一种面向智慧医药的物流中心需求预测方法

本发明属于医药需求预测领域，具体是涉及一种面向智慧医药的物流中心需求预测方法。

背景技术：

1、医药行业作为国民经济的重要组成部分，承担着保障人民健康、提高人民生活质量和促进经济发展的重要职责。然而，随着我国人口的不断增长和老龄化趋势的不断加剧，加之疫情的冲击，药品需求量也呈逐年上涨的趋势，医药供应链也已经开始出现供应不及时以及供需不平衡等问题。

2、随着我国医药行业不断壮大，政府监管部门加大了对其的监管力度，然而作为企业管理重要组成部分的医药物流中心在管理方面更是面临着机遇和挑战。频繁的物流活动是贯穿医药物流中心运作过程的重要纽带，高效的药品供应是拣选活动正常运作的保证，一旦药品供应不及时可能导致物流活动中断，给医药物流企业带来巨大的经济损失。因此，如何利用现代化技术来构建畅通的供应链和高效管理的智慧医药物流中心，成为亟待解决的问题。

3、为实现物流供应链的畅通及高效管理，现有技术中进行了一些研究，但均存在不足之处，不能很好的契合医药领域的真实需求，更没有根据行业做出相应的预测方法评估指标，得到的预测结果不能保证其准确性。如专利申请cn116128408a公开了智能补货方法、系统以及计算机可读介质，一种智能补货方法，通过计算历史销售量来预测商品在未来预测周期内的需求，但其提供的销售量预测方法为单一预测方法，不能很好的捕获到历史数据中的数据特性；其次预设的补货算法并没有考虑到历史销售记录和未来销售记录的同一作用，将整个销售活动相割裂，无法做到全面的库存管理。专利申请cn116050600a公开了基于cnn_ga_bp的组合模型备件需求预测方法和系统，通过结合cnn网络和bp神经网络的组合预测模型，运用ga算法进行优化，建立了一个可归模型，用于预测电子装备备件的未来需求；但其没有考虑到缺货对企业内部库存管理造成的危害，没有提供一定的惩罚机制对预测结果进行优化；其次该方案并没有对数据进行分析，以提取训练神经网络所应用的特征，这可能导致训练的模型不能起到很精准的预测效果。专利申请cn115760210a公开了一种基于ipso_lstm模型的医药销售预测系统及方法，能够有效预测医院平时和突发事件对药品的需求，提高医药服务质量，实现医药供应链物流决策优化，但其提供的预测方法并没有做出预测误差分析，更没有根据医药行业做出相应的预测方法评估指标，不足以说明该预测方法的准确性。

技术实现思路

1、为解决上述技术问题，本发明提供了一种面向智慧医药的物流中心需求预测方法，融合基于线性数据预测的arima(autoregressive integrated moving averagemodel，差分整合移动平均自回归模型)与基于非线性预测的cnn-tcn方法((convolutionalneural networks，卷积神经网络)(temporal convolutional network，时间卷积网络))，构建医药物流中心需求预测模型，并提出新型的补货策略和方法评价指标，实现库存管理的优化，改善客户的服务质量。

