CN116959688A - 一种智能药房控制系统及方法 - Google Patents
一种智能药房控制系统及方法 Download PDFInfo
- Publication number
- CN116959688A CN116959688A CN202310991313.7A CN202310991313A CN116959688A CN 116959688 A CN116959688 A CN 116959688A CN 202310991313 A CN202310991313 A CN 202310991313A CN 116959688 A CN116959688 A CN 116959688A
- Authority
- CN
- China
- Prior art keywords
- medicine
- data
- replenishment
- target
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000003814 drug Substances 0.000 claims abstract description 1081
- 239000011159 matrix material Substances 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000005457 optimization Methods 0.000 claims abstract description 64
- 238000012216 screening Methods 0.000 claims abstract description 41
- 238000013439 planning Methods 0.000 claims abstract description 37
- 229940079593 drug Drugs 0.000 claims description 217
- 230000008569 process Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000001502 supplementing effect Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种智能药房控制系统及方法。所述方法包括以下步骤:对初始数据集进行目标药品数据筛选处理,生成目标药品数据;根据目标药品数据及药品应用数据进行药品补给时间计算,生成药品补给时间数据;根据目标药品数据进行目标药品的补给站点采集及药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给及加密更新,生成实时加密药品补给数据。本发明实现对药品进行精准补给,并解决药品补给耗时问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种智能药房控制系统及方法。
背景技术
智能药房控制方法的需求源自于医疗行业的数字化和自动化发展趋势。通过应用智能技术,药房能够实现高效、准确、安全的药品管理和分发流程,智能药房控制方法可以有效地减少人为错误,提高工作效率,节约医疗资源,通过引入智能技术,智能药房还能实时监测药品库存,自动补货,确保患者获得及时供应,提高医疗服务质量,实现自动化的药品存储及管理,从而降低人为错误的风险。然而,传统的智能药房控制方法还是需要通过人为来确定药品是否需要补充,并且对于药品补货时的路线不够精简,不能精准对需要补给的站点进行补充,使得药品补货需要较长的时间。
发明内容
基于此,本发明提供一种智能药房控制系统及方法,以解决至少一个上述技术问题。
为实现上述目的,一种智能药房控制方法,包括以下步骤:
步骤S1:获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
步骤S2:获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
步骤S3:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
步骤S4:获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
本发明通过获取数据库中的初始药房药品数据,为后续步骤提供了数据基础。目标药品数据筛选能够从初始数据中选出需要补给的目标药品,避免了处理不必要的药品信息,提高了后续步骤的效率和准确性,通过对初始药房药品数据进行筛选,确保系统只处理相关的目标药品,从而减少数据存储和处理的负担。获取数据库中的药品应用数据能够提供对实际药品使用情况的了解,有助于制定更准确的补给计划,对药品应用数据进行应用数据筛选和预测,能够更清楚目标药品的应用需求,减少无用数据的处理时间减少算力,降低硬件处理数据的负荷。药品补给时间数据的计算,使得系统可以在合适的时机进行补给,避免了补给过早或过晚造成的浪费或患者等待时间过长的问题,并且更好地管理药品库存,避免药品过期和缺货现象,节约药品资源。通过采集目标药品的补给站点数据,系统能够构建准确的补给站点数据库,确保补给物资的准确性和及时性。动态药品补给距离矩阵的建立和时间赋权,使得补给路线可以根据实际情况进行实时调整,适应不同时间段的交通情况和药品需求,提高了补给路线的灵活性和效率,动态路线规划和优化的方法可以根据不同时间段、交通情况等因素实时调整药品补给路线,从而降低智能小车的运行时间和成本,提高药品补给的效率,动态路线规划及优化,有助于减少智能小车在补给过程中的行驶时间和行驶距离,降低了补给成本和能源消耗。通过获取药品补给控制指令,确保补给过程的准确性和规范性,避免了潜在的错误和漏洞。优化智能小车补给路线的应用,使得补给过程更加高效、准确和可控,降低了补给过程中的风险和不确定性。同态加密技术的应用,保障了药品补给数据的安全性和隐私性,确保敏感信息在传输和存储过程中得到保护。因此,本发明的智能药房控制方法还是需要通过预测药品使用数量与药品之间的库存信息等自动化地确定药品是否需要进行补充,并且对于药品补货时动态分析需要补货的站点,并且优化了路线,使补给时间精短及准确。
优选地,步骤S1包括以下步骤:
步骤S11:获取数据库中的初始药房药品数据;
步骤S12:对初始药房药品数据进行数据清洗处理,生成清洗药品数据;
步骤S13:获取药品有效期限数据;
步骤S14:根据药品有效期限数据对清洗药品数据进行有效药品数据筛选处理,生成有效药品数据;
步骤S15:根据预设的目标药品数据对有效药品数据进行目标药品数据提取处理,生成目标药品数据。
本发明对初始药房药品数据进行数据清洗处理,可以去除重复、缺失、错误等无效数据,确保药品数据的准确性,这有助于避免因数据不完整或错误导致的药品信息混乱和库存管理问题,从而提高药房管理的可靠性和精确性。通过获取药品有效期限数据,对清洗后的药品数据进行筛选,生成有效药品数据,这种筛选有益于及时发现过期或临近过期的药品,避免患者购买或使用过期药品,保障患者用药的安全性和疗效。根据预设的目标药品数据对有效药品数据进行提取处理,生成目标药品数据,这种提取可以根据医院或药房的需求,针对性地筛选出需要重点管理和供应的药品,优化药品库存结构,提高库存周转率,减少库存积压,合理规划药品补给策略,避免库存缺货或过剩,从而提高药品供应的灵活性和响应能力。
优选地,步骤S2包括以下步骤:
步骤S21:获取数据库中的药品应用数据;
步骤S22:根据目标药品数据对药品应用数据进行目标药品应用数据筛选,生成目标药品应用数据;
步骤S23:利用长短期记忆网络算法对目标药品应用数据进行药品应用预测处理,生成预测药品应用数据;
步骤S24:利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据。
本发明根据目标药品数据对药品应用数据进行筛选,只保留与目标药品相关的应用数据,这种筛选可以减少无关数据的干扰,使得药品应用数据更加精确和专注于目标药品,从而提高药品应用数据的质量。利用长短期记忆网络算法对目标药品应用数据进行药品应用预测处理,这种预测能够基于历史药品应用数据,捕捉时间序列中的模式和趋势,从而预测未来一段时间内药房对目标药品的需求,通过预测药品应用,药房可以提前做好药品补给准备,避免因药品供应不足而影响患者的治疗计划。利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,这种计算有助于确定药品补给的最佳时间点,使得药品补给与药房需求补给药品时间相匹配,避免过早或过晚进行药品补给,优化了药品供应链管理。
