CN111091241A - 一种基于bp神经网络的药品销量预测与决策方法及系统 - Google Patents
一种基于bp神经网络的药品销量预测与决策方法及系统 Download PDFInfo
- Publication number
- CN111091241A CN111091241A CN201911269268.4A CN201911269268A CN111091241A CN 111091241 A CN111091241 A CN 111091241A CN 201911269268 A CN201911269268 A CN 201911269268A CN 111091241 A CN111091241 A CN 111091241A
- Authority
- CN
- China
- Prior art keywords
- sales
- data
- prediction
- neural network
- drug
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 222
- 229940079593 drug Drugs 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 145
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 93
- 238000012937 correction Methods 0.000 claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 20
- 239000010410 layer Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 6
- 229960001138 acetylsalicylic acid Drugs 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于BP神经网络的药品销量预测与决策方法及系统。本发明包括：获取药品历史销量的相关数据信息，对其进行预处理、异常数据检验，基于预处理后的药品历史销量数据采用基本BP神经网络进行预测；基于药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正；基于输出的预测结果进行销量决策。本发明通过基于大数据的神经网络药品销售预测算法，提高预测精度，通过各修正步骤进一步的提高预测精度。本发明能够准确预测未来一段时间内各个周期的药品销售量；同时能够在现有情况下基于预测结论做出一系列能够改变药品销售形势的合理决策方案，以使未来一段时间内的药品销售总量最大。
Description
技术领域
本发明涉及制药领域，尤其涉及一种基于BP神经网络的药品销量预测与决策方法及系统。
背景技术
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。数据挖掘技术正是一种将大数据中的各类数据进行合理整合并加以分析，以达到获取数据本身内在联系和规律的技术。数据挖掘需要同时兼顾计算效率和计算精度，这依赖于具有强大搜索能力的智能优化算法。随着智能算法研究的深入推进，已经有诸多的智能优化算法应用于数据挖掘中。但由于大多数传统优化算法都存在着各种类型的缺陷，导致其计算精度有限或计算效率不足，已经不能满足现在的需求。为此，众多相关学者在不断的研究中提出了很多的算法改进策略，但仍有研究的空间。
就药品销售问题而言，对药品销售量进行精确的近期预测能够帮助药品厂商决策者准确预判市场趋势并合理制定短期决策；对影响药品销售量的相关行为做出准确的合理决策能够帮助药品厂商决策者最大程度的提升效益。所以，药品销售预测与决策问题的主要目标是确定能够使得近期销售量、销售成本和销售利润的综合指标最优或利润最大的销售决策方案，是药品销售行业中一个非常常见的实际问题，也是目前的热点研究课题。
预测是人们日常生产生活中的常见问题。但对于药品销售预测，尽管诸多预测方法可行，但受制于其预测方法的局限性，大部分预测方法难以给出精确的药品销售近期预测结果，诸如Aram时间序列预测算法和支持向量机(SVM)预测算法。Aram时间序列预测适合于预测波动较小的数据模型，但随着社会经济的进步，药品销量受各种因素影响，且影响关系复杂，这一定程度的导致了Aram时间序列预测算法失去其自身优势；支持向量机(SVM)预测算法适合于已知预测的影响规律较多的数据模型，且本身不易被改进。
销售环境、销售决策和销售执行力是决定销售前景的3个最重要的因素，其中，销售决策是完全人为可控的，就显得尤为重要。对于药品销售决策，现有决策方法存在2点不足：1.与销售预测无关或基于完全不准确的销售预测结果进行决策；2.采用的决策方法主观性太强。这样的决策方法尽管存在着一定科学合理的依据，但由于上述缺点的存在，会使得决策方案与现实情况不匹配，从而导致决策方案实施以后，销售结果大幅度的背离理想的销售预期。尽管有可能有助于近期的药品销售，但收效不甚明显。
发明内容
根据上述提出的技术问题，而提供一种基于BP神经网络的药品销量预测方法及系统。本发明采用的技术手段如下：
一种基于BP神经网络的药品销量预测方法，包括如下步骤：
S1、获取药品历史销量的相关数据信息，对其进行预处理、异常数据检验，所述相关数据信息包括各个地区的各个产品的药品日销售量和各个地区的各个产品的药品销售量的月影响因素值；
S2、基于预处理后的药品历史销量数据采用基本BP神经网络进行预测；
S3、基于药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正，其中，基于历史数据的数据挖掘预测算法挖掘得到与近期数据最相近的一段历史数据，并用这一段历史数据来修正所述短期预测结果；基于当月销量影响因素的数值与虚拟的未来预设时间段的日销量的数值之间的线性关系修正所述短期预测结果；基于当月销量影响因素的数值与虚拟的预设时间段的日销量的变化数值之间的线性关系修正所述短期预测结果；
S4、输出最终的预测结果，包括药品销售的预测结果和药品销售预测的神经网络中相关连接权的标定结果。
进一步地，所述步骤S3中，历史数据的挖掘算法具体为：
式中，min表示使得近期数据与所选取借鉴的历史数据的整体误差最小；Ferr表示近期数据与所选取借鉴的历史数据的整体误差；m表示被对比的近期数据的长度；k表示回朔节点，也即所选取借鉴的历史数据的时间起点；h表示近期节点，也即近期数据的时间起点；u表示近期节点，也即预测结果数据的时间起点，u＝h+m；l表示历史数据的时间起点，也即整个采样的用于预测的全部数据样本的时间起点；Fd表示处理函数，其用于消除近期数据与所选取借鉴的历史数据所处的销售环境和影响因素不同而带来的销售趋势和销售量的影响；xit′为第it个条目的经过处理后的历史数据的相应数据；mmin和mmax表示所需被对比的近期数据的长度的最小值和最大值；
采用上述公式(1)所述的数学模型，得到用以修正基于大数据的药品销售BP神经网络预测方法得到的预测结果的修正数据，即：
XBP,H＝α1,1×XBP+α1,2×(xk+m+1,xk+m+2,......,xk+m+fL) (2)
