CN113537631A - 药品需求量的预测方法、装置、电子设备及存储介质 - Google Patents

药品需求量的预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113537631A
CN113537631A CN202110891132.8A CN202110891132A CN113537631A CN 113537631 A CN113537631 A CN 113537631A CN 202110891132 A CN202110891132 A CN 202110891132A CN 113537631 A CN113537631 A CN 113537631A
Authority
CN
China
Prior art keywords
time
target
usage amount
model
predicted usage
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.)
Granted
Application number
CN202110891132.8A
Other languages
English (en)
Other versions
CN113537631B (zh
Inventor
王瑞琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Health Medical Big Data Technology Co ltd
Original Assignee
North Health Medical Big Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North Health Medical Big Data Technology Co ltd filed Critical North Health Medical Big Data Technology Co ltd
Priority to CN202110891132.8A priority Critical patent/CN113537631B/zh
Publication of CN113537631A publication Critical patent/CN113537631A/zh
Application granted granted Critical
Publication of CN113537631B publication Critical patent/CN113537631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种药品需求量的预测方法、装置、电子设备及存储介质，该方法包括：确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。解决了现有药品使用量预测方法的预测准确性较低的问题。

Description

药品需求量的预测方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及数据处理领域，尤其涉及一种药品需求量的预测方法、装置、电子设备及存储介质。
背景技术
随着数据存储介质的不断升级、超级计算机的普及和互联网日新月异的发展，人类的行为数据和特征数据在时时刻刻被大数据产品记录着、应用着。医疗数据作为现代文明大数据组成的重要部分，在人的就诊、手术、保险、康复等领域，发挥着史无前例的指导和决策作用。在这种情况下，可以对门诊结算数据和住院结算数据进行时间上的汇总，以得到药品的时间序列数据。
目前，用户通常使用该时间序列数据和时间序列模型来预测药品在目标单位时间内的使用量，但该方法的预测准确性较低，很难进行大规模的推广和应用。
发明内容
本发明实施例提供了一种药品需求量的预测方法、装置、电子设备及存储介质，解决了现有药品使用量预测方法的预测准确性较低的问题。
第一方面，本发明实施例提供了一种药品需求量的预测方法，包括：
确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；
将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
第二方面，本发明实施例还提供了一种药品需求量的预测装置，包括：
确定模块，用于确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；
预测模块，用于将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的药品需求量的预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的药品需求量的预测方法。
本发明实施例提供的药品需求量的预测方法的技术方案，确定目标药品在目标单位时间内的至少一个预测使用量，将该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个。通过模型的级联可显著提高目标药品在目标单位时间内的目标使用量的预测准确性，从而提高用户基于该目标使用量所做的相关决策的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的药品需求量的预测方法的流程图；
图2是本发明实施例二提供的药品需求量的预测装置的结构框图；
图3是本发明实施例三提供的电子设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，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。
实施例一
图1是本发明实施例一提供的药品需求量的预测方法的流程图。本实施例的技术方案适用于根据目标药品的时间序列数据自动预测目标药品在目标单位时间内的目标使用量的情况。该方法可以由本发明实施例提供的药品需求量的预测装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在电子设备的处理器中应用。该方法具体包括如下步骤：
S101、确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个。
其中，目标药品可以是一种药品，也可以是多种药品的组合，实际使用时，可以根据具体情况进行设定。
其中，目标单位时间可以是某一天、下一周、下一个月甚至下一个季度等。
其中，时间序列数据，是指将同一统计指标的数值按其先后发生的时间顺序排列而成的数列。时间顺序可以是过去一年中的月份顺序，或者过去一年中的星期顺序，或者过去半年或一年中的日期顺序，或者过去至少两年中的季节顺序。本实施例在此不对时间序列数据的数据量作具体的限定，实际使用时可以根据具体情况进行设定。
可以理解的是，目标药品的时间序列数据越丰富，基于该时间序列数据预测出的目标药品的预测使用量就越准确。