优选地,步骤S23包括以下步骤:
步骤S231:对目标药品应用数据进行历史目标药品应用数据采集,生成历史药品应用数据;
步骤S232:利用长短期记忆网络算法建立目标药品应用数据预测的映射关系,生成初始药品应用预测模型;
步骤S233:利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,生成药品应用预测模型;
步骤S234:利用药品应用预测模型优化公式对药品应用预测模型进行模型参数优化,生成优化药品应用预测模型;
步骤S235:将目标药品应用数据传输至优化药品应用预测模型中进行药品应用预测处理,生成预测药品应用数据。
本发明对目标药品应用数据进行历史数据采集,这有助于建立药品应用数据的时间序列,捕捉历史用药的规律和趋势,通过历史数据的采集,预测模型可以更全面地学习和理解目标药品的使用情况,提高预测模型的准确性和泛化能力。利用长短期记忆网络算法建立目标药品应用数据预测的映射关系,生成初始药品应用预测模型,长短期记忆网络(LSTM)是一种适用于序列数据预测的深度学习模型,能够捕捉序列数据中的长期依赖关系,对于药品应用数据的预测具有较好的效果。利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,生成药品应用预测模型;利用药品应用预测模型优化公式对模型进行参数优化,生成优化药品应用预测模型,这样的优化过程有助于提高预测模型的性能,使得预测结果更加准确和可靠,经过参数优化,具备一定的适应性和灵活性,模型可以根据不同时间段与药房需求药品时间段进行自适应调整,适用于不同的预测需求,更好地应对不同情境下的药品需求预测。通过建立优化的药品应用预测模型, 5将目标药品应用数据传输至模型中进行预测处理,生成预测药品应用数据。这种预测过程能够更准确地预测未来一段时间内的药品需求,帮助药房更好地规划药品补给策略,提高药品供应的精度和效率。
优选地,步骤S234 中的药品应用预测模型优化公式如下所示:
;
式中,表示为药品应用预测模型的最小损失函数优化指数,/>表示为药品种类,/>表示为模型的最小损失函数初始调整值,/>表示为模型调整修正项,/>表示为第/>种药品种类的历史应用数量数据,/>表示为第/>种药品种类的历史应用数量变化率,/>表示为根据第/>种药品种类价格生成的权重信息,/>表示为最小损失函数优化指数的异常调整值。
本发明利用一种药品应用预测模型优化公式,该公式充分考虑了药品种类、模型的最小损失函数初始调整值/>、模型调整修正项/>、第/>种药品种类的历史应用数量数据/>、第种药品种类的历史应用数量变化率/>、根据第/>种药品种类价格生成的权重信息/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过考虑多种药品种类,模型可以更全面地进行应用数量的预测,并且为每种药品种类设置独立的历史数据和权重信息,模型可以更灵活地适应不同药品的应用趋势,有助于药房更好地满足不同药品的用药需求,提高药品补给的准确性和针对性;最小损失函数初始调整值是优化过程的起始点,通过调整a的值,可以对损失函数的形状和优化方向进行初步调整;模型调整修正项用于对模型进行细微调整,以适应实际数据的特征,通过调整模型调整修正项的值,可以对模型的预测进行微调,使其更贴近实际情况;第/>种药品种类的历史应用数量数据用于更好地训练模型,使其能够根据过去的应用数量趋势来预测未来的药品应用情况;第/>种药品种类的历史应用数量变化率反映了药品应用数量的增长或减少趋势,考虑历史应用数量的变化率可以使得模型更灵活地对未来的应用数量进行预测;根据第/>种药品种类价格生成的权重信息,根据价格相对高的药品,配比的权重就越低,较高的价格对于药品的需求不大,更准确地反映不同价格药品的应用趋势。通过参数之间计算,能够更准确地拟合历史应用数量数据和应用数量变化率,这样的优化使得药品应用预测更加精确,减少了预测误差,为智能药房提供了更可靠的药品需求预测。利用最小损失函数优化指数的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成药品应用预测模型的最小损失函数优化指数/>,提高了对药品应用预测模型进行模型参数优化的准确性和可靠性。同时该公式中的权重信息、以及调整值可以根据实际情况进行调整,以适应于药品应用预测模型不同的参数中,提高了算法的灵活性与适用性。
优选地,步骤S24中的药品补给时间计算公式如下所示:
;
式中,表示为药品补给时间数据,/>表示为目标药品数据的药品库存量,/>表示为预测用药应用数据的预测消耗率,/>表示为预测用药应用数据的预测消耗率的变化率,/>表示为目标药品数据的有效期,/>表示为目标药品数据的权重信息,/>表示为目标药品数据的需求量,/>表示为药品补给时间数据的异常调整值。
本发明利用一种目标药品数据的药品库存量、预测用药应用数据的预测消耗率/>、预测用药应用数据的预测消耗率的变化率/>、目标药品数据的有效期/>、目标药品数据的权重信息/>、目标药品数据的需求量/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过目标药品数据的药品库存量与目标药品数据的需求量综合考虑,公式能够更全面地评估目标药品的用药需求,预测消耗率代表了未来一段时间内的药品使用速度,而需求量则表示药房对该药品的总体需求,药品补给时间计算更加准确地反映了药品补给的紧急程度和时间点;利用参数目标药品数据的需求量与目标药品数据的权重信息对目标药品数据的药品库存量与目标药品数据的有效期进行平衡考虑,如果库存量较高,但有效期较短,可能需要更加紧急地进行补给,以免药品过期浪费,而如果库存量较低,但有效期较长,可以相对灵活地安排补给时间,这样的平衡考虑使得药房能够合理规划补给时间,优化库存管理,减少过期药品的损失;通过预测用药应用数据的预测消耗率的变化率考虑到预测消耗率可能会发生变化,这个变化率允许了更灵活的补给时间安排,如果预测消耗率在变化,可能意味着用药需求正在增加或减少,公式可以根据这种趋势进行调整,提高了补给计划的适应性。通过优化补给时间的计算,智能药房能够更好地满足药房的补给需求,提高了补给计划的准确性和效率。利用药品补给时间数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成药品补给时间数据/>,提高了对目标药品数据与预测用药应用数据进行药品补给时间计算的准确性和可靠性。同时该公式中的权重信息、以及调整值可以根据实际情况进行调整,应用于不同的目标药品数据与预测用药应用数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;
步骤S32:基于药品补给站点数据进行药品补给的距离矩阵建立,生成药品补给距离矩阵;
步骤S33:利用药品补给时间数据对药品补给距离矩阵进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;
步骤S34:对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线;
步骤S35:获取补给路线障碍点数据;
步骤S36:基于补给路线障碍点数据对初始智能小车补给路线进行补给路线调整,生成智能小车补给路线;
步骤S37:利用最短路径算法对智能小车补给路线进行最短路径优化,生成优化智能小车补给路线。
本发明通过根据目标药品数据进行补给站点数据的采集,确定在药房内或周边的哪些位置可以设置药品补给站点,这样的采集有助于优化补给站点的布局,使得药品补给更加分散和高效。通过合理设置补给站点,可以缩短智能小车的运输路径,降低补给时间,从而提高药品补给的效率。基于补给站点数据建立药品补给距离矩阵,这个矩阵记录了每个补给站点之间的距离信息,包括直线距离和实际行进距离,通过建立距离矩阵,可以量化不同补给站点之间的距离关系,为后续的路径规划提供基础数据。利用药品补给时间数据对补给距离矩阵进行动态时间赋权,赋权状况为0与1,这意味着在路径规划时,不同时间段智能小车行进的交通情况会有所不同,比如有些目标药品还不需要进行补充,则不对该目标药品所在站点赋权,则赋权状况为0,如果目标药品需要进行补充,则对目标药品所在站点赋权,则赋权状况为1,不同情况下的路线调整,提高智能小车的运输效率和补给准时性。通过对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线,动态路线规划考虑了补给站点、距离等因素,可以根据实际情况制定适合当时的补给路线,这样可以避免智能小车出现不必要的等待、绕路或堵塞,从而提高药品补给的效率和准确性。根据补给路线障碍点数据,对初始智能小车补给路线进行调整,补给路线障碍点数据可以是实时采集的交通信息、人流密集区等,通过对这些障碍点的考虑,调整补给路线,避免路线上的阻塞和拥堵,确保智能小车顺利到达目的地。利用最短路径算法对智能小车补给路线进行优化。最短路径算法能够找到连接起始点和目标点的最短路径,减少行进距离和时间,通过最短路径优化,智能小车可以更快速、高效地完成药品补给任务,提高补给效率,同时减少能耗和成本。