式中，
表示同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据和历史经验的药品销售预测修正方法得到的短期预测结果；
表示采用基于大数据的药品销售BP神经网络预测方法得到的短期预测结果；α1,1和α1,2分别表示具体的基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
和从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)的线性加权权重，满足α1,1＞0，α1,2＞0，α1,1+α1,2＝1。
进一步地，基于药品销售先验数据的销售预测修正方法具体如下所述公式：
XBP,H,K＝α2,1×XBP+α2,2×(xk+m+1,xk+m+2,......,xk+m+fL)+α2,3×XK (3)
式中，
表示同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到的短期预测结果；
表示通过药品销售先验知识给出的关联规则得到的短期预测修正结果；α2,1、α2,2和α2,3分别表示具体的基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)、通过药品销售先验知识给出的关联规则得到的短期预测修正结果
的线性加权权重，满足α1,1＞0，α1,2＞0，α1,1+α1,2＝1。
通过药品销售先验知识给出的关联规则可给出相应的修正公式以得到的短期预测修正结果
其具体如下所述公式所述：
式中，
表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果；d表示当月数据的月份起点；m′表示当月影响因素的数目；Fd,i表示当月月份，即第d个月份的第i个销量影响因素经归一化处理后并做滤除0值的处理以后的值；α2,3,1和α2,3,2分别表示具体的当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果
和由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果
的线性加权权重，满足α2,3,1＞0，α2,3,2＞0，α2,3,1+α2,3,2＝1；a1,ij表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系中第j个输出，即第u+j日的日销量与第i个输入，即第i个销量影响因素的连接权；a2,ij表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系中第j个输出与第i个输入的连接权。
进一步地，修正算法中，若输入和输出的数据确定且输入与输出存在线性加权的关系，其权系数标定采用最小二乘法；若输入和输出的数据不确定且输入与输出存在线性加权的关系，其权系数标定通常采用遗传算法类的智能寻优算法。
一种基于BP神经网络的药品销量决策方法，包括如下步骤：
S5、将销售因素的数值做归一化处理，即在某一当月销售影响因素拟定改变且拟定改变量确定的前提下，基于预测销量最大的优化指标的考虑并结合历史数据给出一种销售决策方案，也即给出各个当月销售影响因素的值；
S6、读取基于BP神经网络的药品销量预测方法步骤S4的最终的预测结果，其中，步骤S1采集的值还包括各个地区的各个产品的药品销售量的月影响因素值的上下界值；
S7、查看是否满足终止决策条件，若不满足，则从基于BP神经网络的药品销量预测方法的步骤S2重新运行，若满足，则转入步骤S8；
S8、输出最终的决策结果，其具体为满足终止决策条件情况下各决策的最优解。
进一步地，基于大数据的药品销售预测方法的决策模型如下述公式(8)、(9)、(10)、(11)所述：
XBP,H,K′＝α2,1×XBP+α2,2×(xk+m+1,xk+m+2,......,xk+m+fL)+α2,3×XK′ (8)
式(8)至(11)中，
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示月影响因素被合理改变的前提下，同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到的短期预测结果；
分别表示“等价”关系，也即左右两边的式子等价；max(∑XBP,H,K′)和max(∑XK′)分别表示∑XBP,H,K′和∑XK′的最大值；ic表示预期改变的销量影响因素的索引值；F′d,ic表示当月月份，即第d个月份的第ic个销量影响因素的值，也即当月月份预期改变的销量影响因素的值；Fmin,ic和Fmax,ic分别表示合理决策情况下，F′d,ic的最小值和最大值；inc表示预期改变的销量影响因素以外的其它索引值；F′d,inc表示当月月份的第inc个销量影响因素的值，也即由于受到当月月份预期改变的销量影响因素的值改变而改变的销量影响因素的值；Fmin,inc和Fmax,inc分别表示合理决策情况下，F′d,inc的最小值和最大值；F′h,ic表示某个历史月份，即第h个月份的第ic个销量影响因素的值；ΔFp表示合理决策情况下，当月月份与历史月份的第ic个销量影响因素的值的最大比值；
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果。
基于上述方法，本发明还公开了一种基于BP神经网络的药品销量预测、决策系统，包括：用于获取药品历史销量的相关数据信息的数据采集单元，用于对数据采集单元采集的数据进行处理的数据处理单元、用于存储数据采集单元采集数据的数据储存单元和用于将数据处理单元处理的结果可视化展示的数据可视化单元，其中，所述数据处理单元包括：
数据清洗单元，用于对获取的药品历史销量的相关数据信息进行预处理、异常数据检验，并将异常数据清洗；
BP神经网络构建单元，用于基于清洗后的数据构建BP神经网络；
销售预测结果修正单元，用于通过药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正；
加权整合单元，用于采用预设的算法标定药品销售预测中的相关连接权，并通过对修正后的销售预测结果进行线性加权，获得最终结果；
决策条件判断模块，用于判断决策次数是否超过预设值。
本发明通过基于BP神经网络的的神经网络药品销售预测算法，提高预测精度，通过结合历史数据提取得到的经验规律、销售行业的先验知识对神经网络药品销售预测算法修正，进一步的提高预测精度。基于此，本发明能够准确预测未来一段时间内各个周期的药品销售量；同时能够在现有情况下基于预测结论做出一系列能够改变药品销售形势的合理决策方案，以使未来一段时间内的药品销售总量最大。
基于上述理由本发明可在制药领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明药品销售预测流程图。
图2为本发明药品销售决策流程图。
图3为本发明药品销售大数据的数据仓库结构图。
图4为本发明实施例中单层神经网络结构图。
图5为本发明实施例中虚拟关联规则示意图。
图6为本发明实施例中2016年4月至6月所有省市的所有产品的药品销售预测实验结果图。