在一个实施例中，为了提高目标药品的预测使用量的预测准确性，在获取到目标药品的时间序列数据之后，对该时间序列数据进行清洗以更新该时间序列数据。
在一个实施例中，通过差分自回归移动平均模型对目标药品的时间序列数据进行分析以确定目标药品的拟合模型。由于差分自回归移动平均模型是在平稳的时间序列数据上建立起来的，因此时间序列数据的平稳性是拟合模型建立的前提。为此，本实施例优选在拟合模型建立之前，通过预设平稳性检验方法对时间序列数据进行平稳性检验以得到平稳性检验结果，如果该平稳性检验结果显示该时间序列数据是稳定的，则再基于差分自回归移动平均模型确定该时间序列数据对应的拟合模型。
其中，平稳性就是要求通过时间序列数据所得到的拟合曲线在未来一段时间内仍能顺着现有的形态惯性地延续下去，即满足平稳性要求的时间序列数据的均值和方差不会发生明显变化。
其中，预设平稳性检验方法优选为单位根检验方法，比如ADF检验、PP检验或DF检验。
在一个实施例中，如果预设平稳性检验结果显示该时间序列数据是非平稳性的，则对该时间序列数据进行预设数据处理以得到第二时间序列数据，然后采用预设平稳性检验方法对该第二时间序列数据进行平稳性检验以得到平稳性检验结果。其中，预设数据处理方法为差分、取对数或者差分与取对数的组合。
具体地，预设数据处理方法包括：
对时间序列数据进行一次差分处理以得到当前的第二时间序列数据，并确定该当前的第二时间序列数据是否满足预设平稳性条件；
若是，则采用一元一次函数对时间序列数据进行拟合以得到拟合模型；若否，则对时间序列数据进行二次差分处理以得到当前的第二时间序列数据，并确定该当前的第二时间序列数据是否满足预设平稳性条件；
若是，则采用二次曲线函数对时间序列数据进行拟合以得到拟合模型；若否，则对时间序列数据进行对数处理，并对该对数处理结果进行一次差分处理以得到当前的第二时间序列数据，以及确定该当前的第二时间序列数据是否满足预设平稳性条件；
若是，则采用指数曲线函数对当前的第二时间序列数据进行拟合以得到拟合模型；若否，则对时间序列数据执行一次差分处理，并计算该差分处理结果的环比值以得到当前的第二时间序列数据，以及确定该当前的第二时间序列数据是否满足预设平稳性条件；
若是，则采用修正指数函数对该当前的第二时间序列数据进行拟合以得到拟合模型；若否，则对时间序列数据执行对数处理以得到对数处理结果，对该对数处理结果执行一次差分处理以得到差分处理结果，计算该差分处理结果的环比值以得到当前的第二时间序列数据，并确定该当前的第二时间序列数据是否符合预设平稳性条件；
若是，则采用Gompertz曲线函数对该时间序列数据进行拟合以得到拟合模型；若否，则对该时间序列数据执行倒数处理以得到倒数处理结果，对该倒数处理结果执行一次差分处理以得到差分处理结果，计算该差分处理结果的环比值以得到当前的第二时间序列数据，并确定该当前的第二时间序列数据是否满足预设平稳性条件；
若是，则采用Logistic曲线函数对时间序列数据执行拟合以得到拟合模型。
其中，拟合模型所预测的目标药品在目标单位时间内的目标使用量具有较高的稳定性。
其中，第一时间序列模型为LSTM(Long-short time memory，简称LSTM)模型，第二时间序列模型为prophet时间序列模型。LSTM模型，即长短记忆模型，是一种特殊的神经网络模型。采用该LSTM模型进行目标药品的目标使用量预测时，可以充分利用时间序列数据中各个时间点的药品使用量的信息，而且时间序列数据中距离当前时刻最近的数据对预测结果的影响，大于距离当前时刻较远的数据对预测结果的影响。prophet时间序列模型在进行目标药品的使用量预测时，可以充分利用时间序列数据包含的趋势性数据信息、季节性数据信息和节假日数据信息，以提高目标药品在目标单位时间内的目标使用量的预测准确性。
需要说明的是，采用现有的模型训练方法对第一时间序列模型和第二时间序列模型进行训练即可，本实施例在此不作详细说明。
S102、将该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
其中，预测模型优选但不限于pb神经网络模型。
在一个实施例中，将第一预测使用量、第二预测使用量或第三预测使用量输入该已训练的预测模型中，以得到目标药品在该目标单位时间内的目标使用量。
在一个实施例中，将第一预测使用量、第二预测使用量和第三预测使用量中的任意两个预测使用量输入该已训练的预测模型中，以得到目标药品在该目标单位时间内的目标使用量。
在一个实施例中，将第一预测使用量、第二预测使用量和第三预测使用量均输入该已训练的预测模型中，以得到目标药品在该目标单位时间内的目标使用量。采用三个模型对应的预测使用量来预测目标药品在该目标单位时间内的目标使用量，可以显著提高目标药品使用量的预测准确性，因为该三个模型各有侧重点，从而使已训练的预测模型充分利用拟合模型、已训练的第一时间序列模型、已训练的第二时间序列模型的优点，并预测出具有较高准确性的目标药品的目标使用量。
在一个实施例中，在得到了目标药品在该目标单位时间内的目标使用量之后，确定在目标单位时间到达时该目标药品的库存量，并根据该目标药品的库存量和目标使用量，确定用于表示该目标单位时间结束时，该目标药品剩余量的提示信息。其中，该提示信息可以是剩余量或缺口量。示例性的，目标单位时间为月，当前时间为当月的中旬末，当前目标药品的库存量为120个单位，基于截止到当前时刻的时间序列数据或基于截止到上月末的时间序列数据预测出的下个月的目标药品的目标使用量为80个单位，基于截止到上个月初的时间序列数据预测出的当月的目标药品的目标使用量为60个单位，那么当月下旬目标药品的使用量在20个单位左右，因此目标药品在下个月初的库存量在100(120-20＝100)个单位左右，因此到下个月末，目标药品的库存量为20(100-80＝20)个单位，因此至少输出下月末目标药品的库存量为20个单位的提示信息，优选地，输出下月初目标药品库存量预计为100个单位，下月末目标药品的库存量预计为20个单位的提示信息。
本发明实施例提供的药品需求量的预测方法的技术方案，确定目标药品在目标单位时间内的至少一个预测使用量，将该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个。通过模型的级联可充分发挥各个模型的优点，从而显著提高目标药品在目标单位时间内的目标使用量的预测准确性，从而提高用户基于该目标使用量所做的相关决策的准确性。
实施例二
图2是本发明实施例提供的药品需求量的预测装置的结构框图。该装置用于执行上述任意实施例所提供的药品需求量的预测方法，该装置可选为软件或硬件实现。该装置包括：
确定模块11，用于确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；
预测模块12，用于将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
优选地，拟合模型确定模块，用于基于差分自回归移动平均模型确定所述时间序列数据对应的拟合模型。