优选地,步骤S33包括以下步骤:
当药品补给距离矩阵中的药品补给站点数据已处于药品补给时间数据时,对药品补给距离矩阵进行矩阵节点的时间赋权;当药品补给距离矩阵中的药品补给站点数据未处于药品补给时间数据时,不对药品补给距离矩阵进行矩阵节点的时间赋权,从而生成动态药品补给距离矩阵。
本发明对药品补给距离矩阵进行动态时间赋权,根据药品补给时间数据对补给距离矩阵中的节点进行时间赋权,这种赋权方式能够使得智能小车在不同时间段内对补给路线进行灵活调整,通过动态时间赋权,能够考虑不同时间段下对需要补给药品的站点进行赋权,对不需要进行补给药品的站点不进行赋权,减少了不必要的计算和时间调整,这有助于提高计算效率,降低系统开销,从而生成更符合实际情况的动态药品补给距离矩阵。使得补给路线更加智能化和高效化,通过分析药品补给站点是否处于药品补给时间数据时进行时间赋权,智能小车可以优先选择更短的路径,减少行进时间,提高补给效率,这对于药房的药品补给过程非常重要,以此及时对药房的目标药品进行补充,提升了药房的服务质量。
优选地,步骤S4包括以下步骤:
步骤S41:获取药品补给控制指令;
步骤S42:根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;
步骤S43:利用同态加密算法对药品补给数据进行同态加密处理,生成加密药品补给数据;
步骤S44:对药品补给数据进行实时更新处理,生成实时药品补给数据;
步骤S45:根据实时药品补给数据对加密药品补给数据进行加密数据实时更新处理,生成实时加密药品补给数据。
本发明药房获取药品补给控制指令,这些指令可能来自于医生的处方、患者的用药需求或者系统自动化的补给调度,通过获取补给控制指令,药房可以准确知晓需要进行补给的药品种类、数量以及时间要求,从而为后续的补给流程做好准备。根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行补给,这使得智能小车按照优化的路径规划快速准确地将所需药品送至指定位置,确保补给操作的高效性和准确性,提高药品供应的及时性。药品补给数据经过同态加密处理,这种加密方式允许对加密后的数据进行计算操作而无需解密,保持数据的安全性和隐私性,同态加密保障了药品补给数据在传输和处理过程中的安全,防止潜在的信息泄露和篡改,保护患者用药的隐私和数据的完整性。对药品补给数据进行实时更新处理,确保补给数据的准确性和及时性,在药品补给过程中,由于不可预测的情况可能导致数据的变化,及时更新补给数据有助于及时应对变化,避免补给过程中出现错误,保障患者用药的安全和准确性。根据实时药品补给数据对加密药品补给数据进行实时更新和处理,生成实时加密药品补给数据,这样的处理确保了补给数据的时效性和保密性,保护了数据在传输和处理过程中的安全性。
在本说明书中,提供了一种智能药房控制系统,其特征在于,包括:
药品数据处理模块:用于获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
药品补给时间计算模块:用于获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
用品补给路线规划模块:用于根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
药品补给控制模块:用于获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
本申请有益效果在于,本发明通过数据筛选、药品应用预测和动态路线规划优化,智能药房能够在提前预测药房药品需求的基础上,合理规划补给路线,实现药品的快速、准时供应,这有助于避免因药品缺货或补给不及时而影响用户需求,提高药品供应的效率和准确性。通过药品补给站点数据采集和动态路线规划优化,智能药房可以更合理地布局补给站点,减少智能小车的行驶距离,从而降低能源消耗和成本,药品应用预测和药品补给数据实时更新,使药房能够根据实际用药需求进行精确补给,避免过度补给和库存积压,减少资源浪费。智能药房通过预测患者用药需求并实现准时补给,确保患者在需要药品时能够及时获得,避免长时间等待或缺货的情况,提高了患者用药的便利性和满意度,数据加密和实时更新,保障了药品补给数据的隐私和安全,增加用户的信赖感和满意度。智能药房通过数据筛选和药品补给站点优化,实现了药品供应链的精细化管理,药品应用预测和动态路线规划优化,使得药房能够根据实际情况灵活调整补给策略,优化资源分配,这有助于降低库存管理成本、提高药品的利用率,优化了药房的运营管理效率。通过运用数据分析、预测算法和优化技术,实现了智能化的补给流程,这使得药房能够更好地适应药品补给需求,优化药品补给策略,提高补给准时性和效率,智能化的运营管理提升了药房的服务质量,为用户提供更便捷、高效和安全的体验。
附图说明
图1为本发明一种智能药房控制方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图2中步骤S23的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能应用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。应用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所应用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种智能药房控制方法,包括以下步骤:
步骤S1:获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
步骤S2:获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
步骤S3:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
步骤S4:获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
本发明通过获取数据库中的初始药房药品数据,为后续步骤提供了数据基础。目标药品数据筛选能够从初始数据中选出需要补给的目标药品,避免了处理不必要的药品信息,提高了后续步骤的效率和准确性,通过对初始药房药品数据进行筛选,确保系统只处理相关的目标药品,从而减少数据存储和处理的负担。获取数据库中的药品应用数据能够提供对实际药品使用情况的了解,有助于制定更准确的补给计划,对药品应用数据进行应用数据筛选和预测,能够更清楚目标药品的应用需求,减少无用数据的处理时间减少算力,降低硬件处理数据的负荷。药品补给时间数据的计算,使得系统可以在合适的时机进行补给,避免了补给过早或过晚造成的浪费或患者等待时间过长的问题,并且更好地管理药品库存,避免药品过期和缺货现象,节约药品资源。通过采集目标药品的补给站点数据,系统能够构建准确的补给站点数据库,确保补给物资的准确性和及时性。动态药品补给距离矩阵的建立和时间赋权,使得补给路线可以根据实际情况进行实时调整,适应不同时间段的交通情况和药品需求,提高了补给路线的灵活性和效率,动态路线规划和优化的方法可以根据不同时间段、交通情况等因素实时调整药品补给路线,从而降低智能小车的运行时间和成本,提高药品补给的效率,动态路线规划及优化,有助于减少智能小车在补给过程中的行驶时间和行驶距离,降低了补给成本和能源消耗。通过获取药品补给控制指令,确保补给过程的准确性和规范性,避免了潜在的错误和漏洞。优化智能小车补给路线的应用,使得补给过程更加高效、准确和可控,降低了补给过程中的风险和不确定性。同态加密技术的应用,保障了药品补给数据的安全性和隐私性,确保敏感信息在传输和存储过程中得到保护。因此,本发明的智能药房控制方法还是需要通过预测药品使用数量与药品之间的库存信息等自动化地确定药品是否需要进行补充,并且对于药品补货时动态分析需要补货的站点,并且优化了路线,使补给时间精短及准确。
本发明实施例中,参考图1所述,为本发明一种智能药房控制方法的步骤流程示意图,在本实施例中,所述智能药房控制方法包括以下步骤:
步骤S1:获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
