CN113780675B - 一种消耗预测方法、装置、存储介质及电子设备 - Google Patents
一种消耗预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113780675B CN113780675B CN202111114913.2A CN202111114913A CN113780675B CN 113780675 B CN113780675 B CN 113780675B CN 202111114913 A CN202111114913 A CN 202111114913A CN 113780675 B CN113780675 B CN 113780675B
- Authority
- CN
- China
- Prior art keywords
- prediction
- algorithm
- consumption
- category
- current object
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 310
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 64
- 239000003814 drug Substances 0.000 description 27
- 229940079593 drug Drugs 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种消耗预测方法、装置、存储介质及电子设备,该方法包括:获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果。本发明实施例的技术方案,解决了现有技术中预测过程工作量巨大且难以自动化运行的问题,实现了消耗预测方法的自适应优化运行,优化了预测结果,提高了预测精度。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种消耗预测方法、装置、存储介质及电子设备。
背景技术
随着医疗技术和制药技术的快速发展,药品种类越来越多,药品的供求关系也越来越复杂。药品管理是医院管理的重要组成部分,只有根据药品库存与使用情况制定合理的药品采购计划,才能在保障病人药品供给的同时降低药品库存成本。制定药品采购计划的关键技术之一是对各种药品的消耗量进行预测,针对不同的药品使用情况,探索各自的数据特征,使用不同的时间序列预测算法得出预测结果。
对于药品消耗量预测,各种预测方法各有特点,对于批量种类的药品,需要对每种药品进行分析,选择合适的算法进行预测,整个过程工作量巨大且难以自动化运行,预测结果精度不能满足医院批量药品的消耗量预测需求。
发明内容
本发明实施例提供一种消耗预测方法、装置、电子设备及存储介质,以实现药品消耗量的预测。
第一方面,本发明实施例提供了一种消耗预测方法,该方法包括:
获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;
基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;
基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果。
第二方面,本发明实施例还提供了一种消耗预测装置,该装置包括:
获取模块,用于获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;
预测处理模块,用于基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;
数据融合模块,用于基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果。
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本发明实施例任一所述的消耗预测方法。
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,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本发明实施例中任一所述的消耗预测方法。
本发明通过对各对象的历史消耗数据进行聚类处理,得到当前对象的类别以及类别对应的算法集,进而,将各类别中的历史消耗数据输入至对应的算法集中,得到各预测算法对应的预测结果,再依据各预测算法的权重对预测结果进行加权计算,最终得到当前对象的目标消耗预测结果,解决了现有技术中只能基于单一对象的历史消耗数据进行预测分析,工作量巨大且难以自动化运行的问题,实现了大大降低了消耗量批量预测算法选择的工作量的技术效果,有效提高了消耗预测系统的运行效率。
附图说明
图1为本发明实施例一所提供的一种消耗预测方法的流程示意图;
图2为本发明实施例二所提供的一种消耗预测方法的流程示意图;
图3为本发明实施例三所提供的一种应用场景下消耗预测方法的流程示意图;
图4为本发明实施例四所提供的一种消耗预测装置的结构示意图;
图5为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种消耗预测方法的流程示意图,本实施例可适用于对目标对象的消耗量批量预测的情况,该方法可以由本发明实施例中消耗预测装置来执行,该布控装置可以由软件和/或硬件来实现,该布控装置可以配置在电子计算设备上,具体包括如下步骤:
步骤110、获取当前对象的类别以及所述类别对应的算法集。
其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法。
其中,当前对象可以理解为在当前时刻需要被预测消耗量的物品。可选地,当前对象可以是药品、医护用品或者医疗用具等,本实施例对此不作限定。其中,当前对象的类别可以是预先经过分类处理得到的,例如可以是基于当前对象的历史消耗数据聚类得到的,在一些实施例中,当前对象的类别可以是当前对象的消耗类别。
在一些实施例中,当前对象的类别确定方法包括:基于各对象的历史消耗数据,得到各对象的历史消耗时间序列;基于各对象的历史消耗时间序列进行聚类处理,确定各对象的类别。
其中,各对象的历史消耗数据可以理解为在设定的时间段内各对象的消耗量。设定的时间段例如半年或者1年等。其中,历史消耗数据中包括时间点对应的消耗量,基于历史消耗数据中的时间点,以及对应的消耗量,形成历史消耗时间序列。历史消耗时间序列可以理解为各对象的历史消耗数据按其发生的时间先后顺序排列而成的数列。具体的,可以是基于间隔时间段,将历史消耗数据中各时间点对应的消耗量进行合并,其中,间隔时间段可以是一个月或者半个月等,可根据用户需求设置。可选的,间隔时间段可以是进货时间间隔。基于各消耗量对应的时间点,确定各间隔时间段对应的消耗量,对于任一间隔时间段,将该间隔时间段内各时间点对应的消耗量进行加和,得到该间隔时间段对应的消耗量,经多个间隔时间段的消耗量基于时间顺序形成消耗量序列,得到历史消耗时间序列。
在一些实施例中,可以是对各对象的历史消耗时间序列进行聚类处理,得到至少一个类别,以及类别所包括的对象,具体的,可以是基于预设的聚类算法对各对象的历史消耗时间序列进行计算,例如基于聚类算法将对象的历史消耗时间序列转换至聚类空间内,基于该聚类空间内各对象的位置信息确定聚类结果,例如将满足距离条件的对象确定为同一类别,其中距离条件可以是两对象的位置信息的距离小于预设值。
在一些实施例中,还可以是基于历史消耗时间序列对各对象进行相似度计算,基于各对象之间的相似度进行聚类处理,得到聚类结果。其中,历史消耗时间序列之间的相似度包括但不限于各历史消耗数据的消耗变化量的相似度、各历史消耗数据的变化趋势的相似度,本实施例对此不作限定。基于各对象的相似度进行聚类处理,例如可以是将满足相似度条件的各对象确定为同一类型,其中,相似度条件可以是两对象的相似度大于预设相似度阈值。
其中,聚类可以理解为将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。聚类过程可以通过聚类分析算法来实现。示例性地,聚类分析算法可以包括K-MEANS算法、BIRCH算法、CURE算法或者相关性分析聚类算法等。在本实施例中,聚类分析算法可以包括但不限于采用DTW(Dynamic Time Warping,动态时间规整)算法和K-MEANS算法。其中,DTW算法可以用于衡量时间序列之间的相似度,K-MEANS算法可以用于聚类处理。
本实施例中,每一个类别中可以是包括多个对象,同一类别可以是对应一个算法集,该算法集中包括至少两个预测算法,该算法集中的各预测算法用于对该类别中的多个对象分别进行消耗预测处理。示例性地,算法集中的算法可以是2个、3个或者4个等。在本实施例中,预测算法可以包括但不限于ARMA(AutoRegressive Moving Average model,自回归滑动平均模型)、ARIMA(AutoRegressive Integrated Moving Average model,差分整合移动平均自回归模型)、指数平滑法或者灰色预测法等。各类别的算法集可以是上述预测算法的两项或两项以上。不同类别的算法集中的预测算法可以重叠,例如,不同两类别的算法集中可以包括部分重叠的预测算法。
各类别对应的算法集可以是预先设置的,可选的,各类别对应的算法集可以是周期设置的,例如设置周期例如可以是一年等,对此不作限定。
可选的,基于聚类处理的至少一个类别,确定各类型对应的算法集,任一类别的算法集为该类别中包括的各对象对应的算法集。通过将大量的对象划分为少量的对象类别,确定类别的算法集,替代了对每一对象分别确定算法集的过程,简化了算法集的确定过程,降低了计算量。
在一些实施例中,各类别对应的算法集的确定方法包括:基于预先设置的类别与预测算法的映射关系,基于与类别存在映射关系的预测算法,形成类别的算法集。
预先设置类别与预测算法的映射关系,其中,每一类别可以是与多个预测算法存在映射关系,通过聚类结果确定得到的类别,在上述映射关系中确定各类别对应的多个预测算法,形成类别对应的算法集。可选的,将与类别存在映射关系的所有预测算法,确定为算法集中的预测算法。可选的,在与类别存在映射关系的预测算法中随机确定预设数量的预测算法,形成算法集,其中,预设数量可以是2或3。可选的,在与类别存在映射关系的预测算法,基于预测算法与类别的匹配度进行排序,根据排序确定预设数量的预测算法形成算法集,其中,预测算法和类别的匹配度可以是基于预测算法对该类别中对象的预测置信度确定的。各个类别与预测算法之间的映射关系可以是通过表格的形式展示,对此不作限定。