图7为本发明实施例中一具体省的所有产品的药品销售预测实验结果图。
图8为本发明实施例中所有省市的阿司匹林的药品销售预测实验结果图。
图9为本发明实施例中一具体省的阿司匹林的药品销售预测实验结果图。
图10为本发明实施例中尚未施加决策的所有省市的所有产品的药品销售决策实验结果图。
图11为本发明实施例中以决策构想方案1为前提施加决策的所有省市的所有产品的药品销售决策实验结果图。
图12为本发明实施例中以决策构想方案2为前提施加决策的所有省市的所有产品的药品销售决策实验结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本实施例公开了一种基于BP神经网络的药品销量预测方法，包括如下步骤：
S1、获取药品历史销量的相关数据信息，对其进行预处理、异常数据检验，所述相关数据信息包括各个地区的各个产品的药品日销售量和各个地区的各个产品的药品销售量的月影响因素值；
S2、基于预处理后的药品历史销量数据采用基本BP神经网络进行预测；
S3、基于药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正，其中，基于历史数据的数据挖掘预测算法挖掘得到与近期数据最相近的一段历史数据，并用这一段历史数据来修正所述短期预测结果；基于当月销量影响因素的数值与虚拟的未来预设时间段的日销量的数值之间的线性关系修正所述短期预测结果；基于当月销量影响因素的数值与虚拟的预设时间段的日销量的变化数值之间的线性关系修正所述短期预测结果；
S4、输出最终的预测结果，包括药品销售的预测结果和药品销售预测的神经网络中相关连接权的标定结果。
本实施例步骤S1中，采集得到的相关数据来源于中国国内的多家医院和制药企业，含31个省份(200多个城市)的26种主流药品在2010-2018年的单日销售量及其影响销量的10个因素的值。上述10个影响销量的因素具体为销售区域数量、目标机构数量、拜访次数、目标医生数量、活动次数、库存数量、活动费用、活动参会人数、竞品市场总额和竞品市场占比。
对上述数据进行预处理以方便后面的计算，也即将上述数据(约为4.7×107)存入Hadoop框架下的hive数据库中，并建立相应的数据仓库。Hadoop框架下的hive数据库是大数据处理中最常见的数据存储工具，因其相比于传统数据库(诸如SQL数据库)，Hadoop框架下的hive数据库具有提取数值速度快、容错能力强、灵活性好、数据库维护成本低等优势，故而被本发明所采用。上述数据仓库中含21张主要表单，具体的药品销售大数据的数据仓库结构图如图3所示。
不符合常理的历史数据(历史脏数据)会严重影响最终的预测精度，因而在数据预处理以后，还需要对历史数据进行检验并排除历史脏数据。本案例采用非等置信概率法予以筛除。如果某检测值与平均值的差值的绝对值大于标准差的三倍，则予以筛除，具体表达式如下：
式中，xit为第it个条目的待检测的历史数据，it为索引值，
为均值，Sr为标准差。
若公式(14)不满足，则xit为历史脏数据，记为xit′。大数据中，需在预测算法执行前被删除存在历史脏数据xit′的历史数据条目(在存储的矩阵中，即为对应的行)。
神经网络算法是大数据预测中的常用算法，本实施例步骤S2采用的基本BP算法包括信号前向传播和误差反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。其中，单层神经网络结构图如图4所示。
图中，x＝[x1,x2,......,xn]T为输入向量，y＝[y1,y2,......,ym]T为输出向量，wij为xi到yj的连接权，
采用以下BP神经网络的学习方法来更好的提升网络的泛化性能。设BP神经网络的层数为Q，第一层为输入层，第Q层为输出层，中间为隐含层，第q层的神经元个数为nq，其第q层中相应的第i个输入与第j个输出(神经元)的连接权为
输出
与输入
的变换关系为
若完成BP神经网络的训练，则需要给定P组输入样本
和输出样本
(其中p＝1,2,......,P)，并使得拟合误差的代价函数最小，拟合误差的代价函数为
BP神经网络的训练主要采用基于梯度下降的反向递推法，对连接权
进行计算。然而，由于连接权
的数目非常之多，以至于即使给了足够多的计算时间，采用各种寻优都难以寻到其最优解，仍然不能预测得到准确结果，需要采用适当的修正方法对其预测方法进行修正，以改善其预测效果。
药品销售的历史数据对预测至关重要。其原因之一在于药品销售现象往往具有历史回溯的性质，也即由于药品销售存在着各种因素的相关性，在销售历史中，若长时间里施加的内因和外因相似，其销售结果也相似，这种相似同时表现在销售趋势和销售量上。因此，如若销售时间足够漫长，对于近期数据(临近预测节点的历史数据)和未来短期结果，总能找到最相近的一段历史数据，这段历史数据的销售趋势和销售量都近似于拟定短期预测的情况。因而，需基于历史数据的数据挖掘预测算法挖掘得到与近期数据最相近的一段历史数据，并用这一段历史数据来修正上述基于大数据的药品销售BP神经网络预测方法的预测结果，会达到提升预测准确程度的目的。具体的一种基于大数据的历史数据挖掘算法的数学模型如下所述：
式中，min表示使得近期数据与所选取借鉴的历史数据的整体误差最小；Ferr表示近期数据与所选取借鉴的历史数据的整体误差；m表示被对比的近期数据的长度；k表示回朔节点，也即所选取借鉴的历史数据的时间起点；h表示近期节点，也即近期数据的时间起点；u表示近期节点，也即预测结果数据的时间起点，显然，近期数据的时间末点为预测节点，所以u＝h+m；l表示历史数据的时间起点，也即整个采样的用于预测的全部数据样本的时间起点；Fd表示处理函数，近期数据与所选取借鉴的历史数据所处的销售环境和影响因素都不同，因此，需对所选取借鉴的历史数据进行相应的处理以尽可能消除这种不同带来的销售趋势和销售量的影响，以便于更符合实际情况；xit′为第it个条目的经过处理后的历史数据的相应数据；mmin和mmax表示所需被对比的近期数据的长度的最小值和最大值，若被对比的近期数据的数据量不足，则难以反映真实情况，但若被对比的近期数据的数据量太多，则难以设计处理函数Fd。
采用上述公式(1)所述的数学模型，可得到用以修正基于大数据的药品销售BP神经网络预测方法得到的预测结果的修正数据。具体的基于大数据和历史经验的药品销售预测修正方法如下所述公式所述：
XBP,H＝α1,1×XBP+α1,2×(xk+m+1,xk+m+2,......,xk+m+fL) (2)
式中，
表示同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据和历史经验的药品销售预测修正方法得到的短期预测结果；
表示采用基于大数据的药品销售BP神经网络预测方法得到的短期预测结果；α1,1和α1,2分别表示具体的基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
和从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)的线性加权权重，满足α1,1＞0，α1,2＞0，α1,1+α1,2＝1。
