。计算过程如下：步骤3.1：通过GRU时间序列模型学习每天需求药品的时间关联；在定义影响药品库存需求过程中，不仅存在时间上的复杂需求，其中与天气和温度这些外部影响因素也有很大的关系，所以定义在时间t上的聚类数据O：{X1,
…
,X
t
}和外部影响变量M：{m1,
…
,m
t
}作为GRU输入，捕获数据点间的时间相关信息，获得时间记忆和时序数据的依赖关系，计算中结合新的输入x
t
和上一时间步上的记忆状态h
t
‑1递归的更新隐藏状态h
t
。隐藏状态节点数据输出如下：其中是在GR...

【专利技术属性】
技术研发人员：田冉，卢梦，冷吉锴，杨赛赛，赵光路，康春明，
申请(专利权)人：西北师范大学，
类型：发明
国别省市：