在一些实施例中,各类别对应的算法集的确定方法包括:提取类别中任一对象的历史消耗数据的数据特征,基于与数据特征相匹配的至少两种预测算法形成类别的算法集。
在类型对应的多个对象中,随机确定任一对象为分析对象,基于该分析对象的历史消耗数据确定算法集,将确定的算法集作为该分析对象所属类别对应的算法集。通过对一个对象的历史消耗数据进行分析,以确定一个类别对应的算法集,减少了对各个对象的历史消耗数据进行分析导致的大量计算以及时间消耗,简化了算法集的确定过程。
具体地,历史消耗数据的数据特征可以包括但不限于历史消耗数据变化量或者变化趋势,根据数据特征与预测算法的匹配关系,确定类别对应的至少两个预测算法,以形成算法集。
在上述实施例的基础上,在对各对象进行消耗预测的过程中,根据当前对象的所属类别调用对应的算法集,该算法集中的至少两个算法用于对当前对象进行消耗预测处理。
步骤120、基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果。
将当前对象的历史消耗数据分别输入至算法集的各个预测算法中,得到的与各预测算法对应的预测值,即消耗预测结果。示例性的,当前对象所属类别对应的算法集中可以包括3个预测算法,基于各预测算法分别对当前对象的历史消耗数据进行预测处理,得到3个预测算法分别输出的消耗预测结果。
需要说明的是,每一类别中包括多个对象,同一类别中的每个对象都分别基于算法集中的各预测算法进行预测。
在本实施例中,当前对象可以是药品,每个算法集中可以包括3种预测算法。将每个类别中的药品历史消耗数据分别输入至算法集中,分别得到3个预测结果,即,每种药品都分别经过3种预测算法进行预测,得到3个预测值。
步骤130、基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果。
需要说明的是,权重可以指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度。各预测算法的权重值可以是系统预先设置的,也可以是人为设置的。例如,当算法集中有4种预测算法时,各个预测算法的权重值可以设定为0.25,也可以设定为0.1、0.2、0.3和0.4。
其中,数据融合是将多传感器信息源的数据和信息加以联合、相关及组合,以获得更为精确的数据信息。在本实施例中,数据融合过程可以通过加权计算处理来实现。
其中,目标消耗预测结果可以指在当前消耗量预测过程中得到的能表示当前对象未来消耗量的预测值。
具体地,将算法集中各预测算法输出的消耗预测结果,根据各预测算法的权重值进行加权计算,得到目标消耗预测结果。通过对多个预测算法得到的消耗预测结果进行融合,提高了目标消耗预测结果的精度。
本发明实施例通过对各对象的历史消耗数据进行聚类处理,得到当前对象的类别以及类别对应的算法集,进而,将各类别中的历史消耗数据输入至对应的算法集中,得到各预测算法对应的预测结果,再依据各预测算法的权重对预测结果进行加权计算,最终得到当前对象的目标消耗预测结果,解决了现有技术中只能基于单一对象的历史消耗数据进行预测分析,工作量巨大且难以自动化运行的问题,实现了大大降低了消耗量批量预测算法选择的工作量的技术效果,有效提高了消耗预测系统的运行效率。
实施例二
图2为本发明实施例二所提供的一种消耗预测方法的流程示意图。在上述技术方案的基础上,本实施例对技术方案进行了进一步细化。本实施例在本发明实施例中任一可选技术方案的基础上,可选地,在基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合之前,还包括:获取各预测算法对当前对象的预测可信度,基于各所述预测算法的预测可信度确定所述当前对象的预测过程中各预测算法的权重。
其中,与上述实施例相同或者相应的技术术语在此不再赘述。如图2所示,本发明实施例的方法具体包括如下步骤:
步骤210、获取当前对象的类别以及类别对应的算法集。
步骤220、基于算法集中的各预测算法分别对当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果。
步骤230、获取各预测算法对当前对象的预测可信度,基于各预测算法的预测可信度确定当前对象的预测过程中各预测算法的权重。
对于同一类别中的各个对象,针对算法集中的各个预测算法的权重可以不同。以当前对象为例,各预测算法的权重可以是根据预测算法对当前对象的预测可信度确定。其中,预测算法对当前对象的预测可信度用于表征预测算法对当前对象的预测准确度,预测可信度越高,表明预测越准确,相应的,该预测算法的权重越高。通过根据预测可信度设置各预测算法的权重,便于降低预测精度低的预测算法的权重,增加预测精度高的预测算法的权重,以提高目标消耗预测结构的预测准确度。
其中,预测可信度可以指衡量预测结果准确性的其中一个标准。预测可信度可以理解为预测结果的一致性。在本实施例中,预测可信度可以是基于预测算法的消耗预测结果与当前对象的真实消耗数据确定的。可选的,获取各预测算法对当前对象的预测可信度,包括:对于任一预测算法,获取预测算法对当前对象的已预测结果,以及已预测结果对应的反馈结果;基于各已预测结果和对应的反馈结果,确定预测算法对当前对象的预测可信度。
具体地,对于任一预测算法,获取预设时间段内的已预测结果,以及已预测结果对应的反馈结果,调用预测可信度计算规则,得到该预测算法的预测可信度。