优选地，拟合模型确定模块，采用预设平稳性检验方法对所述时间序列数据进行平稳性检验以得到平稳性检验结果；
如果所述平稳性检验结果显示该时间序列数据是稳定的，则基于差分自回归移动平均模型确定所述时间序列数据对应的拟合模型。
优选地，所述预设平稳性检验方法为单位根检验方法。
优选地，拟合模型确定模块，如果预设平稳性检验结果显示该时间序列数据是非稳定的，则对所述时间序列数据进行预设数据处理以得到第二时间序列数据，其中，所述预设数据处理为差分、取对数或者差分与取对数的组合；采用预设平稳性检验方法对所述第二时间序列数据进行平稳性检验以得到平稳性检验结果。
优选地，所述第一时间序列模型为LSTM时间序列模型，所述第二时间序列模型为prophet时间序列模型。
预测模块12，确定在所述目标单位时间到达时，所述目标药品的库存量；根据所述库存量和所述目标使用量，输出用于表示在所述目标单位时间结束时所述目标药品剩余量的提示信息。
本发明实施例提供的药品需求量的预测装置的技术方案，通过确定模块确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；通过预测模块将该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。通过模型的级联可充分发挥各个模型的优点，从而显著提高目标药品在目标单位时间内的目标使用量的预测准确性，从而提高用户基于该目标使用量所做的相关决策的准确性。
本发明实施例所提供的药品需求量的预测装置可执行本发明任意实施例所提供的药品需求量的预测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3为本发明实施例三提供的电子设备的结构示意图，如图3所示，该设备包括处理器201、存储器202、输入装置203以及输出装置204；设备中处理器201的数量可以是一个或多个，图3中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的药品需求量的预测方法对应的程序指令/模块(例如，确定模块11和预测模块12)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的药品需求量的预测方法。
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备，例如，用户终端的显示屏。
实施例四
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种药品需求量的预测方法，该方法包括：
确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；
将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的药品需求量的预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的药品需求量的预测方法。
值得注意的是，上述药品需求量的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种药品需求量的预测方法，其特征在于，包括：
确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；
将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
2.根据权利要求1所述的方法，其特征在于，拟合模型的确定方法包括：
基于差分自回归移动平均模型确定所述时间序列数据对应的拟合模型。
3.根据权利要求2所述的方法，其特征在于，所述基于差分自回归移动平均模型确定所述时间序列数据对应的拟合模型，包括：
采用预设平稳性检验方法对所述时间序列数据进行平稳性检验以得到平稳性检验结果；
如果所述平稳性检验结果显示该时间序列数据是稳定的，则基于差分自回归移动平均模型确定所述时间序列数据对应的拟合模型。
4.根据权利要求3所述的方法，其特征在于，所述预设平稳性检验方法为单位根检验方法。
5.根据权利要求3所述的方法，其特征在于，采用预设平稳性检验方法对所述时间序列数据进行平稳性检验以得到平稳性检验结果之后，还包括：
如果预设平稳性检验结果显示该时间序列数据是非稳定的，则对所述时间序列数据进行预设数据处理以得到第二时间序列数据，其中，所述预设数据处理为差分、取对数或者差分与取对数的组合；
采用预设平稳性检验方法对所述第二时间序列数据进行平稳性检验以得到平稳性检验结果。
6.根据权利要求1所述的方法，其特征在于，所述第一时间序列模型为LSTM时间序列模型，所述第二时间序列模型为prophet时间序列模型。
7.根据权利要求1-6任一所述的方法，其特征在于，所述将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量之后，还包括：
确定在所述目标单位时间到达时，所述目标药品的库存量；
根据所述库存量和所述目标使用量，输出用于表示在所述目标单位时间结束时所述目标药品剩余量的提示信息。
8.一种药品需求量的预测装置，其特征在于，包括：
确定模块，用于确定目标药品在目标单位时间内的至少一个预测使用量，其中，该至少一个预测使用量包括基于目标药品的时间序列数据和拟合模型确定的第一预测使用量、基于所述目标药品的时间序列数据和已训练的第一时间序列模型确定的第二预测使用量，以及基于所述目标药品的时间序列数据和已训练的第二时间序列模型确定的第三预测使用量中的一个或多个；
预测模块，用于将所述该至少一个预测使用量输入已训练的预测模型以得到目标药品在目标单位时间内的目标使用量。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的药品需求量的预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的药品需求量的预测方法。
CN202110891132.8A 2021-08-04 2021-08-04 药品需求量的预测方法、装置、电子设备及存储介质 Active CN113537631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110891132.8A CN113537631B (zh) 2021-08-04 2021-08-04 药品需求量的预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110891132.8A CN113537631B (zh) 2021-08-04 2021-08-04 药品需求量的预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113537631A true CN113537631A (zh) 2021-10-22
CN113537631B CN113537631B (zh) 2023-11-10

