CN115910271A - 一种基于cnn和rf的医药仓储管理方法 - Google Patents

Abstract

本发明公开了一种基于CNN和RF的医药仓储管理方法。获取仓储内药品信息并赋予药品电子标签，获取各类药品的历史入库数据与出库数据，通过卷积神经网络在预设的仓储分区训练医药数据，从而预测仓储未来所需药品的数量和需求量最大的药品种类。本发明基于现有的仓储医药数量和仓储的历史数据，结合卷积神经网络和随机森林算法，能够有效预测出各个仓储分区在不同季节需要的医药数量和需求量最大的药品种类，提高仓储药品与需求的匹配度，高效利用仓储有限空间，提升仓储药品流通性。

Description

一种基于CNN和RF的医药仓储管理方法

技术领域：

本发明属于医药仓储管理技术领域，特别涉及一种基于CNN和RF的医药仓储管理方法。

背景技术：

近年来，随着我国人口总数不断增加，老龄化趋势愈加严重，人们对社会医疗保障体系的关注度越来越高，在这种背景下，我国医药仓储管理系统近年来发展十分迅速。目前，我国医药仓储业主要有以下三个特点：第一，我国国土面积广阔，纬度跨度广，南北方对医药种类的需求差异大；第二，我国作为世界上第二大人口大国，人口基数大，对医药仓储的库存保障要求高；第三，我国对仓储技术的发展高度重视，将现代信息技术和自动化技术广泛应用于仓储行业，比如条码技术、RFID、卷积神经网络CNN、随机森林RF等技术。

卷积神经网络CNN技术发展迅速，其特征提取效率高，分类准确率也不断提高，技术已经十分成熟且高效。2012年AlexNet网络取得ImageNet比赛的分类任务的冠军，其效率远远超过其他传统方法。

医药仓储管理主要是以药品的出入库流程为核心，让药品达到供应流水线的效果，有药可存、有药可备，保证药品的实时流通性。卷积神经网络CNN需要在节省时间和充分利用空间的情况下识别仓储物品标签、预测信息。

专利ZL201710994619.2公开了“一种基于图像卷积神经网络技术的仓库标示牌识别方法”。这种方法主要采用卷积神经网络识别图片的方式，虽然识别精度高，但是其中的矩阵运算量大，并且随着图片数量增加，识别效率会受到影响。

专利ZL202111630686.9公开了“仓储粮堆粮温预测方法及装置”。这种方法主要利用了LSTM基于时间序列的关系，一方面需要找到仓储中与时间相关的联系，另一方面每一层LSTM模型都需要建立4个全连接层，如果时间跨度很大，那么整个网络计算量会很大。

因此，亟需一种提高仓储药品与需求的匹配度、高效利用仓储有限空间、提升仓储药品流通性的医药仓储管理方法。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，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。

发明内容：

本发明的目的在于提供一种基于CNN和RF的医药仓储管理方法，以时间换空间，通过CNN卷积神经网络和RF随机森林搭建的预测模型，从而预测出仓储在四季需要储备的医药数量以及每个仓储分区中需求量最大的医药种类，从而克服上述现有技术中的缺陷。

为实现上述目的，本发明提供了一种基于CNN和RF的医药仓储管理方法，其步骤为：

S01：通过实时爬虫技术获取仓储药品信息并及时更新、反馈；

S02：通过One-hot向量标识赋予每种药品各自的电子标签，该向量标识表示为：

其中ω₁、ω₂、ω₃…ω_n是一维向量，每个横向维度都表示药品的一种特征，在药品相关特征下标识为“1”并且在其他不相关的特征下标识为“0”，每个向量都可以表示一种药品的电子标签；

S03：把仓库划分成若干个等面积区域，记为D_i(i＝1,2,3…N),每个区域中储存着某一个地区所需要的药品；在每个区域中药品数量有X_i个(i＝1,2,3…N),首先通过仓储药品信息遍历找到每个区域中某种药品数量的最大值Max(X_i)与最小值Min(X_i)，通过叠加N种药品数量记为总量Sum(X_i)，该区域药品数量的平均值为Mean(X_i)＝Sum(X_i)/N，由于药品各个数据都处于不同的数字区间，因此要把这些区间统一成同一个标准，对每个区域中的药品数据进行归一化、标准化使药品数据都稳定在[0,1]区间内；