对于同一类别中的多个预测算法,预测算法的权重与预测可信度正相关,且各预测算法的权重的和为1。需要说明的是,在不存在反馈结果即无法计算预测可信度的情况下,各预测算法的权重相同。例如,算法集中有4种预测算法,在初始状态时,各预测算法的初始权重均为0.25。
可选的,基于各预测算法的预测可信度确定当前对象的预测过程中各预测算法的权重,包括:对于任一预测算法,将任一预测算法的预测可信度,与算法集中各预测算法的预测可信度的和之间的比例,确定为任一预测算法的权重。
示例性的,算法集中三个预测算法的预测可信度分别为0.8,0.7和0.5,则三个预测算法的权重分别为0.8/(0.8+0.7+0.5)=0.4,0.7/(0.8+0.7+0.5)=0.35,0.5/(0.8+0.7+0.5)=0.25。
步骤240、基于各预测算法的权重对得到的预测结果进行数据融合,得到当前对象的目标消耗预测结果。
在上述实施例的基础上,在接收到目标消耗预测结果对应的反馈信息的情况下,基于各预测算法的消耗预测结果和反馈信息更新各预测算法的权重。
其中,反馈信息为当前对象的真实消耗数据。具体地,在得到各算法集中各个预测算法的消耗预测结果后,将各预测算法的消耗预测数据与真实反馈数据更新各预测算法的预测可信度,并基于更新后的预测可信度更新各算法集中各预测算法的权重,从而,可以实现在消耗预测过程中不断进行自适应修正,优化最终的消耗预测结果。
需要说明的是,任一预测算法的反馈结果可以存在,也可以是不存在的。当反馈结果不存在时,预测可信度则可以保持不变。
本发明实施例通过对各对象的历史消耗数据进行聚类处理,得到当前对象的类别以及类别对应的算法集,进而,将各类别中的历史消耗数据输入至对应的算法集中,得到各预测算法对应的预测结果,再通过计算各预测算法的预测可信度确定各预测算法的权重,并对各预测算法的预测结果进行加权计算后输出最终的消耗预测结果,进一步地,根据反馈信息与消耗预测结果更新各预测算法的权重,解决了现有技术中预测结果无法进行自适应修正,不能满足批量对象的消耗量的预测需求,实现了当前对象消耗量预测方法的自适应优化运行,达到了优化最终预测结果的技术效果。
实施例三
图3为本发明实施例三提供的一种消耗预测方法的流程示意图,本发明实施例为上述发明实施例的一个优选实施例,参见图3所示,本发明实施例的方法可以包括如下步骤:
1)获取医院所有药品的历史消耗数据;
2)对所有药品的历史消耗数据按月份进行聚合统计计算,每种药品得到1个时间序列Xt;
3)对所有药品的历史消耗数据进行聚类,得到k个类别,每个类别中包含多种药品的历史消耗数据;
4)根据每个类别中的数据特点确认每个类别对应的算法集,每个算法集包含3种时间序列预测算法;
5)每个类别中的药品历史消耗数据分别输入算法集,分别得到3个预测结果;
6)判断是否存在反馈数据;若存在,结合反馈数据计算更新算法集中每个算法的可信度;若不存在,可信度保持不变。每个算法的可信度的计算公式为:
其中,yjr为该算法第j次返回的真实数据,yjf为第j次的预测数据,n为反馈的总次数。
7)根据算法可信度计算更新算法集中每个算法对应的权重;算法集中第i个算法对应的权重的计算公式为:
其中,Ai为该算法集中第i个算法的准确率,A1、A2、A3为该算法集中3种算法的准确率;系统运行初始状态或者还没有准确率数据时,每个算法集中每个算法的初始权重为
8)输出预测结果,每种药品的预测结果的计算公式为:
yf=w1·yf1+w2·yf2+w3·yf3
其中,w1、w2、w3为该药品对应的算法集中3种算法的权重,yf1、yf2、yf3为该药品对应的算法集中3种算法的预测值。
9)将预测值和真实值反馈给步骤6),用于计算算法可信度及算法权重。
本发明实施例通过对各对象的历史消耗数据进行聚类处理,得到当前对象的类别以及类别对应的算法集,进而,将各类别中的历史消耗数据输入至对应的算法集中,得到各预测算法对应的预测结果,再通过计算各预测算法的预测可信度确定各预测算法的权重,并对各预测算法的预测结果进行加权计算后输出最终的消耗预测结果,进一步地,根据反馈信息与消耗预测结果更新各预测算法的权重,解决了现有技术中预测结果无法进行自适应修正,不能满足批量对象的消耗量的预测需求,实现了当前对象消耗量预测方法的自适应优化运行,达到了优化最终预测结果的技术效果。
实施例四
图4为本发明实施例四所提供的一种消耗预测装置的结构示意图,该装置包括:获取模块410、预测处理模块420和数据融合模块430。
其中,获取模块410,用于获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;预测处理模块420,用于基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;数据融合模块430,用于基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果。
本发明实施例通过对各对象的历史消耗数据进行聚类处理,得到当前对象的类别以及类别对应的算法集,进而,将各类别中的历史消耗数据输入至对应的算法集中,得到各预测算法对应的预测结果,再依据各预测算法的权重对预测结果进行加权计算,最终得到当前对象的目标消耗预测结果,解决了现有技术中只能基于单一对象的历史消耗数据进行预测分析,工作量巨大且难以自动化运行的问题,实现了大大降低了消耗量批量预测算法选择的工作量的技术效果,有效提高了消耗预测系统的运行效率。