本发明实施例中,假设智能药房的初始药品数据存储在数据库中,包含各种药品的名称、库存量、有效期等信息,对初始药房药品数据进行获取。通过对初始数据集进行筛选处理,选择需要进行补给的目标药品,例如选择了药品A、药品B和药品C作为目标药品,这些药品的库存量均低于一定阈值时,则需要进行补给,生成目标药品数据,包含目标药品的详细信息。
步骤S2:获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
本发明实施例中,从数据库中获取药品应用数据,记录了过去一段时间内各种药品的使用情况。根据生成的目标药品数据对药品应用数据进行筛选,提取出与目标药品相关的应用数据,利用某种预测算法,例如长短期记忆网络(LSTM),对目标药品的应用数据进行预测,预测结果显示,在未来一周内,药品A的应用量预计增长10%,药品B的应用量预计减少5%,药品C的应用量预计持平。根据目标药品数据以及预测药品应用数据中的药品库存消耗速度,计算药品补给的时间,生成药品补给时间数据。
步骤S3:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
本发明实施例中,根据目标药品数据,药房开始采集目标药品的补给站点数据,例如针对药品A、药品B以及药品C,药房确定了两个补给站点:站点A、站点B以及站点C。基于这些站点数据,构建药品补给的距离矩阵,表示各个站点之间的距离。结合药品应用量和补给时间数据,对距离矩阵的节点进行动态时间赋权,以考虑不同时间段的补给站点的运营状态,例如在某个时间点下药品A以及药品C需要进行补充,则对站点A与站点C进行赋权,则站点B不进行赋权,对赋权的站点进行连接,生成动态药品补给距离矩阵。
步骤S4:获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
本发明实施例中,药房接收到药品补给控制指令,指明对目标药品进行补给,根据优化智能小车补给路线,智能小车出发进行补给,例如优化的补给路线指导智能小车先前往站点A补给药品A,然后再前往站点C补给药品C,由于站点B没有进行赋权,并且药品B也不需要补给,则只需要经过站点A与站点C对药品A以及药品C进行补给,智能小车按照指令和优化的补给路线进行补给,记录补给过程中的药品库存量和时间戳等信息,以此生成药品补给数据。对药品补给数据进行同态加密处理,确保数据的安全性,实时更新补给数据,将最新的库存量和补给时间同步更新至数据库中。
优选地,步骤S1包括以下步骤:
步骤S11:获取数据库中的初始药房药品数据;
步骤S12:对初始药房药品数据进行数据清洗处理,生成清洗药品数据;
步骤S13:获取药品有效期限数据;
步骤S14:根据药品有效期限数据对清洗药品数据进行有效药品数据筛选处理,生成有效药品数据;
步骤S15:根据预设的目标药品数据对有效药品数据进行目标药品数据提取处理,生成目标药品数据。
本发明对初始药房药品数据进行数据清洗处理,可以去除重复、缺失、错误等无效数据,确保药品数据的准确性,这有助于避免因数据不完整或错误导致的药品信息混乱和库存管理问题,从而提高药房管理的可靠性和精确性。通过获取药品有效期限数据,对清洗后的药品数据进行筛选,生成有效药品数据,这种筛选有益于及时发现过期或临近过期的药品,避免患者购买或使用过期药品,保障患者用药的安全性和疗效。根据预设的目标药品数据对有效药品数据进行提取处理,生成目标药品数据,这种提取可以根据医院或药房的需求,针对性地筛选出需要重点管理和供应的药品,优化药品库存结构,提高库存周转率,减少库存积压,合理规划药品补给策略,避免库存缺货或过剩,从而提高药品供应的灵活性和响应能力。
本发明实施例中,从数据库中获取初始药房药品数据,该数据库包含了各种药品的信息,包括药品名称、生产批号、生产日期、库存量、销售量、供应商信息等。对初始药房药品数据进行数据清洗处理。这包括数据去重、缺失值处理、异常值处理等,例如去除重复的药品记录,填补缺失的库存量信息,对异常销售量进行检查和修正等。通过数据清洗,得到了一份干净、准确的清洗药品数据,为后续步骤提供了可靠的数据基础。获取药品有效期限数据,这些数据通常由药品的生产日期和有效期信息组成,例如某药品的生产日期是2023年1月1日,有效期为2年,则该药品的有效期限数据为2025年1月1日。根据药品有效期限数据对清洗药品数据进行有效药品数据筛选处理,这一步旨在选出在有效期内的药品,避免使用过期药品,保证用药安全和质量,例如筛选出所有有效期至少还剩3个月以上的药品,并将这些药品作为有效药品数据,剔除其他已过期的药品记录。根据预设的目标药品数据对有效药品数据进行目标药品数据提取处理,目标药品数据是指智能药房当前需要重点关注和补给的药品,可能是库存量较低或者是受到高需求的药品,例如设定目标药品为药品A和药品B,根据库存量和需求量等指标,选择库存量较低且需求较大的药品A和药品B作为目标药品数据。
优选地,步骤S2包括以下步骤:
步骤S21:获取数据库中的药品应用数据;
步骤S22:根据目标药品数据对药品应用数据进行目标药品应用数据筛选,生成目标药品应用数据;
步骤S23:利用长短期记忆网络算法对目标药品应用数据进行药品应用预测处理,生成预测药品应用数据;
步骤S24:利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据。
本发明根据目标药品数据对药品应用数据进行筛选,只保留与目标药品相关的应用数据,这种筛选可以减少无关数据的干扰,使得药品应用数据更加精确和专注于目标药品,从而提高药品应用数据的质量。利用长短期记忆网络算法对目标药品应用数据进行药品应用预测处理,这种预测能够基于历史药品应用数据,捕捉时间序列中的模式和趋势,从而预测未来一段时间内药房对目标药品的需求,通过预测药品应用,药房可以提前做好药品补给准备,避免因药品供应不足而影响患者的治疗计划。利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,这种计算有助于确定药品补给的最佳时间点,使得药品补给与药房需求补给药品时间相匹配,避免过早或过晚进行药品补给,优化了药品供应链管理。
作为本发明的一个实例,参考图2所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:获取数据库中的药品应用数据;
本发明实施例中,从数据库中获取药品应用数据。这些数据包括了过去一段时间内各种药品的使用情况,包括每种药品的药房应用频率、药房应用时间等信息,这些数据是通过智能药房系统实时记录和存储的,可以反映出药品的实际应用情况。
步骤S22:根据目标药品数据对药品应用数据进行目标药品应用数据筛选,生成目标药品应用数据;
本发明实施例中,根据目标药品数据对药品应用数据进行目标药品应用数据筛选,以目标药品数据为依据,从药品应用数据中提取出与目标药品相关的记录,例如目标药品为药品A和药品B,那么从药品应用数据中筛选出所有与药品A和药品B有关的用药记录,这些记录构成了目标药品应用数据。
步骤S23:利用长短期记忆网络算法对目标药品应用数据进行药品应用预测处理,生成预测药品应用数据;
本发明实施例中,利用长短期记忆网络(LSTM)算法对目标药品应用数据进行药品应用预测处理,LSTM是一种能够处理序列数据的深度学习算法,在药品应用预测中具有较好的效果,通过输入目标药品的历史应用数据,LSTM可以学习到药品应用的时间序列模式,并进行未来一段时间内的应用预测,例如通过LSTM算法预测出未来一周内药品A的用药量为1000颗,药品B的用药量为500颗。
步骤S24:利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据。
本发明实施例中,利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,药品补给时间计算公式综合考虑了药品的库存量、预测用药应用数据、药品有效期等多个因素,以确定最优的补给时间点,例如结合目标药品的库存量、未来一周内的预测用药量等信息,计算出药品A和药品B的补给时间为第三天。
优选地,步骤S23包括以下步骤:
步骤S231:对目标药品应用数据进行历史目标药品应用数据采集,生成历史药品应用数据;
步骤S232:利用长短期记忆网络算法建立目标药品应用数据预测的映射关系,生成初始药品应用预测模型;
步骤S233:利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,生成药品应用预测模型;
步骤S234:利用药品应用预测模型优化公式对药品应用预测模型进行模型参数优化,生成优化药品应用预测模型;