2、本发明所述的一种面向智慧医药的物流中心需求预测方法，包括以下步骤：

3、步骤1、对获取的医药货物的历史销售数据进行预处理，得到实际有效数据；

4、步骤2、设置安全库存，并利用基于历史和未来的正负需求信息制定医药物流中心需求预测的评估指标；

5、步骤3、对医药货物进行聚类，从预处理的历史销售数据中提取时序数据的特征，应用聚类算法生成时间序列簇；

6、步骤4、对每个簇的时间序列分别进行检验，构建arima模型对医药需求进行预测；

7、步骤5、构建cnn-tcn模型，提取每个簇的有效数据中与需求量有关的特征，并采用主成分分析法获得cnn-tcn模型的输入特征，对其训练并生成预测结果；

8、步骤6、构建arima-cnn-tcn组合预测模型，将arima模型及cnn-tcn模型预测的结果进行验证加权和，获得最终医药需求的预测结果。

9、进一步的，步骤1中，对历史销售数据进行预处理，具体包括：

10、步骤1-1、冗余数据处理：将与预测无关的数据冗余属性，从原始时间序列中删除；

11、步骤1-2、数据有效性筛选：将未真实发生需求的不可用订单数据，从原始时间序列中删除；

12、步骤1-3、数据聚合处理：将每个库存量单位sku的每日需求量统一为每日需求累积量，对其进行预测；

13、步骤1-4、对于医药销售订单中存在缺失值、信息错误和数据污染的数据，在处理数据缺失问题时选择随机补差法，随机选择同一sku不同日期的销售数据进行缺失值插入；信息错误数据需对照wms(仓库管理系统，warehouse management system)进行人工纠错；受污染的数据根据其污染规模和需求量的大小进行取舍，污染规模较大时更干扰预测模型的性能，因此删除受污染规模较大的数据，保留受污染规模较小的数据。

14、进一步的，步骤2中设置适用的安全库存，制定医药物流中心需求预测的评估指标，具体为：

15、步骤2-1、综合未来与历史的正负需求信息，设置安全库存vi，t：

16、

17、其中ui为货物i在t∈n日期内预测需求量的平均值，t为预测当日，di，t为货物i在t∈t-n日期内真实需求量的平均值，wi为货物i对应的权重，newi为货物f的未来比重系数，ui，t为货物i在日期t当天的预测需求量，n为预测周期，oldi为货物i的历史比重系数，为di，t的平均值，rlti为货物i的补货提前期，i＝1，…，|i|；

18、补货决策日当天的补货量是未来需求与安全库存之和，其中，未来需求是未来补货间隔天数内需求预测之和；

19、步骤2-2、设置评估指标：

20、per＝∑i∈iwi[0.5*f(sei)+0.5*(1-invi)]    (2)

21、

22、

23、

24、其中，per表示基于库存率和客户服务水平的评估指标，seri为客户满意度，f(ser)为客户服务水平，invi为货物库存率，fi，t为货物i在日期t当天未被满足的需求量；

25、在评估指标中加入成本函数，平衡库存和成本的关系：

26、

27、其中，pri为库存成本；医药物流中心需求预测的评估目标如下所述：

28、fla＝per+(1-pri)         (7)

29、fla值将用户服务水平、库存率和库存成本作为影响因素，该值越大表示预测模型的性能越好。

30、进一步的，步骤4具体为：

31、步骤4-1、采用基于时间序列图和自相关的特征观测方法检验时间序列平稳性，采用图形检验的方法检验随机性；为了构造平稳的时间序列，设置了差分程度变量d，对医药物流中心药物销售数据集进行时间序列平稳化；

32、步骤4-2、针对每个库存量单位sku，将其历史销售数据集拆分为训练集和测试集，前90％的数据作为训练集，剩余10％的数据作为测试集；

33、步骤4-3、针对医药需求预测的arima模型识别：确定arima模型的阶数，即确定自回归部分p、差分部分d和移动平均部分q的阶次，p和q是根据自相关函数acf和部分自相关函数pacf的性质确定的；在存在多个(p，q)的情况下时，通过式(8)和式(9)计算不同(p，q)下的aic(akaike information criterion，赤池信息准则)或bic(bayesian informationcriterion，贝叶斯信息准则)，来确定aic或bic值最小的(p，q)为最终阶次参数；

34、

35、bic＝-2log(p)+klog(n)      (9)

36、其中k为模型自变量，n为样本大小，σ2为残差平方和，p是arima模型的极大似然估计值；利用bic来确定arima模型参数，将参数代入arima模型中，如式(10)所示：

37、

38、其中l为滞后算子，为模型自回归部分的参数，θi为模型ma部分的参数，εt为误差项；

39、步骤4-4、系数估计和验证：系数估计采用最小二乘法，模型的合理性是验证标准模型的拟合残差，如果arima模型的拟合残差满足以零为均值的正态分布，且任意滞后阶残差的自相关系数为零，则认为该arima模型检验不合格，则返回步骤4-3重新识别模型参数；