可选地,所述获取模块410,还用于基于各对象的历史消耗数据,得到各对象的历史消耗时间序列;基于所述各对象的历史消耗时间序列进行聚类处理,确定各对象的类别。
可选地,所述获取模块410,还用于基于预先设置的类别与预测算法的映射关系,基于与所述类别存在映射关系的预测算法,形成所述类别的算法集;或者,提取所述类别中任一对象的历史消耗数据的数据特征,基于与所述数据特征相匹配的至少两种预测算法形成所述类别的算法集。
可选地,在基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合之前,所述装置还包括:权重确定模块,用于获取各预测算法对当前对象的预测可信度,基于各所述预测算法的预测可信度确定所述当前对象的预测过程中各预测算法的权重。
可选地,所述权重确定模块,包括预测可信度获取单元,用于对于任一预测算法,获取所述预测算法对所述当前对象的已预测结果,以及所述已预测结果对应的反馈结果;基于所述各已预测结果和对应的反馈结果,确定所述预测算法对当前对象的预测可信度。
可选地,所述权重模块,包括权重确定单元,用于对于任一预测算法,将所述任一预测算法的预测可信度,与所述算法集中各预测算法的预测可信度的和之间的比例,确定为所述任一预测算法的权重。
可选地,在得到所述当前对象的目标消耗预测结果之后,所述装置还包括:权重更新模块,用于在接收到所述目标消耗预测结果对应的反馈信息的情况下,基于所述各预测算法的消耗预测结果和所述反馈信息更新各所述预测算法的权重。
本发明实施例所提供的消耗预测装置可执行本发明任意实施例所提供的消耗预测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置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实施例的保护范围。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图5显示的电子设备50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该电子设备50交互的设备通信,和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,电子设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与电子设备50的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的消耗预测方法。
实施例六
本发明实施例六还提供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消耗预测方法,该方法包括:
获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;
基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;
基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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 (9)
1.一种消耗预测方法,其特征在于,包括:
获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;
基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;
基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果;
其中,各类别对应的算法集的确定方法包括:
基于预先设置的类别与预测算法的映射关系,基于与所述类别存在映射关系的预测算法,形成所述类别的算法集;或者,
提取所述类别中任一对象的历史消耗数据的数据特征,基于与所述数据特征相匹配的至少两种预测算法形成所述类别的算法集;
其中,各类别的算法集为相应类别中包括的各对象对应的算法集。
2.根据权利要求1所述的方法,其特征在于,所述类别的确定方法包括:
基于各对象的历史消耗数据,得到各对象的历史消耗时间序列;
基于所述各对象的历史消耗时间序列进行聚类处理,确定各对象的类别。
3.根据权利要求1所述的方法,其特征在于,在基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合之前,还包括:
获取各预测算法对当前对象的预测可信度,基于各所述预测算法的预测可信度确定所述当前对象的预测过程中各预测算法的权重。
4.根据权利要求3所述的方法,其特征在于,所述获取各预测算法对当前对象的预测可信度,包括:
对于任一预测算法,获取所述预测算法对所述当前对象的已预测结果,以及所述已预测结果对应的反馈结果;
基于所述各已预测结果和对应的反馈结果,确定所述预测算法对当前对象的预测可信度。
5.根据权利要求3所述的方法,其特征在于,所述基于各所述预测算法的预测可信度确定所述当前对象的预测过程中各预测算法的权重,包括:
对于任一预测算法,将所述任一预测算法的预测可信度,与所述算法集中各预测算法的预测可信度的和之间的比例,确定为所述任一预测算法的权重。
6.根据权利要求1所述的方法,其特征在于,在得到所述当前对象的目标消耗预测结果之后,还包括:
在接收到所述目标消耗预测结果对应的反馈信息的情况下,基于所述各预测算法的消耗预测结果和所述反馈信息更新各所述预测算法的权重。
7.一种消耗预测装置,其特征在于,包括:
获取模块,用于获取当前对象的类别以及所述类别对应的算法集,其中,所述当前对象的类别基于各对象的历史消耗数据聚类得到,所述算法集中包括至少两种预测算法;
预测处理模块,用于基于所述算法集中的各预测算法分别对所述当前对象的历史消耗数据进行预测处理,得到各预测算法对应的消耗预测结果;
数据融合模块,用于基于各所述预测算法的权重对得到的所述消耗预测结果进行数据融合,得到所述当前对象的目标消耗预测结果;
其中,所述获取模块,还用于基于预先设置的类别与预测算法的映射关系,基于与所述类别存在映射关系的预测算法,形成所述类别的算法集;或者,提取所述类别中任一对象的历史消耗数据的数据特征,基于与所述数据特征相匹配的至少两种预测算法形成所述类别的算法集;
其中,各类别的算法集为相应类别中包括的各对象对应的算法集。
8.一种电子设备,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1-6中任一所述的消耗预测方法。
9.一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1-6中任一所述的消耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114913.2A CN113780675B (zh) | 2021-09-23 | 2021-09-23 | 一种消耗预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114913.2A CN113780675B (zh) | 2021-09-23 | 2021-09-23 | 一种消耗预测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780675A CN113780675A (zh) | 2021-12-10 |
CN113780675B true CN113780675B (zh) | 2024-01-09 |
Family
ID=78852910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111114913.2A Active CN113780675B (zh) | 2021-09-23 | 2021-09-23 | 一种消耗预测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115671616B (zh) * | 2022-10-28 | 2023-06-27 | 厦门海辰储能科技股份有限公司 | 一种用于储能集装箱的消防系统、方法及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
CN109171754A (zh) * | 2018-07-27 | 2019-01-11 | 清华-伯克利深圳学院筹备办公室 | 血糖预测模型的训练方法、装置、终端及存储介质 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110867231A (zh) * | 2019-11-18 | 2020-03-06 | 中山大学 | 基于文本分类的疾病预测方法、装置、计算机设备及介质 |
CN111210071A (zh) * | 2020-01-03 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 业务对象预测方法、装置、设备及可读存储介质 |
CN112149863A (zh) * | 2019-06-28 | 2020-12-29 | 傲基科技股份有限公司 | 确定资源消耗量的方法、设备和计算机存储介质 |
CN113313538A (zh) * | 2021-06-30 | 2021-08-27 | 上海浦东发展银行股份有限公司 | 用户消费能力预测方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2543281A (en) * | 2015-10-13 | 2017-04-19 | British Gas Trading Ltd | System for energy consumption prediction |
-
2021
- 2021-09-23 CN CN202111114913.2A patent/CN113780675B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164388A (ja) * | 2002-11-14 | 2004-06-10 | Yokogawa Electric Corp | 需要予測システム |
CN109171754A (zh) * | 2018-07-27 | 2019-01-11 | 清华-伯克利深圳学院筹备办公室 | 血糖预测模型的训练方法、装置、终端及存储介质 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN112149863A (zh) * | 2019-06-28 | 2020-12-29 | 傲基科技股份有限公司 | 确定资源消耗量的方法、设备和计算机存储介质 |
CN110867231A (zh) * | 2019-11-18 | 2020-03-06 | 中山大学 | 基于文本分类的疾病预测方法、装置、计算机设备及介质 |
CN111210071A (zh) * | 2020-01-03 | 2020-05-29 | 深圳前海微众银行股份有限公司 | 业务对象预测方法、装置、设备及可读存储介质 |
CN113313538A (zh) * | 2021-06-30 | 2021-08-27 | 上海浦东发展银行股份有限公司 | 用户消费能力预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
基于K-means范例推理的救援物资需求预测;喻慧,等;中国民航大学学报(第02期);第55-59页 * |
基于加权移动平均法的常用药品短期采购需求预测及应用;刘慧;江苏科技信息(第05期);第80-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780675A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210374610A1 (en) | Efficient duplicate detection for machine learning data sets | |
JP6371870B2 (ja) | 機械学習サービス | |
US11232365B2 (en) | Digital assistant platform | |
US8370359B2 (en) | Method to perform mappings across multiple models or ontologies | |
WO2022105115A1 (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN106663037A (zh) | 特征处理权衡管理 | |
US11037096B2 (en) | Delivery prediction with degree of delivery reliability | |
AU2019203992A1 (en) | Data platform for automated data extraction, transformation, and/or loading | |
US11429899B2 (en) | Data model processing in machine learning using a reduced set of features | |
CN111125266B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111242387A (zh) | 一种人才离职预测方法、装置、电子设备及存储介质 | |
CN110990445A (zh) | 一种数据处理方法、装置、设备和介质 | |
CN115563271A (zh) | 人工智能的会计数据分录方法、系统、设备及存储介质 | |
CN113780675B (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
US20240143605A1 (en) | System And Method For Improved State Identification And Prediction In Computerized Queries | |
D’Amario et al. | GENERATOR HEART FAILURE DataMart: An integrated framework for heart failure research | |
CN111679959A (zh) | 计算机性能数据确定方法、装置、计算机设备及存储介质 | |
CN115994684A (zh) | 一种企业风险的评估方法、装置、计算机设备及介质 | |
US11836612B2 (en) | Maintaining master data using hierarchical classification | |
CN113496365A (zh) | 一种仓库合并方案确定方法、装置、设备及介质 | |
US20240078829A1 (en) | Systems and methods for identifying specific document types from groups of documents using optical character recognition | |
Jiao et al. | Research on Operation Perception of Treasury Centralized Payment Based on Spark | |
CN117407750A (zh) | 基于元数据的数据质量监控方法、装置、设备及存储介质 | |
CN111681115A (zh) | 一种发薪日识别方法、系统、设备和存储介质 |
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 |