步骤S235:将目标药品应用数据传输至优化药品应用预测模型中进行药品应用预测处理,生成预测药品应用数据。
本发明对目标药品应用数据进行历史数据采集,这有助于建立药品应用数据的时间序列,捕捉历史用药的规律和趋势,通过历史数据的采集,预测模型可以更全面地学习和理解目标药品的使用情况,提高预测模型的准确性和泛化能力。利用长短期记忆网络算法建立目标药品应用数据预测的映射关系,生成初始药品应用预测模型,长短期记忆网络(LSTM)是一种适用于序列数据预测的深度学习模型,能够捕捉序列数据中的长期依赖关系,对于药品应用数据的预测具有较好的效果。利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,生成药品应用预测模型;利用药品应用预测模型优化公式对模型进行参数优化,生成优化药品应用预测模型,这样的优化过程有助于提高预测模型的性能,使得预测结果更加准确和可靠,经过参数优化,具备一定的适应性和灵活性,模型可以根据不同时间段与药房需求药品时间段进行自适应调整,适用于不同的预测需求,更好地应对不同情境下的药品需求预测。通过建立优化的药品应用预测模型, 5将目标药品应用数据传输至模型中进行预测处理,生成预测药品应用数据。这种预测过程能够更准确地预测未来一段时间内的药品需求,帮助药房更好地规划药品补给策略,提高药品供应的精度和效率。
作为本发明的一个实例,参考图3所示,为图2中步骤S23的详细实施步骤流程示意图,在本实例中所述步骤S23包括:
步骤S231:对目标药品应用数据进行历史目标药品应用数据采集,生成历史药品应用数据;
本发明实施例中,对目标药品应用数据进行历史数据采集,假设目标药品为药品X,那么历史数据采集过程将收集过去一段时间内药品X的应用情况,包括每日用药量、用药时间、用药频率等,通过采集大量的历史数据,建立了药品X的历史应用数据集。
步骤S232:利用长短期记忆网络算法建立目标药品应用数据预测的映射关系,生成初始药品应用预测模型;
本发明实施例中,利用长短期记忆网络(LSTM)算法建立目标药品应用数据预测的映射关系,LSTM模型可以捕捉药品应用量的动态变化和周期性规律,从而建立了药品应用数据的预测映射关系。
步骤S233:利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,生成药品应用预测模型;
本发明实施例中,利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,采用历史数据集对建立好的LSTM模型进行模型训练和预测,通过训练,初始药品应用预测模型能够对历史药品应用数据进行较准确的预测,获得药品应用预测模型。
步骤S234:利用药品应用预测模型优化公式对药品应用预测模型进行模型参数优化,生成优化药品应用预测模型;
本发明实施例中,利用药品应用预测模型优化公式对药品应用预测模型进行模型参数优化,考虑到药品应用预测的精度和稳定性,通过优化公式药品应用预测模型的参数进行调整和优化,优化的目标是使得模型的预测误差最小化,从而得到更加准确和可信的优化药品应用预测模型。
步骤S235:将目标药品应用数据传输至优化药品应用预测模型中进行药品应用预测处理,生成预测药品应用数据。
本发明实施例中,将目标药品应用数据传输至优化药品应用预测模型中进行药品应用预测处理,在这一步中,将智能药房当前的目标药品应用数据输入经过优化的优化药品应用预测模型,进行未来一段时间内的药品应用预测,预测的结果将包括目标药品的用药量、用药时间等信息,用于后续的药品补给时间计算和药品补给控制。
优选地,步骤S234 中的药品应用预测模型优化公式如下所示:
;
式中,表示为药品应用预测模型的最小损失函数优化指数,/>表示为药品种类,/>表示为模型的最小损失函数初始调整值,/>表示为模型调整修正项,/>表示为第/>种药品种类的历史应用数量数据,/>表示为第/>种药品种类的历史应用数量变化率,/>表示为根据第/>种药品种类价格生成的权重信息,/>表示为最小损失函数优化指数的异常调整值。
本发明利用一种药品应用预测模型优化公式,该公式充分考虑了药品种类、模型的最小损失函数初始调整值/>、模型调整修正项/>、第/>种药品种类的历史应用数量数据/>、第种药品种类的历史应用数量变化率/>、根据第/>种药品种类价格生成的权重信息/>以及函数之间的相互作用关系,以形成函数关系式:/>
即,,通过考虑多种药品种类,模型可以更全面地进行应用数量的预测,并且为每种药品种类设置独立的历史数据和权重信息,模型可以更灵活地适应不同药品的应用趋势,有助于药房更好地满足不同药品的用药需求,提高药品补给的准确性和针对性;最小损失函数初始调整值是优化过程的起始点,通过调整a的值,可以对损失函数的形状和优化方向进行初步调整;模型调整修正项用于对模型进行细微调整,以适应实际数据的特征,通过调整模型调整修正项的值,可以对模型的预测进行微调,使其更贴近实际情况;第/>种药品种类的历史应用数量数据用于更好地训练模型,使其能够根据过去的应用数量趋势来预测未来的药品应用情况;第/>种药品种类的历史应用数量变化率反映了药品应用数量的增长或减少趋势,考虑历史应用数量的变化率可以使得模型更灵活地对未来的应用数量进行预测;根据第/>种药品种类价格生成的权重信息,根据价格相对高的药品,配比的权重就越低,较高的价格对于药品的需求不大,更准确地反映不同价格药品的应用趋势。通过参数之间计算,能够更准确地拟合历史应用数量数据和应用数量变化率,这样的优化使得药品应用预测更加精确,减少了预测误差,为智能药房提供了更可靠的药品需求预测。利用最小损失函数优化指数的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成药品应用预测模型的最小损失函数优化指数/>,提高了对药品应用预测模型进行模型参数优化的准确性和可靠性。同时该公式中的权重信息、以及调整值可以根据实际情况进行调整,以适应于药品应用预测模型不同的参数中,提高了算法的灵活性与适用性。
优选地,步骤S24中的药品补给时间计算公式如下所示:
;
式中,表示为药品补给时间数据,/>表示为目标药品数据的药品库存量,/>表示为预测用药应用数据的预测消耗率,/>表示为预测用药应用数据的预测消耗率的变化率,/>表示为目标药品数据的有效期,/>表示为目标药品数据的权重信息,/>表示为目标药品数据的需求量,/>表示为药品补给时间数据的异常调整值。
本发明利用一种目标药品数据的药品库存量、预测用药应用数据的预测消耗率/>、预测用药应用数据的预测消耗率的变化率/>、目标药品数据的有效期/>、目标药品数据的权重信息/>、目标药品数据的需求量/>以及函数之间的相互作用关系,以形成函数关系式:
即,,通过目标药品数据的药品库存量与目标药品数据的需求量综合考虑,公式能够更全面地评估目标药品的用药需求,预测消耗率代表了未来一段时间内的药品使用速度,而需求量则表示药房对该药品的总体需求,药品补给时间计算更加准确地反映了药品补给的紧急程度和时间点;利用参数目标药品数据的需求量与目标药品数据的权重信息对目标药品数据的药品库存量与目标药品数据的有效期进行平衡考虑,如果库存量较高,但有效期较短,可能需要更加紧急地进行补给,以免药品过期浪费,而如果库存量较低,但有效期较长,可以相对灵活地安排补给时间,这样的平衡考虑使得药房能够合理规划补给时间,优化库存管理,减少过期药品的损失;通过预测用药应用数据的预测消耗率的变化率考虑到预测消耗率可能会发生变化,这个变化率允许了更灵活的补给时间安排,如果预测消耗率在变化,可能意味着用药需求正在增加或减少,公式可以根据这种趋势进行调整,提高了补给计划的适应性。通过优化补给时间的计算,智能药房能够更好地满足药房的补给需求,提高了补给计划的准确性和效率。利用药品补给时间数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成药品补给时间数据/>,提高了对目标药品数据与预测用药应用数据进行药品补给时间计算的准确性和可靠性。同时该公式中的权重信息、以及调整值可以根据实际情况进行调整,应用于不同的目标药品数据与预测用药应用数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;
步骤S32:基于药品补给站点数据进行药品补给的距离矩阵建立,生成药品补给距离矩阵;
步骤S33:利用药品补给时间数据对药品补给距离矩阵进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;
步骤S34:对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线;
步骤S35:获取补给路线障碍点数据;