40、步骤4-5、arima模型应用，评估arima模型的性能。

41、进一步的，步骤5具体为：

42、步骤5-1、分析医药物流中心在对供应链下游客户进行需求预测的过程中涉及的特征，包括促销价格、药品的原价、药品的有效期、药品的销售时间、药品的销售季节、药品的成熟度、药品的促销时间、药品推广度，并对其进行主成分分析，得到最终cnn-tcn模型使用的特征；

43、步骤5-2、医药货物的历史销售数据融合上述提取的特征数据作为cnn-tcn模型中tcn模型的输入，输入数据的结构如下所示：fn＝(i1，i2，…，it，in)         (11)

44、其中，it＝{ppt，opt，vpt，stt，mgt，sst}，表示第t天的数据，其中ppt和opt分别表示预测药品的促销价格和原始价格；vpt和stt分别表示为预测药品的有效期和时间戳，以剩余有效天数表示；mgt和sst分别表示为预测药品的成熟度和当前时间所处的季节；

45、步骤5-3、对输入到tcn模型中的数据进行标准化处理；

46、步骤5-4、使用滑窗技术对时序数据进行重构，将时间序列数据按照固定的窗口大小进行切割，此处的窗口大小为tcn模型中的t，生成一组输入特征和目标标签，即真实需求量；

47、步骤5-5、将医药物流中心的日销售时间序列作为数据集，将其90％划分为训练集，剩余作为测试集；

48、步骤5-6、搭建cnn-tcn神经网络模型并对该模型进行参数调优：模型使用adam优化算法进行参数优化，并在tcn模型之后加入dropout层，以减少卷积层和时间卷积层的过拟合风险；

49、步骤5-7：自定义损失函数：在实际企业管理中缺货所造成的惩罚是要大于库存成本的，企业为保证客户满意度同时降低物流中心成本需要在缺货和多补货之间做权衡，当预测结果中出现较大幅度的缺货或补货时对物流中心的运营都是无益的，因此需要对预测网络的负值进行惩罚，以减少物流中心的相关成本支出，即模型预测结果应在高于真实值的前提下尽量向真实值靠拢，自定义损失函数如式(12)所示：

50、

51、其中，第一项是均方误差，用于度量模型预测结果与真实值之间的平方差，第二项是惩罚项，用于惩罚低于真实值的预测结果，α是超参数，控制惩罚的强度；

52、步骤5-8、评估cnn-tcn预测模型性能，并生成最终需求预测结果。

53、进一步的，步骤6具体为：

54、步骤6-1、利用已训练的arima模型进行预测周期内的需求预测；

55、步骤6-2、利用已训练的cnn-tcn模型进行预测周期内的需求预测；

56、步骤6-3、医药货物以sku为单位的销售数据为时间序列数据，最后的需求预测结果表示为：

57、xt＝βlt+γnt+εt，β+γ＝1  (13)

58、将arima模型的预测结果与cnn-tcn模型的预测结果利用式(13)相加，得到拟合销售时间序列的最终结果；其中，lt为数据在t时刻由arima预测的结果，nt为数据在t时刻由cnn-tcn预测的结果，εt为误差项，β和γ分别为arima模型和cnn-tcn模型的权重系数。

59、本发明所述的有益效果为：本发明所述的方法对历史需求货物根据观测数据所表现的趋势和周期特性进行时序聚类，针对不同的销售趋势和周期性货物，选择不同预测模型和方法，更好匹配药品需求规律，控制预测模型的复杂度和参数数量，避免过拟合和欠拟合等问题出现；为评估针对医药物流中心需求预测方法的效果，将需求预测精度与库存现状、服务满意度和库存成本相关联，提出评估目标，真实反映医药物流场景下预测方法的性能。本发明将时序模型与神经网络相结合适配到医药场景下，在观测需求数据周期性发展的同时灵活的对突发事件做出快速相应，有侧重的对最后结果进行加权，得出最终的预测结果。本发明所述方法针对医药物流行业特性，将预测模型的成本函数作为考虑点，对神经网络的训练阶段进行惩罚，成本越高，库存越大，则惩罚力度越大，使训练的神经网络更加高效且更符合医药管理实际；更新安全库存的计算方法，将历史需求和未来预测需求相结合，确保满足未来需求和用户满意度的同时，避免库存积压和过剩。