研究表明，一些药品销售先验知识有助于药品销售预测。对于销售，销量影响因素可以影响销量，但影响的程度和规律有不同。就药品销售而言，药品销售的当月销量影响因素的数值会显著的影响未来3个月的日销量的数值和变化数值，但是，具体的关联规则是未知的。为解决上述关联规则未知的问题，需人为构造关联规则并通过优化关联规则相关模型中的参数来逼近真实关联规则。因此，本发明实施例构建了两个线性的虚拟关联规则，具体的虚拟关联规则示意图如图5所示。
基于上述基于销售先验知识得到的虚拟关联规则，并结合历史经验，可以给出一种基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法，其具体如下所述公式所述：
XBP,H,K＝α2,1×XBP+α2,2×(xk+m+1,xk+m+2,......,xk+m+fL)+α2,3×XK (3)
式中，
表示同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到的短期预测结果；
表示通过药品销售先验知识给出的关联规则得到的短期预测修正结果；α1,1、α1,2和α1,3分别表示具体的基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)、通过药品销售先验知识给出的关联规则得到的短期预测修正结果
的线性加权权重，满足α1,1＞0，α1,2＞0，α1,1+α1,2＝1。
通过药品销售先验知识给出的关联规则可给出相应的修正公式以得到的短期预测修正结果
其具体如下所述公式所述：
式中，
表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果；d表示当月数据的月份起点；m′表示当月影响因素的数目，本发明中，m′的取值为10；Fd,i表示当月月份(第d个月份)的第i个销量影响因素经归一化处理后并做滤除0值的处理以后的值；α2,3,1和α2,3,2分别表示具体的当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果
和由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果
的线性加权权重，满足α2,3,1＞0，α2,3,2＞0，α2,3,1+α2,3,2＝1；a1,ij表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系中第j个输出(第u+j日的日销量)与第i个输入(第i个销量影响因素)的连接权；a2,ij表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系中第j个输出(第u+j日的日销量)与第i个输入(第i个销量影响因素)的连接权。
本发明实施例还公开了一种基于BP神经网络的药品销量决策方法，包括如下步骤：
S5、将销售因素的数值做归一化处理，即在某一当月销售影响因素拟定改变且拟定改变量确定的前提下，基于预测销量最大的优化指标的考虑并结合历史数据给出一种销售决策方案，也即给出各个当月销售影响因素的值；
S6、读取基于BP神经网络的药品销量预测方法步骤S4的最终的预测结果，其中，步骤S1采集的值还包括各个地区的各个产品的药品销售量的月影响因素值的上下界值；
S7、查看是否满足终止决策条件，若不满足，则从基于BP神经网络的药品销量预测方法的步骤S2重新运行，若满足，则转入步骤S8；
S8、输出最终的决策结果，其具体为满足终止决策条件情况下各决策的最优解。
销售决策是决策者为了达到某种销售预期目的而做出的决策。销售预期目的通常是提高销售量、增加利润额或降低销售成本。由此可知，唯有基于销售预测的预测结果才能给出客观合理的销售决策方案。本发明的销售决策方案方法需基于销售预测的预测结果。因此，药品销售预测所需要的数据采集、预处理及异常数据检验的数据、方法、工具，药品销售决策也全部需要。与此同时，药品销售决策还需要实施决策所必需的更多的数据量和方法。合理决策需要考虑数据的上下界，以日销量为例，若历史数据足够多，则历史数据中最大的日销量值即是短期决策中的日销量上界值，历史数据中最小的日销量值即是短期决策中的日销量下界值。所以，药品销售决策需采集得到各个数据的上、下界值。同样的，经过数据预处理以后，hive数据库中的数据仓库的表单里也应有几个关于界值的表单，以方便销售决策相关计算过程中快速提取相应数据的上、下界值。异常数据检验中，除了要筛除脏数据，还要清除越界数据。
销售决策中，销售影响因素对于销量能够产生一定程度的影响。在销售决策之前，需将销售因素的数值做归一化处理。由于各种销售因素在量纲和量级上存在差异，因而需要通过归一化处理来消除这种差异对决策计算的影响。对于任一个销售影响因素，尽管量纲不会发生变化，但不同时间区段的量级也会存在差异。具体的归一化处理的标准公式如下述公式(5)、(6)所述：
式中，Fij′表示所考察的时间区段中第i个索引的销量相应的第j个影响因素归一化处理以后的值；min和max分别表示取被比较数组中的最小值和最大值；n表示所考察的时间区段的长度。若上述销量影响因素Fij为正数，则采用公式(5)进行计算，否则采用公式(6)进行计算。
需将归一化处理后的指标值进一步处理，以滤除0值，以便于合理计算。这是由于后续计算中会使用除法，而0不能作为除数。具体滤除0值的公式如下述公式(6)所述：
Fij″＝Δz+(1-2×Δz)×Fij′ (7)
式中，Fij″表示表示所考察的时间区段中第i个索引的销量相应的第j个影响因素归一化处理后并做滤除0值的处理以后的值；Δz表示选取的一个合理的小数值，本发明中，Δz的取值为0.02。不做特殊说明，本发明中影响因素的值皆指该影响因素归一化处理后并做滤除0值的处理以后的值。
基于大数据的药品销售预测方法的决策模型如下述公式(8)、(9)、(10)、(11)所述：
XBP,H,K′＝α2,1×XBP+α2,2×(xk+m+1,xk+m+2,......,xk+m+fL)+α2,3×XK′ (8)
式(8)至(11)中，
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示月影响因素被合理改变的前提下，同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到的短期预测结果；
分别表示“等价”关系，也即左右两边的式子等价；max(∑XBP,H,K′)和max(∑XK′)分别表示∑XBP,H,K′和∑XK′的最大值；ic表示预期改变的销量影响因素的索引值；F′d,ic表示当月月份(第d个月份)的第ic个销量影响因素的值，也即当月月份预期改变的销量影响因素的值；Fmin,ic和Fmax,ic分别表示合理决策情况下，F′d,ic的最小值和最大值；inc表示预期改变的销量影响因素以外的其它索引值；F′d,inc表示当月月份(第d个月份)的第inc个销量影响因素的值，也即由于受到当月月份预期改变的销量影响因素的值改变而改变的销量影响因素的值；Fmin,inc和Fmax,inc分别表示合理决策情况下，F′d,inc的最小值和最大值；F′h,ic表示某个历史月份(第h个月份)的第ic个销量影响因素的值；ΔFp表示合理决策情况下，当月月份(第d个月份)与历史月份(第h个月份)的第ic个销量影响因素的值的最大比值；