Family

ID=78090410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110891132.8A Active CN113537631B (zh) 2021-08-04 2021-08-04 药品需求量的预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113537631B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116452A (zh) * 2023-10-19 2023-11-24 四川互慧软件有限公司 抗蛇毒血清区域库存优化与调度分配方法与系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050051487A (ko) * 2003-11-27 2005-06-01 엘에스산전 주식회사 용수 처리 시스템의 수요예측 장치 및 방법
CN109243619A (zh) * 2018-07-13 2019-01-18 平安科技（深圳）有限公司 预测模型的生成方法、装置及计算机可读存储介质
CN110020896A (zh) * 2019-04-16 2019-07-16 广州虎牙信息科技有限公司 一种营收预测、模型训练方法、装置、设备及存储介质
CN111401609A (zh) * 2020-03-04 2020-07-10 平安科技（深圳）有限公司 车流量时间序列的预测方法及预测装置
WO2020186376A1 (en) * 2019-03-15 2020-09-24 State Street Corporation Techniques to forecast financial data using deep learning
KR20200118966A (ko) * 2019-04-09 2020-10-19 카페24 주식회사 상품 판매량 예측 방법, 장치 및 시스템
CN112036795A (zh) * 2020-08-31 2020-12-04 平安医疗健康管理股份有限公司 药品采购计划的确定方法、装置、设备及存储介质
US10936947B1 (en) * 2017-01-26 2021-03-02 Amazon Technologies, Inc. Recurrent neural network-based artificial intelligence system for time series predictions
US20210103795A1 (en) * 2019-10-07 2021-04-08 International Business Machines Corporation Intelligent selection of time series models
US20210158225A1 (en) * 2019-11-27 2021-05-27 Oracle International Corporation Non-Intrusive Load Monitoring Using Ensemble Machine Learning Techniques