S04：对步骤S03中各区域中药品的数据通过K-means算法进行聚类，随机选取K个中心点，分别计算各个向量点到中心点的欧式距离D，以D的远近来划分药品达到聚类的标准；

S05：获取各个区域中药品的历史入库数据与出库数据，经过卷积神经网络处理，对表示药品电子标签的向量进行合并得到A矩阵，对每个聚类中的药品合并为一个M阶矩阵，该M阶矩阵反映各个区域药品的数量与规模，对A矩阵与卷积核进行卷积操作得出新的系数矩阵V；

S06：通过将矩阵V全连接、拉直成一维向量得出所预测结果的概率；

S07：从矩阵V中选取若干个特征，通过随机抽取特征构建随机森林模型，根据每种药品被选择的概率P_i(i＝1,2,3……n)，计算每颗药品决策树的熵值H；对每颗决策树熵值H最大的特征进行平均化操作，即将所有选择的特征叠加取平均值；该平均值即为本区域内需求量最大的药品种类权值，将权值向量化得出一个新的一维向量，并且只有一位是数字，其他位置上都为0。

优选地，技术方案中，步骤S01中实时爬虫通过对药品仓储服务器发起模拟计算机请求，把站点返回的药品数据进行解析、提纯，进而提取出需要的数据，进行更新、反馈。

优选地，技术方案中，步骤S03中，药品数据的归一化表示为：

其中x表示药品的样本；药品数据的标准化表示为：

其中б(X_i)表示药品数量的标准差。

优选地，技术方案中，步骤S04中，设药品向量点A_i(g_i，y_i)，每个聚类的中心点B(u_i，v_i)，其中i＝1,2,3……,药品向量点到聚类中心点距离D可表示为：

K-means算法表示为：

其中c_i(i＝1,2,3……n)表示最近距离的点，dist(c_i,point)²表示为点c_i到点point的欧氏距离，min(point)可表示为选择所有数据中的最小距离。

优选地，技术方案中，步骤S05中，A矩阵的阶数W为：

其中q为入库数据和出库数据转化成的矩阵的阶数，k为若干个滤波器X组成的矩阵的阶数，s为步幅，p为补零层数；

A矩阵与卷积核进行卷积操作表示为：

V＝conv2(A，X，″valid″)+b  (7)

其中conv2(A,X)表示为A矩阵与滤波器X进行卷积操作，“valid”表示有效值，b表示偏移量。

优选地，技术方案中，步骤S06中，预测结果的概率：

H(r)＝C_j    (8)

其中H(r)为在整体范围中r是该药品最优特征的概率，C_j表示最优特征j出现的概率，h(r)表示为在某个区域r是药品最优特征的概率。

优选地，技术方案中，步骤S07中，熵值H为：

与现有技术相比，本发明具有如下有益效果：

1.本发明建立在CNN卷积神经网络和RF随机森林混合预测模型的基础上，在应对系统发送的预处理数据时能够更加精准地预测，提高了药品存储的预测精准度的同时也高效使用仓储的有限空间。

2.CNN卷积神经网络适用于广大特征的提取，并且提取出来的特征还会进行池化等操作，从而得到最优的特征。使用CNN卷积神经网络进行药品储备量预测，在预测流程和预测效果上体现出了稳定性和优越性。

3.医药仓储设置了若干存储区和预测区，其中存储区和预测区相互连接，能够满足系统的实时数据采集以及预处理数据的预测。该仓储的分区结构能够体现该仓储具有提高仓储药品与需求的匹配度，高效利用仓储有限空间，提升仓储药品流通性等特点。

附图说明：

图1为本发明基于CNN和RF的医药仓储管理方法流程图；

图2为本发明仓储分区示意图；

图3为本发明仓储预测示意图。

具体实施方式：

下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

如图2所示，本发明专利中医药仓储内部采用分区管理，横向分为面积大小相等的区域，每个区域存储着某个地区四季的药品，在分区的尾端设置了一个预测区域，该预测区主要用于预测各个分区在不同季节需要的医药数量和需求量最大的药品种类。