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果。
由基于大数据的药品销售预测方法的决策模型可以得出以下结论。由式(8)可知，通常情况下，改变月影响因素对于销量的影响都不是主要的，仅能改变式(8)中的XK′。这与实际的药品销售常识也相符合，药品销售受多种因素的影响且具有一定的趋势，一旦某种趋势形成，希冀短期施加一些措施去扭转是不现实的，唯有长期力行合理决策并有效执行，才能逐步积累起销售优势。由式(9)可知，通过合理决策使得预测的时间周期里的销售总量最大等同于使得预测的时间周期里的由销量影响因素决定的可变销售总量最大。
式(8)至(11)说明了本发明的基于大数据的销售决策方案的给定流程：1.选定最重要或最能实现改变的当月销量影响因素并拟定改变为某个合理的值；2.再于历史数据中寻到与该销量影响因素拟改变值相接近的某个月份；3.然后基于当月该销量影响因素拟改变值和该月该销量影响因素实际值为依据改变当月其它的(被支配改变的)销量影响因素的值；4.基于拟定的销售决策方案，计算得到该拟定销售决策方案下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果
5.由基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到该拟定销售决策方案下的短期预测结果XBP,H,K′；6.循环往复执行上述步骤2-5，直至一定的次数(本文取60)，选取收效最大(预测周期内销量最大)的拟定销售决策方案作为最终决策的销售决策方案；7.输出最终决策的销售决策方案(当月所有销售影响因素的拟改变值)和对应的销售预测结果以供决策者参考决策。
BP神经网络预测中，一般标定连接权
都采用一种基于梯度的反向递推法，具体的上述基于梯度的反向递推法的计算公式如下述公式(12)所述：
式(12)中，α表示学习率，α＞0，α需选取适当的值，过小则使得学习速度过慢，过大又易于产生过渡修正的问题；μ表示递推系数；q表示神经网络层数的索引，q＝1,2,......,Q；j和i分别为第q层的输出和输入的索引，j＝1,2,......,nq，i＝1,2,......,nq-1；k表示学习次数的索引；
和
表示计算过程中的中间变量。
上述基于梯度的反向递推法是BP神经网络预测中，标定连接权
的常用标定算法。对方法中的常数合理取值并按照计算步骤进行计算，即可获取相应的连接权
但由于连接权
的数目众多，对其求解需兼顾计算速度和计算精度。对于本文研究的药品销售预测的实际问题，任意给出地域和产品的范围，基于大数据库和大数据技术，在5分钟内，采用基于大数据的药品销售BP神经网络预测方法通常可以得到与实际情况相接近的预测结果。然而，由于BP神经网络预测方法的预测能力的限制，若要提高预测精度，需采用BP神经网络预测方法的改进方法。
基于大数据的药品销售预测与决策方法中，为提升预测精度，结合大数据的药品销售的特性，对现有BP神经网络预测方法进行了一定程度的改进。本发明采用下述方法来提升预测精度：首先采用先基于大数据的药品销售BP神经网络预测方法得到具有一定预测精度的预测结果，再基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法对上述预测结果进行修正，以达到提高预测精度的目的。修正算法中，若输入和输出的数据确定且输入与输出存在线性加权的关系，其权系数标定通常采用最小二乘法。例如，当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间及数值变化之间的线性关系中第j个输出(第u+j日的日销量)与第i个输入(第i个销量影响因素)的连接权a1,ij和a2,ij即可采用最小二乘法进行标定，其具体的最小二乘法的计算公式如下述公式(13)所述：
式(13)中，A表示所有连接权构成的连接权矩阵，也即由上述线性关系中全部的连接权构成，其第i行与第j列对应的元素aij即连接权a1,ij或a2,ij；
表示由最小二乘法计算得到的近似解；X表示输入数组，也即销量影响因素构成的数组，XT为其转置，(XTX)-1为XTX的逆矩阵；Y表示输出数组，也即日销量构成的数组。
由于未来3个月的日销量的数值及数值变化是未知的，实际计算中，往往以向前顺次递推的3个月或几个月的数据作为输入和输出，以计算相应的连接权。由于实际过程中，销售趋势不易改变，因而，由此计算得到的连接权的值也具有一定的参考意义。
修正算法中，若输入和输出的数据不确定且输入与输出存在性加权的关系，其权系数标定通常采用遗传算法类的智能寻优算法。例如，基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)、通过药品销售先验知识给出的关联规则得到的短期预测修正结果
的线性加权权重α1,1、α1,2和α1,3即可采用遗传算法进行标定。显然，相比于销售趋势，这一类的线性加权权重与药品类型和销售地域等自身特性的关系更大。由于相应的最优化模型中的关联规则未知，其存在大量数据和复杂的影响关系，因而常规优化方法不易求解。
对于药品销售预测而言，对于上述类似的线性加权权重α1,1、α1,2和α1,3，可在选择相应的几套历史数据用以模拟预测，预测结果与实际结果的差值即可作为适应度函数值，适应度函数值越小越能够说明线性加权权重α1,1、α1,2和α1,3的取值越合理。
基于上述方法，本发明实施例还公开了一种基于BP神经网络的药品销量预测、决策系统，包括：用于获取药品历史销量的相关数据信息的数据采集单元，用于对数据采集单元采集的数据进行处理的数据处理单元、用于存储数据采集单元采集数据的数据储存单元和用于将数据处理单元处理的结果可视化展示的数据可视化单元，其中，所述数据处理单元包括：
数据清洗单元，用于对获取的药品历史销量的相关数据信息进行预处理、异常数据检验，并将异常数据清洗；
BP神经网络构建单元，用于基于清洗后的数据构建BP神经网络；
销售预测结果修正单元，用于通过药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正；
加权整合单元，用于采用预设的算法标定药品销售预测中的相关连接权，并通过对修正后的销售预测结果进行线性加权，获得最终结果；
决策条件判断模块，用于判断决策次数是否超过预设值。
本发明在客户采集得到完整的药品销售预测与决策所需的历史大数据的前提，能够使用python语言编写的本发明给出的基于大数据的药品销售预测与决策方法进行实际的预测与决策，并通过echarts大数据图表展现工具最终展现给客户。本发明设计的基于大数据的药品销售预测与决策系统的环境配置具体如下所述：操作系统为win7；开发语言为python、HTML、js及jquary；图表工具为echarts；web框架为Django；数据库为Hadoop框架下的hive数据库。