步骤S36:基于补给路线障碍点数据对初始智能小车补给路线进行补给路线调整,生成智能小车补给路线;
步骤S37:利用最短路径算法对智能小车补给路线进行最短路径优化,生成优化智能小车补给路线。
本发明通过根据目标药品数据进行补给站点数据的采集,确定在药房内或周边的哪些位置可以设置药品补给站点,这样的采集有助于优化补给站点的布局,使得药品补给更加分散和高效。通过合理设置补给站点,可以缩短智能小车的运输路径,降低补给时间,从而提高药品补给的效率。基于补给站点数据建立药品补给距离矩阵,这个矩阵记录了每个补给站点之间的距离信息,包括直线距离和实际行进距离,通过建立距离矩阵,可以量化不同补给站点之间的距离关系,为后续的路径规划提供基础数据。利用药品补给时间数据对补给距离矩阵进行动态时间赋权,赋权状况为0与1,这意味着在路径规划时,不同时间段智能小车行进的交通情况会有所不同,比如有些目标药品还不需要进行补充,则不对该目标药品所在站点赋权,则赋权状况为0,如果目标药品需要进行补充,则对目标药品所在站点赋权,则赋权状况为1,不同情况下的路线调整,提高智能小车的运输效率和补给准时性。通过对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线,动态路线规划考虑了补给站点、距离等因素,可以根据实际情况制定适合当时的补给路线,这样可以避免智能小车出现不必要的等待、绕路或堵塞,从而提高药品补给的效率和准确性。根据补给路线障碍点数据,对初始智能小车补给路线进行调整,补给路线障碍点数据可以是实时采集的交通信息、人流密集区等,通过对这些障碍点的考虑,调整补给路线,避免路线上的阻塞和拥堵,确保智能小车顺利到达目的地。利用最短路径算法对智能小车补给路线进行优化。最短路径算法能够找到连接起始点和目标点的最短路径,减少行进距离和时间,通过最短路径优化,智能小车可以更快速、高效地完成药品补给任务,提高补给效率,同时减少能耗和成本。
作为本发明的一个实例,参考图4所示,为图2中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;
本发明实施例中,根据目标药品数据进行目标药品的补给站点数据采集,假设智能药房中有药品A、药品B和药品C是目标药品,需要对它们进行补给,补给站点数据采集的过程中,对相应药品的站点坐标进行数据采集,生成药品补给站点数据。
步骤S32:基于药品补给站点数据进行药品补给的距离矩阵建立,生成药品补给距离矩阵;
本发明实施例中,基于药品补给站点数据进行药品补给的距离矩阵建立,智能药房根据补给站点的坐标位置信息,计算各个药品补给站点之间的距离,并将这些距离信息组成距离矩阵,例如补给站点A和补给站点B之间的距离是10公里,补给站点A和补给站点C之间的距离是15公里,这些距离信息构成了药品补给距离矩阵。
步骤S33:利用药品补给时间数据对药品补给距离矩阵进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;
本发明实施例中,利用药品补给时间数据对药品补给距离矩阵进行矩阵节点的动态时间赋权,智能药房根据预测的补给时间,将时间信息转化为节点的权重值,用于对距离矩阵的动态赋权,例如根据当前时间,药品A要进行补给,药品B暂时不需要,则对药品A对应的站点A赋权为1,对药品B对应的站点赋权为0,将赋权为1的站点进行连接,以构建动态药品补给距离矩阵。
步骤S34:对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线;
本发明实施例中,对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线。对赋权的站点位置坐标进行连接,并且根据距离智能小车的发车位置给站点分发先后顺序,以生成初始智能小车补给路线。
步骤S35:获取补给路线障碍点数据;
本发明实施例中,这些障碍点数据是指在补给路线上可能存在的障碍物、药房的人群密集点等信息,例如路线上可能有桌子、密集人群等,这些障碍点数据是为了在后续步骤中对补给路线进行调整和优化时考虑的因素。
步骤S36:基于补给路线障碍点数据对初始智能小车补给路线进行补给路线调整,生成智能小车补给路线;
本发明实施例中,基于补给路线障碍点数据对初始智能小车补给路线进行补给路线调整,智能药房根据获取的障碍点数据,对初始补给路线进行调整,避开可能存在的障碍物,以确保补给过程的顺利进行,例如发现初始路线上有一处道路封闭的障碍点,于是调整路线绕过这一区域,选择另一条道路前往补给站点,保证了补给任务的完成,生成智能小车补给路线。
步骤S37:利用最短路径算法对智能小车补给路线进行最短路径优化,生成优化智能小车补给路线。
本发明实施例中,利用最短路径算法对智能小车补给路线进行最短路径优化,使用最短路径算法对经过调整后的补给路线再次进行优化,以确保最终的补给路线是最短的,例如通过应用最短路径算法,智能药房进一步优化了补给路线,使得补给车辆的行驶距离最短,从而节省了时间和成本。
优选地,步骤S33包括以下步骤:
当药品补给距离矩阵中的药品补给站点数据已处于药品补给时间数据时,对药品补给距离矩阵进行矩阵节点的时间赋权;当药品补给距离矩阵中的药品补给站点数据未处于药品补给时间数据时,不对药品补给距离矩阵进行矩阵节点的时间赋权,从而生成动态药品补给距离矩阵。
本发明对药品补给距离矩阵进行动态时间赋权,根据药品补给时间数据对补给距离矩阵中的节点进行时间赋权,这种赋权方式能够使得智能小车在不同时间段内对补给路线进行灵活调整,通过动态时间赋权,能够考虑不同时间段下对需要补给药品的站点进行赋权,对不需要进行补给药品的站点不进行赋权,减少了不必要的计算和时间调整,这有助于提高计算效率,降低系统开销,从而生成更符合实际情况的动态药品补给距离矩阵。使得补给路线更加智能化和高效化,通过分析药品补给站点是否处于药品补给时间数据时进行时间赋权,智能小车可以优先选择更短的路径,减少行进时间,提高补给效率,这对于药房的药品补给过程非常重要,以此及时对药房的目标药品进行补充,提升了药房的服务质量。
本发明实施例中,对于药品A的补给站点数据,假设预测的补给时间为第三天,而当前时间是第四天,由于药品A的补给时间已到达,则对药品A的对应动态距离矩阵的站点进行赋权,此时A站点的节点权重为1;对于药品B的补给站点数据,假设预测的补给时间为第五天,而当前时间是第四天,由于药品B的补给时间未到达,则对药品B的对应动态距离矩阵的站点不进行赋权,此时B站点的节点权重为0。将权重为1的站点进行连接,通过这样的动态时间赋权机制,在规划补给路线时能够将暂时还不需要补给的药品对应的站点给规避掉,以此节约了大量的时间。
优选地,步骤S4包括以下步骤:
步骤S41:获取药品补给控制指令;
步骤S42:根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;
步骤S43:利用同态加密算法对药品补给数据进行同态加密处理,生成加密药品补给数据;
步骤S44:对药品补给数据进行实时更新处理,生成实时药品补给数据;
步骤S45:根据实时药品补给数据对加密药品补给数据进行加密数据实时更新处理,生成实时加密药品补给数据。
本发明药房获取药品补给控制指令,这些指令可能来自于医生的处方、患者的用药需求或者系统自动化的补给调度,通过获取补给控制指令,药房可以准确知晓需要进行补给的药品种类、数量以及时间要求,从而为后续的补给流程做好准备。根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行补给,这使得智能小车按照优化的路径规划快速准确地将所需药品送至指定位置,确保补给操作的高效性和准确性,提高药品供应的及时性。药品补给数据经过同态加密处理,这种加密方式允许对加密后的数据进行计算操作而无需解密,保持数据的安全性和隐私性,同态加密保障了药品补给数据在传输和处理过程中的安全,防止潜在的信息泄露和篡改,保护患者用药的隐私和数据的完整性。对药品补给数据进行实时更新处理,确保补给数据的准确性和及时性,在药品补给过程中,由于不可预测的情况可能导致数据的变化,及时更新补给数据有助于及时应对变化,避免补给过程中出现错误,保障患者用药的安全和准确性。根据实时药品补给数据对加密药品补给数据进行实时更新和处理,生成实时加密药品补给数据,这样的处理确保了补给数据的时效性和保密性,保护了数据在传输和处理过程中的安全性。