如图1所示，一种基于CNN和RF的医药仓储管理方法，其步骤为：

S01：实时爬虫通过对药品仓储服务器发起模拟计算机请求，把站点返回的药品数据进行解析、提纯，进而提取出需要的数据，进行更新、反馈；

S02：通过One-hot向量标识赋予每种药品各自的电子标签，该向量标识表示为：

其中ω₁、ω₂、ω₃…ω_n是一维向量，每个横向维度都表示药品的一种特征，在药品相关特征下标识为“1”并且在其他不相关的特征下标识为“0”，每个向量都可以表示一种药品的电子标签；

S03：把仓库划分成若干个等面积区域，记为D_i(i＝1,2,3…N),每个区域中储存着某一个地区所需要的药品；在每个区域中药品数量有X_i个(i＝1,2,3…N),首先通过仓储药品信息遍历找到每个区域中某种药品数量的最大值Max(X_i)与最小值Min(X_i)，通过叠加N种药品数量记为总量Sum(X_i)，该区域药品数量的平均值为Mean(X_i)＝Sum(X_i)/N，由于药品各个数据都处于不同的数字区间，因此要把这些区间统一成同一个标准，对每个区域中的药品数据进行归一化、标准化使药品数据都稳定在[0,1]区间内；药品数据的归一化表示为：

其中x表示药品的样本；药品数据的标准化表示为：

其中б(X_i)表示药品数量的标准差；

S04：对步骤S03中各区域中药品的数据通过K-means算法进行聚类，随机选取K个中心点，分别计算各个向量点到中心点的欧式距离d，以d的远近来划分药品达到聚类的标准；设药品向量点A_i(g_i，y_i)，每个聚类的中心点B(u_i，v_i)其中i＝1,2,3……,药品向量点到聚类中心点距离D可表示为：

K-means算法表示为：

其中c_i(i＝1,2,3……n)表示最近距离的点，dist(c_i,point)²表示为点c_i到点point的欧氏距离，min(point)可表示为选择所有数据中的最小距离；

S05：获取各个区域中药品的历史入库数据与出库数据，经过卷积神经网络处理，对表示药品电子标签的向量进行合并得到A矩阵，对每个聚类中的药品合并为一个M阶矩阵，该M阶矩阵反映各个区域药品的数量与规模，对A矩阵与卷积核进行卷积操作得出新的系数矩阵V；A矩阵的阶数W为：

其中q为入库数据和出库数据转化成的矩阵的阶数，k为若干个滤波器X组成的矩阵的阶数，s为步幅，p为补零层数；

A矩阵与卷积核进行卷积操作表示为：

V＝conv2(A，X，″valid″)+b   (7)

其中conv2(A,X)表示为A矩阵与滤波器X进行卷积操作，“valid”表示有效值，b表示偏移量。

S06：通过将矩阵V全连接、拉直成一维向量得出所预测结果的概率；预测结果的概率：

H(r)＝C_j    (8)

其中H(r)为在整体范围中r是该药品最优特征的概率，C_j表示最优特征j出现的概率，h(r)表示为在某个区域r是药品最优特征的概率。

S07：从矩阵V中选取若干个特征，通过随机抽取特征构建随机森林模型，根据每种药品被选择的概率P_i(i＝1,2,3……n)，计算每颗药品决策树的熵值H；对每颗决策树熵值H最大的特征进行平均化操作，即将所有选择的特征叠加取平均值；该平均值即为本区域内需求量最大的药品种类权值，将权值向量化得出一个新的一维向量，并且只有一位是数字，其他位置上都为0；熵值H为：

如图3所示，预测区内部设置了许多不同的区域，每个区域各司其职，其中红色区域表示爬虫区域。橙色区域代表卷积区域，其中卷积区域包含了若干个滤波器和卷积层，卷积区域主要用于药品特征提取与数据降维。数据经过红色区域、橙色区域、黑色区域之后，会将结果在蓝色区域进行输出。输出的结果是一个向量，该向量对应以上步骤中设置的One-hot向量，通过对比即可发现输出的结果与某种One-hot向量对应的药品种类匹配。

经过以上步骤，CNN-RF预测模型将会分别得到本仓储分区内部需求量最大药品种类以及仓储所需药品储备量。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (7)