在药品销量预测方法和决策方法后，本实施例还通过设计基于大数据的药品销售预测系统的预测实验，以验证本发明的有效性，具体地，药品销售预测实验的预测时间为2016年4月至6月；药品销售预测实验的预测对象分别为“所有省市的所有产品”、“辽宁省的所有产品”、“所有省市的阿司匹林”以及“辽宁省的阿司匹林”；药品销售预测实验的预测方法分别为基于大数据的药品销售BP神经网络预测方法(记为神经网络)、基于大数据的药品销售BP神经网络预测方法结合基于大数据和历史经验的药品销售预测修正方法(记为神经+历史)以及本发明给出的基于大数据的药品销售BP神经网络预测方法结合基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法(记为神经+历史+人工)。具体的药品销售预测实验结果及其预测销量如图6、7、8、9和表1、2、3、4所述。
表1所有省市的所有产品的药品销售预测实验预测销量表(2016年4月至6月)
表2辽宁省的所有产品的药品销售预测实验预测销量表(2016年4月至6月)
表3所有省市的阿司匹林的药品销售预测实验预测销量表(2016年4月至6月)
表4辽宁省的阿司匹林的药品销售预测实验预测销量表(2016年4月至6月)
从图6、7、8、9及表1、2、3、4可以看出，相比于基于大数据的药品销售的传统预测方法(神经网络)及改进预测方法(神经+历史)而言，本发明给出的基于大数据的药品销售预测方法(神经+历史+人工)更科学合理，预测得到的月销量更接近于真实月销量，所获得的销量预测结果更符合实际情况。
本发明采集得到了药品销售决策所需要的全部历史数据，并基于此做了3组药品销售预测实验并与真实的药品销售情况加以对比，以验证本发明提出的基于大数据及其药品销售预测的药品销售决策方法及系统的有效性。药品销售决策实验的预测时间为2016年4月至6月；药品销售决策实验的决策对象为“所有省市的所有产品”；药品销售预测实验的决策方法为本发明给出的基于大数据及其药品销售预测的药品销售决策方法；决策构想方案分别为“将销售区域数量减少至4875”及“将目标机构数量增加至35615”。具体的药品销售决策实验结果及其决策销量如图10、11、12和表5、6所述。
表5所有省市的所有产品的药品销售决策实验的当月影响因素表(2016年3月)
表6所有省市的所有产品的药品销售决策实验预测销量表(2016年4月至6月)
从图10、11、12及表5、6可以看出，采用本文提出的基于大数据的药品销售决策方法，可以预测得到的相应的决策方案，也即当月的各个影响因素值，所获得的销量预测结果也符合实际情况。采用上述2种决策构想方案，通过本文提出的基于大数据的药品销售决策方法，都寻到了比实际销量更理想的销售决策方案。比较上述2种决策构想方案，预测周期内(2016年4月至6月)决策构想方案2为前提的最终决策相应的预测销量，这有助于合理给出实际实施的决策方案。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于BP神经网络的药品销量预测方法，其特征在于，包括如下步骤：
S1、获取药品历史销量的相关数据信息，对其进行预处理、异常数据检验，所述相关数据信息包括各个地区的各个产品的药品日销售量和各个地区的各个产品的药品销售量的月影响因素值；
S2、基于预处理后的药品历史销量数据采用基本BP神经网络进行预测；
S3、基于药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正，其中，基于历史数据的数据挖掘预测算法挖掘得到与近期数据最相近的一段历史数据，并用这一段历史数据来修正所述短期预测结果；基于当月销量影响因素的数值与虚拟的未来预设时间段的日销量的数值之间的线性关系修正所述的短期预测结果；基于当月销量影响因素的数值与虚拟的预设时间段的日销量的变化数值之间的线性关系修正所述的短期预测结果；
S4、输出最终的预测结果，包括药品销售的预测结果和药品销售预测的神经网络中相关连接权的标定结果。
2.根据权利要求1所述的基于BP神经网络的药品销量预测方法，其特征在于，所述步骤S3中，历史数据的挖掘算法具体为：
式中，min表示使得近期数据与所选取借鉴的历史数据的整体误差最小；Ferr表示近期数据与所选取借鉴的历史数据的整体误差；m表示被对比的近期数据的长度；k表示回朔节点，也即所选取借鉴的历史数据的时间起点；h表示近期节点，也即近期数据的时间起点；u表示近期节点，也即预测结果数据的时间起点，u＝h+m；l表示历史数据的时间起点，也即整个采样的用于预测的全部数据样本的时间起点；Fd表示处理函数，其用于消除近期数据与所选取借鉴的历史数据所处的销售环境和影响因素不同而带来的销售趋势和销售量的影响；xit′为第it个条目的经过处理后的历史数据的相应数据；mmin和mmax表示所需被对比的近期数据的长度的最小值和最大值；
采用上述公式(1)所述的数学模型，得到用以修正基于大数据的药品销售BP神经网络预测方法得到的预测结果的修正数据，即：
XBP,H＝α1,1×XBP+α1,2×(xk+m+1,xk+m+2,......,xk+m+fL) (2)
式中，
表示同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据和历史经验的药品销售预测修正方法得到的短期预测结果；
表示采用基于大数据的药品销售BP神经网络预测方法得到的短期预测结果；α1,1和α1,2分别表示具体的基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
和从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)的线性加权权重，满足α1,1＞0，α1,2＞0，α1,1+α1,2＝1。
3.根据权利要求2所述的基于BP神经网络的药品销量预测方法，其特征在于，基于药品销售先验数据的销售预测修正方法具体如下所述公式：
XBP,H,K＝α2,1×XBP+α2,2×(xk+m+1,xk+m+2,......,xk+m+fL)+α2,3×XK (3)
式中，
表示同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到的短期预测结果；
表示通过药品销售先验知识给出的关联规则得到的短期预测修正结果；α2,1、α2,2和α2,3分别表示具体的基于大数据和历史经验的药品销售预测修正方法中基于大数据的药品销售BP神经网络预测方法得到的短期预测结果
从k+m+1条目至k+m+fL条目的历史数据序列(xk+m+1,xk+m+2,......,xk+m+fL)、通过药品销售先验知识给出的关联规则得到的短期预测修正结果
的线性加权权重，满足α1,1＞0，α1,2＞0，α1,1+α1,2＝1；
通过药品销售先验知识给出的关联规则可给出相应的修正公式以得到的短期预测修正结果
其具体如下所述公式所述：
式中，
表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果；d表示当月数据的月份起点；m′表示当月影响因素的数目；Fd,i表示当月月份，即第d个月份的第i个销量影响因素经归一化处理后并做滤除0值的处理以后的值；α2,3,1和α2,3,2分别表示具体的当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果
和由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果