本发明实施例中,获取药品补给控制指令,例如医院系统对智能药房发出补给控制指令,指示智能药房需要哪些药品进行补给。根据药品补给控制指令,结合优化智能小车补给路线,对目标药品数据进行药品补给,智能小车接收到指令后,对路线中的站点进行药品补充,根据优化智能小车补给路线,智能小车按照最短路径依次将药品送达各个目标站点。在完成药品补给后,对药品补给数据进行同态加密处理。同态加密是一种加密技术,允许在不解密的情况下进行计算,确保在数据传输过程中保持数据的隐私和安全性。对补给数据进行实时更新处理,一旦药品补给完成,智能药房会实时更新数据库中的补给数据,以便在下一次补给任务中参考和调整,例如智能药房记录补给的药品种类、数量、补给时间等信息,并将这些数据及时更新到数据库中,以便日后进行更准确的补给规划和决策。根据实时药品补给数据对加密的补给数据进行加密数据实时更新处理,为了进一步增强数据的安全性,智能药房使用实时的补给数据更新同态加密后的补给数据,确保补给数据在传输和存储过程中始终保持加密状态,防止未经授权的访问和篡改。
在本说明书中,提供了一种智能药房控制系统,其特征在于,包括:
药品数据处理模块:用于获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
药品补给时间计算模块:用于获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
用品补给路线规划模块:用于根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
药品补给控制模块:用于获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
本申请有益效果在于,本发明通过数据筛选、药品应用预测和动态路线规划优化,智能药房能够在提前预测药房药品需求的基础上,合理规划补给路线,实现药品的快速、准时供应,这有助于避免因药品缺货或补给不及时而影响用户需求,提高药品供应的效率和准确性。通过药品补给站点数据采集和动态路线规划优化,智能药房可以更合理地布局补给站点,减少智能小车的行驶距离,从而降低能源消耗和成本,药品应用预测和药品补给数据实时更新,使药房能够根据实际用药需求进行精确补给,避免过度补给和库存积压,减少资源浪费。智能药房通过预测患者用药需求并实现准时补给,确保患者在需要药品时能够及时获得,避免长时间等待或缺货的情况,提高了患者用药的便利性和满意度,数据加密和实时更新,保障了药品补给数据的隐私和安全,增加用户的信赖感和满意度。智能药房通过数据筛选和药品补给站点优化,实现了药品供应链的精细化管理,药品应用预测和动态路线规划优化,使得药房能够根据实际情况灵活调整补给策略,优化资源分配,这有助于降低库存管理成本、提高药品的利用率,优化了药房的运营管理效率。通过运用数据分析、预测算法和优化技术,实现了智能化的补给流程,这使得药房能够更好地适应药品补给需求,优化药品补给策略,提高补给准时性和效率,智能化的运营管理提升了药房的服务质量,为用户提供更便捷、高效和安全的体验。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种智能药房控制方法,其特征在于,包括以下步骤:
步骤S1:获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
步骤S2:获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
步骤S3:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
步骤S4:获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
2.根据权利要求1所述的智能药房控制方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取数据库中的初始药房药品数据;
步骤S12:对初始药房药品数据进行数据清洗处理,生成清洗药品数据;
步骤S13:获取药品有效期限数据;
步骤S14:根据药品有效期限数据对清洗药品数据进行有效药品数据筛选处理,生成有效药品数据;
步骤S15:根据预设的目标药品数据对有效药品数据进行目标药品数据提取处理,生成目标药品数据。
3.根据权利要求2所述的智能药房控制方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取数据库中的药品应用数据;
步骤S22:根据目标药品数据对药品应用数据进行目标药品应用数据筛选,生成目标药品应用数据;
步骤S23:利用长短期记忆网络算法对目标药品应用数据进行药品应用预测处理,生成预测药品应用数据;
步骤S24:利用药品补给时间计算公式对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据。
4.根据权利要求3所述的智能药房控制方法,其特征在于,步骤S23包括以下步骤:
步骤S231:对目标药品应用数据进行历史目标药品应用数据采集,生成历史药品应用数据;
步骤S232:利用长短期记忆网络算法建立目标药品应用数据预测的映射关系,生成初始药品应用预测模型;
步骤S233:利用历史药品应用数据对初始药品应用预测模型进行模型预测处理,生成药品应用预测模型;
步骤S234:利用药品应用预测模型优化公式对药品应用预测模型进行模型参数优化,生成优化药品应用预测模型;
步骤S235:将目标药品应用数据传输至优化药品应用预测模型中进行药品应用预测处理,生成预测药品应用数据。
5. 根据权利要求4所述的智能药房控制方法,其特征在于,步骤S234 中的药品应用预测模型优化公式如下所示:
;
式中,表示为药品应用预测模型的最小损失函数优化指数,/>表示为药品种类,/>表示为模型的最小损失函数初始调整值,/>表示为模型调整修正项,/>表示为第/>种药品种类的历史应用数量数据,/>表示为第/>种药品种类的历史应用数量变化率,/>表示为根据第/>种药品种类价格生成的权重信息,/>表示为最小损失函数优化指数的异常调整值。
6.根据权利要求5所述的智能药房控制方法,其特征在于,步骤S24中的药品补给时间计算公式如下所示:
;
式中,表示为药品补给时间数据,/>表示为目标药品数据的药品库存量,/>表示为预测用药应用数据的预测消耗率,/>表示为预测用药应用数据的预测消耗率的变化率,/>表示为目标药品数据的有效期,/>表示为目标药品数据的权重信息,/>表示为目标药品数据的需求量,/>表示为药品补给时间数据的异常调整值。
7.根据权利要求6所述的智能药房控制方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;
步骤S32:基于药品补给站点数据进行药品补给的距离矩阵建立,生成药品补给距离矩阵;
步骤S33:利用药品补给时间数据对药品补给距离矩阵进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;
步骤S34:对动态药品补给距离矩阵进行动态路线规划,生成初始智能小车补给路线;
步骤S35:获取补给路线障碍点数据;
步骤S36:基于补给路线障碍点数据对初始智能小车补给路线进行补给路线调整,生成智能小车补给路线;
步骤S37:利用最短路径算法对智能小车补给路线进行最短路径优化,生成优化智能小车补给路线。
8.根据权利要求7所述的智能药房控制方法,其特征在于,步骤S33包括以下步骤:
当药品补给距离矩阵中的药品补给站点数据已处于药品补给时间数据时,对药品补给距离矩阵进行矩阵节点的时间赋权;当药品补给距离矩阵中的药品补给站点数据未处于药品补给时间数据时,不对药品补给距离矩阵进行矩阵节点的时间赋权,从而生成动态药品补给距离矩阵。
9.根据权利要求8所述的智能药房控制方法,其特征在于,步骤S4包括以下步骤:
步骤S41:获取药品补给控制指令;
步骤S42:根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;
步骤S43:利用同态加密算法对药品补给数据进行同态加密处理,生成加密药品补给数据;
步骤S44:对药品补给数据进行实时更新处理,生成实时药品补给数据;
步骤S45:根据实时药品补给数据对加密药品补给数据进行加密数据实时更新处理,生成实时加密药品补给数据。
10.一种智能药房控制系统,其特征在于,包括:
药品数据处理模块:用于获取数据库中的初始药房药品数据;对初始数据集进行目标药品数据筛选处理,生成目标药品数据;
药品补给时间计算模块:用于获取数据库中的药品应用数据;根据目标药品数据对药品应用数据进行目标药品应用数据筛选及预测,生成预测药品应用数据;对目标药品数据与预测用药应用数据进行药品补给时间计算,生成药品补给时间数据;