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050051487A (ko) * 2003-11-27 2005-06-01 엘에스산전 주식회사 용수 처리 시스템의 수요예측 장치 및 방법
US10936947B1 (en) * 2017-01-26 2021-03-02 Amazon Technologies, Inc. Recurrent neural network-based artificial intelligence system for time series predictions
CN109243619A (zh) * 2018-07-13 2019-01-18 平安科技（深圳）有限公司 预测模型的生成方法、装置及计算机可读存储介质
WO2020186376A1 (en) * 2019-03-15 2020-09-24 State Street Corporation Techniques to forecast financial data using deep learning
KR20200118966A (ko) * 2019-04-09 2020-10-19 카페24 주식회사 상품 판매량 예측 방법, 장치 및 시스템
CN110020896A (zh) * 2019-04-16 2019-07-16 广州虎牙信息科技有限公司 一种营收预测、模型训练方法、装置、设备及存储介质
US20210103795A1 (en) * 2019-10-07 2021-04-08 International Business Machines Corporation Intelligent selection of time series models
US20210158225A1 (en) * 2019-11-27 2021-05-27 Oracle International Corporation Non-Intrusive Load Monitoring Using Ensemble Machine Learning Techniques
CN111401609A (zh) * 2020-03-04 2020-07-10 平安科技（深圳）有限公司 车流量时间序列的预测方法及预测装置
CN112036795A (zh) * 2020-08-31 2020-12-04 平安医疗健康管理股份有限公司 药品采购计划的确定方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XU MIAO，等: "Spatiotemporal Demand Prediction of Bike-sharing Based on AM-LSTM Model", JOURNAL OF HUNAN UNIVERSITY (NATURAL SCIENCES), pages 77 - 85 *
李小华，等: "时间序列预测方法在医院药品采购的应用", 医学信息, no. 6, pages 775 - 780 *
邱梅: "城市大气污染预测模型的建立与应用研究", 科技通报, no. 10, pages 136 - 138 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116452A (zh) * 2023-10-19 2023-11-24 四川互慧软件有限公司 抗蛇毒血清区域库存优化与调度分配方法与系统
CN117116452B (zh) * 2023-10-19 2023-12-19 四川互慧软件有限公司 抗蛇毒血清区域库存优化与调度分配方法与系统

Also Published As

Publication number Publication date
CN113537631B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN110149540B (zh) 多媒体资源的推荐处理方法、装置、终端及可读介质
CN107040397B (zh) 一种业务参数获取方法及装置
CN113614756A (zh) 用于具有可编程人机混合集成学习的预报警报的系统和方法
CN109445884B (zh) 一种功能标签展示方法及终端设备
CN112256886A (zh) 图谱中的概率计算方法、装置、计算机设备及存储介质
US10963799B1 (en) Predictive data analysis of stocks
CN111428978A (zh) 一种补贴计算方法、装置、电子设备及存储介质
CN113268403A (zh) 时间序列的分析预测方法、装置、设备及存储介质
CN115756812A (zh) 一种资源调整方法及装置、存储介质
CN111835536B (zh) 一种流量预测方法和装置
CN113537631B (zh) 药品需求量的预测方法、装置、电子设备及存储介质
CN114387103A (zh) 一种交易风险识别方法和装置
CN110659998A (zh) 数据处理方法、装置、计算机装置及存储介质
CN112365156B (zh) 一种数据处理方法、数据处理装置、终端及存储介质
CN107644042B (zh) 软件程序点击率预估排序方法及服务器
CN110618797B (zh) 生成文字走马灯的方法、装置及终端设备
CN115983902A (zh) 基于用户实时事件的信息推送方法及系统
CN111967806B (zh) 基于定期回扫的用户风险更新方法、装置和电子设备
CN113129127A (zh) 预警方法和装置
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN114385121A (zh) 一种基于业务分层的软件设计建模方法及系统
CA3202717A1 (en) Intelligent machine learning content selection platform
CN114298847A (zh) 职工医保基金结余的预测方法、装置、设备及存储介质
CN111815204A (zh) 风险评估方法、装置以及系统
CN116720300B (zh) 一种排水管网模型系统

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
GR01 Patent grant
GR01 Patent grant