的线性加权权重，满足α2,3,1＞0，α2,3,2＞0，α2,3,1+α2,3,2＝1；a1,ij表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系中第j个输出，即第u+j日的日销量与第i个输入，即第i个销量影响因素的连接权；a2,ij表示由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系中第j个输出与第i个输入的连接权。
4.根据权利要求1～3任一项所述的基于BP神经网络的药品销量预测方法，其特征在于，修正算法中，若输入和输出的数据确定且输入与输出存在线性加权的关系，其权系数标定采用最小二乘法；若输入和输出的数据不确定且输入与输出存在线性加权的关系，其权系数标定通常采用遗传算法类的智能寻优算法。
5.一种基于BP神经网络的药品销量决策方法，其特征在于，包括如下步骤：
S5、将销售因素的数值做归一化处理，即在某一当月销售影响因素拟定改变且拟定改变量确定的前提下，基于预测销量最大的优化指标的考虑并结合历史数据给出一种销售决策方案，也即给出各个当月销售影响因素的值；
S6、读取权利要求4中基于BP神经网络的药品销量预测方法步骤S4的最终的预测结果，其中，步骤S1采集的值还包括各个地区的各个产品的药品销售量的月影响因素值的上下界值；
S7、查看是否满足终止决策条件，若不满足，则从基于BP神经网络的药品销量预测方法的步骤S2重新运行，若满足，则转入步骤S8；
S8、输出最终的决策结果，其具体为满足终止决策条件情况下各决策之中的最优解。
6.根据权利要求5所述的一种基于BP神经网络的药品销量决策方法，其特征在于，基于大数据的药品销售预测方法的决策模型如下述公式(8)、(9)、(10)、(11)所述：
XBP,H,K′＝α2,1×XBP+α2,2×(xk+m+1,xk+m+2,......,xk+m+fL)+α2,3×XK′ (8)
式(8)至(11)中，
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示月影响因素被合理改变的前提下，同时采用基于大数据的药品销售BP神经网络预测方法和基于大数据、历史经验和药品销售先验知识的药品销售预测修正方法得到的短期预测结果；
分别表示“等价”关系，也即左右两边的式子等价；max(∑XBP,H,K′)和max(∑XK′)分别表示∑XBP,H,K′和∑XK′的最大值；ic表示预期改变的销量影响因素的索引值；F′d,ic表示当月月份，即第d个月份的第ic个销量影响因素的值，也即当月月份预期改变的销量影响因素的值；Fmin,ic和Fmax,ic分别表示合理决策情况下，F′d,ic的最小值和最大值；inc表示预期改变的销量影响因素以外的其它索引值；F′d,inc表示当月月份的第inc个销量影响因素的值，也即由于受到当月月份预期改变的销量影响因素的值改变而改变的销量影响因素的值；Fmin,inc和Fmax,inc分别表示合理决策情况下，F′d,inc的最小值和最大值；F′h,ic表示某个历史月份，即第h个月份的第ic个销量影响因素的值；ΔFp表示合理决策情况下，当月月份与历史月份的第ic个销量影响因素的值的最大比值；
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的数值之间的线性关系得到的短期预测修正结果；
表示月影响因素被合理改变的前提下，由当月销量影响因素的数值与虚拟的未来3个月的日销量的变化数值之间的线性关系得到的短期预测修正结果。
7.一种基于BP神经网络的药品销量预测、决策系统，其特征在于，包括：用于获取药品历史销量的相关数据信息的数据采集单元，用于对数据采集单元采集的数据进行处理的数据处理单元、用于存储数据采集单元采集数据的数据储存单元和用于将数据处理单元处理的结果可视化展示的数据可视化单元，其中，所述数据处理单元包括：
数据清洗单元，用于对获取的药品历史销量的相关数据信息进行预处理、异常数据检验，并将异常数据清洗；
BP神经网络构建单元，用于基于清洗后的数据构建BP神经网络；
销售预测结果修正单元，用于通过药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正；
加权整合单元，用于采用预设的算法标定药品销售预测中的相关连接权，并通过对修正后的销售预测结果进行线性加权，获得最终结果；
决策条件判断模块，用于判断决策次数是否超过预设值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911269268.4A CN111091241A (zh) | 2019-12-11 | 2019-12-11 | 一种基于bp神经网络的药品销量预测与决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911269268.4A CN111091241A (zh) | 2019-12-11 | 2019-12-11 | 一种基于bp神经网络的药品销量预测与决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091241A true CN111091241A (zh) | 2020-05-01 |
Family
ID=70394919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911269268.4A Pending CN111091241A (zh) | 2019-12-11 | 2019-12-11 | 一种基于bp神经网络的药品销量预测与决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091241A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001740A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于自适应神经网络的组合预测方法 |
| CN112132831A (zh) * | 2020-11-26 | 2020-12-25 | 北京小蝇科技有限责任公司 | 一种白细胞散点图异常联合检测方法及系统 |
| CN112819540A (zh) * | 2021-02-08 | 2021-05-18 | 佛山科学技术学院 | 预测售货机商品销量方法及装置、计算机可读存储介质 |
| CN113073959A (zh) * | 2021-02-24 | 2021-07-06 | 西南石油大学 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
| CN113344465A (zh) * | 2021-07-13 | 2021-09-03 | 壹药网科技(上海)股份有限公司 | 一种药店经营的预测系统 |
| CN113509386A (zh) * | 2021-09-10 | 2021-10-19 | 江西中医药大学 | 一种煎药监控方法、装置、电子设备及存储介质 |
| CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