用品补给路线规划模块:用于根据目标药品数据进行目标药品的补给站点数据采集,生成药品补给站点数据;基于药品补给站点数据进行药品补给的距离矩阵建立,并利用药品补给时间数据进行矩阵节点的动态时间赋权,生成动态药品补给距离矩阵;对动态药品补给距离矩阵进行动态路线规划及优化,生成优化智能小车补给路线;
药品补给控制模块:用于获取药品补给控制指令;根据药品补给控制指令,并利用优化智能小车补给路线对目标药品数据进行药品补给,生成药品补给数据;对药品补给数据进行同态加密及实时更新处理,生成实时加密药品补给数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310991313.7A CN116959688A (zh) | 2023-08-08 | 2023-08-08 | 一种智能药房控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310991313.7A CN116959688A (zh) | 2023-08-08 | 2023-08-08 | 一种智能药房控制系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116959688A true CN116959688A (zh) | 2023-10-27 |
Family
ID=88446222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310991313.7A Pending CN116959688A (zh) | 2023-08-08 | 2023-08-08 | 一种智能药房控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116959688A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711593A (zh) * | 2024-02-05 | 2024-03-15 | 苏州绿华科技有限公司 | 一种智慧药房进出药管理系统 |
-
2023
- 2023-08-08 CN CN202310991313.7A patent/CN116959688A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711593A (zh) * | 2024-02-05 | 2024-03-15 | 苏州绿华科技有限公司 | 一种智慧药房进出药管理系统 |
CN117711593B (zh) * | 2024-02-05 | 2024-04-19 | 苏州绿华科技有限公司 | 一种智慧药房进出药管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aringhieri et al. | Emergency medical services and beyond: Addressing new challenges through a wide literature review | |
Liang et al. | Robust bus bridging service design under rail transit system disruptions | |
Hu et al. | A two-stage dynamic capacity planning approach for agricultural machinery maintenance service with demand uncertainty | |
Du et al. | Real-time scheduling optimization considering the unexpected events in home health care | |
CN108039197A (zh) | 医技辅助检查项目排程引导方法及系统 | |
CN116959688A (zh) | 一种智能药房控制系统及方法 | |
CN112488400A (zh) | 基于区块链技术与出行计划共享的交通出行行为调控方法 | |
CN112687389A (zh) | 基于5g和区块链的人工智能医疗分级就诊方法及系统 | |
Eriskin et al. | A robust multi-objective model for healthcare resource management and location planning during pandemics | |
Wang et al. | A robust optimization problem for drone-based equitable pandemic vaccine distribution with uncertain supply | |
Gammelli et al. | Graph meta-reinforcement learning for transferable autonomous mobility-on-demand | |
Kordi et al. | A multi-objective location-routing model for dental waste considering environmental factors | |
Lotfi et al. | Modeling framework and decomposition scheme for on‐demand mobility services with ridesharing and transfer | |
Dai et al. | The home health care location-routing problem with a mixed fleet and battery swapping stations using a competitive simulated annealing algorithm | |
Tellez et al. | The time‐consistent dial‐a‐ride problem | |
Huang et al. | Column-and-constraint-generation-based approach to a robust reverse logistic network design for bike sharing | |
Yang et al. | Optimization on medical material distribution management system based on artificial intelligence robot | |
Wang et al. | A multi-objective fuzzy facility location problem with congestion and priority for drone-based emergency deliveries | |
CN105637484A (zh) | 任务分配方法、计算机程序产品和任务分配系统 | |
Zhang et al. | Balancing the satisfaction of stakeholders in home health care coordination: a novel OptaPlanner CSP model | |
Ala et al. | Scheduling and routing of dispatching medical staff to homes healthcare from different medical centers with considering fairness policy | |
Sripada et al. | A decision support framework for optimal vaccine distribution across a multi-tier cold chain network | |
Feng et al. | Data-driven hospital personnel scheduling optimization through patients prediction | |
Goentzel et al. | Vaccine network design to maximize immunization coverage | |
CN114496198B (zh) | 一种基于物联网的智慧城市疫苗调度方法和系统 |
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 |