1.一种基于CNN和RF的医药仓储管理方法，其步骤为：

S01：通过实时爬虫技术获取仓储药品信息并及时更新、反馈；

S02：通过One-hot向量标识赋予每种药品各自的电子标签，该向量标识表示为：

其中ω₁、ω₂、ω₃…ω_n是一维向量，每个横向维度都表示药品的一种特征，在药品相关特征下标识为“1”并且在其他不相关的特征下标识为“0”，每个向量都可以表示一种药品的电子标签；

S03：把仓库划分成若干个等面积区域，记为D_i(i＝1,2,3…N),每个区域中储存着某一个地区所需要的药品；在每个区域中药品数量有X_i个(i＝1,2,3…N),首先通过仓储药品信息遍历找到每个区域中某种药品数量的最大值Max(X_i)与最小值Min(X_i)，通过叠加N种药品数量记为总量Sum(X_i)，该区域药品数量的平均值为Mean(X_i)＝Sum(X_i)/N，由于药品各个数据都处于不同的数字区间，因此要把这些区间统一成同一个标准，对每个区域中的药品数据进行归一化、标准化使药品数据都稳定在[0,1]区间内；

S04：对步骤S03中各区域中药品的数据通过K-means算法进行聚类，随机选取K个中心点，分别计算各个向量点到中心点的欧式距离D，以D的远近来划分药品达到聚类的标准；

S05：获取各个区域中药品的历史入库数据与出库数据，经过卷积神经网络处理，对表示药品电子标签的向量进行合并得到A矩阵，对每个聚类中的药品合并为一个M阶矩阵，该M阶矩阵反映各个区域药品的数量与规模，对A矩阵与卷积核进行卷积操作得出新的系数矩阵V；

S06：通过将矩阵V全连接、拉直成一维向量得出所预测结果的概率；

S07：从矩阵V中选取若干个特征，通过随机抽取特征构建随机森林模型，根据每种药品被选择的概率P_i(i＝1,2,3……n)，计算每颗药品决策树的熵值H；对每颗决策树熵值H最大的特征进行平均化操作，即将所有选择的特征叠加取平均值；该平均值即为本区域内需求量最大的药品种类权值，将权值向量化得出一个新的一维向量，并且只有一位是数字，其他位置上都为0。

2.根据权利要求1所述的基于CNN和RF的医药仓储管理方法，其特征在于：步骤S01中实时爬虫通过对药品仓储服务器发起模拟计算机请求，把站点返回的药品数据进行解析、提纯，进而提取出需要的数据，进行更新、反馈。

3.根据权利要求1所述的基于CNN和RF的医药仓储管理方法，其特征在于：步骤S03中，药品数据的归一化表示为：

其中x表示药品的样本；药品数据的标准化表示为：

其中б(X_i)表示药品数量的标准差。

4.根据权利要求1所述的基于CNN和RF的医药仓储管理方法，其特征在于：步骤S04中，设药品向量点A_i(g_i，y_i)，每个聚类的中心点B(u_i，v_i)，其中i＝1,2,3……,药品向量点到聚类中心点距离D可表示为：

K-means算法表示为：

其中c_i(i＝1，2，3……n)表示最近距离的点，dist(c_i，point)²表示为点c_i到点point的欧氏距离，min(point)可表示为选择所有数据中的最小距离。

5.根据权利要求1所述的基于CNN和RF的医药仓储管理方法，其特征在于：步骤S05中，A矩阵的阶数W为：

其中q为入库数据和出库数据转化成的矩阵的阶数，k为若干个滤波器X组成的矩阵的阶数，s为步幅，p为补零层数；

A矩阵与卷积核进行卷积操作表示为：

V＝conv2(A，X，″valid″)+b    (7)

其中conv2(A，X)表示为A矩阵与滤波器X进行卷积操作，“valid”表示有效值，b表示偏移量。

6.根据权利要求1所述的基于CNN和RF的医药仓储管理方法，其特征在于：步骤S06中，预测结果的概率：

H(r)＝C_j    (8)

其中H(r)为在整体范围中r是该药品最优特征的概率，C_j表示最优特征j出现的概率，h(r)表示为在某个区域r是药品最优特征的概率。

7.根据权利要求1所述的基于CNN和RF的医药仓储管理方法，其特征在于：步骤S07中，熵值H为：

Images