| CN117010942A (zh) * | 2023-08-11 | 2023-11-07 | 新立讯科技股份有限公司 | 基于神经网络和线性模型的农产品销售预测方法和系统 |
-
2019
- 2019-12-11 CN CN201911269268.4A patent/CN111091241A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001740A (zh) * | 2020-06-19 | 2020-11-27 | 南京理工大学 | 一种基于自适应神经网络的组合预测方法 |
| CN112132831A (zh) * | 2020-11-26 | 2020-12-25 | 北京小蝇科技有限责任公司 | 一种白细胞散点图异常联合检测方法及系统 |
| CN112819540A (zh) * | 2021-02-08 | 2021-05-18 | 佛山科学技术学院 | 预测售货机商品销量方法及装置、计算机可读存储介质 |
| CN113073959A (zh) * | 2021-02-24 | 2021-07-06 | 西南石油大学 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
| CN113073959B (zh) * | 2021-02-24 | 2022-04-08 | 西南石油大学 | 一种基于模糊决策树的钻井漏失机理预测及辅助决策方法 |
| CN113344465A (zh) * | 2021-07-13 | 2021-09-03 | 壹药网科技(上海)股份有限公司 | 一种药店经营的预测系统 |
| CN113344465B (zh) * | 2021-07-13 | 2023-09-15 | 壹药网科技(上海)股份有限公司 | 一种药店经营的预测系统 |
| CN113509386A (zh) * | 2021-09-10 | 2021-10-19 | 江西中医药大学 | 一种煎药监控方法、装置、电子设备及存储介质 |
| CN116777508A (zh) * | 2023-06-25 | 2023-09-19 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
| CN116777508B (zh) * | 2023-06-25 | 2024-03-12 | 急尼优医药科技(上海)有限公司 | 一种基于大数据的医药供应分析管理系统及方法 |
| CN117010942A (zh) * | 2023-08-11 | 2023-11-07 | 新立讯科技股份有限公司 | 基于神经网络和线性模型的农产品销售预测方法和系统 |
| CN117010942B (zh) * | 2023-08-11 | 2024-02-20 | 新立讯科技股份有限公司 | 基于神经网络和线性模型的农产品销售预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091241A (zh) | 一种基于bp神经网络的药品销量预测与决策方法及系统 | |
| CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
| Xie et al. | Blockchain financial investment based on deep learning network algorithm | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| Mimis et al. | Property valuation with artificial neural network: the case of Athens | |
| CN109785003A (zh) | 一种药品零售行业药品销售预测系统及方法 | |
| Nassar et al. | Prediction of strawberry yield and farm price utilizing deep learning | |
| CN112712203A (zh) | 一种配电网日最高负荷预测方法和系统 | |
| CN115796936A (zh) | 一种基于组合模型的卷烟销量预测方法、系统及存储介质 | |
| Zhang et al. | Prediction on the highest price of the stock based on PSO-LSTM neural network | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| Zhang | Prediction of Purchase Volume of Cross‐Border e‐Commerce Platform Based on BP Neural Network | |
| CN115760380A (zh) | 一种融合用电信息的企业信用评估方法与系统 | |
| Shi et al. | Method for improving the performance of technical analysis indicators by neural network models | |
| Chen | [Retracted] Deep Neural Network Model Forecasting for Financial and Economic Market | |
| Moody | Forecasting the economy with neural nets: a survey of challenges and solutions | |
| CN114841461B (zh) | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 | |
| CN116703455A (zh) | 基于时间序列的混合模型的医药数据销售预测方法及系统 | |
| CN115187312A (zh) | 基于深度学习的客户流失预测方法及系统 | |
| CN110443374B (zh) | 一种资源信息处理方法、装置及设备 | |
| CN112598194A (zh) | 一种进行金融资产收益率预测的方法和装置 | |
| Larsson et al. | Time series forecasting of the SP global clean energy index using a multivariate LSTM | |
| CN118296389B (zh) | 一种数据指标模型的构建及评估方法 | |
| Yu et al. | Developing and assessing an intelligent forex rolling forecasting and trading decision support system for online e‐service | |
| CN117556147B (zh) | 电商数据分类推荐系统、方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |