基于随机波动模型的医疗器材需求预测仿真.pdf
《基于随机波动模型的医疗器材需求预测仿真.pdf》由会员分享,可在线阅读,更多相关《基于随机波动模型的医疗器材需求预测仿真.pdf(5页珍藏版)》请在咨信网上搜索。
1、528第40 卷第6 期2023年6 月真机计仿算文章编号:10 0 6-9348(2 0 2 3)0 6-0 52 8-0 5基于随机波动模型的医疗器材需求预测仿真杨子琳*,陈家清(武汉理工大学理学院,湖北武汉430 0 7 0)摘要:采用目前方法对医疗器材需求进行预测时,没有考虑样本数量对预测结果的影响,导致MSE值高的问题。提出基于随机波动模型的医疗器材需求预测方法,首先通过随机波动模型SV-t对医疗器材时间序列进行分析整理,掌握其波动特征,然后利用灰色模型和神经网络模型的互补性建立灰色神经网络组合模型,再采用果蝇算法对组合模型进行优化,最后将医疗器材数据输人到优化后的预测模型中,完成对
2、医疗器材需求的预测。实验结果表明,所提方法能够得到较低的MSE值。关键词:随机波动模型;医疗器材;需求预测;灰色神经网络组合模型;果蝇算法中图分类号:TP18文献标识码:BMedical Equipment Demand Forecast SimulationBased on Stochastic Fluctuation ModelYANG Zi-lin*,CHEN Jia-qing(School of Science,Wuhan University of Technology,Wuhan Hubei 430070,China)ABSTRACT:When predicting the dem
3、and for medical equipment,some methods ignore the impact of sample size onforecast results,leading to high MSE.Therefore,a method for predicting the demand of medical equipment based onstochastic volatility model was proposed.Firstly,the time series of medical equipment was analyzed and sorted by th
4、emodel SV-t,so that we can master the volatility characteristics.Secondly,we used the complementarity between graymodel and neural network model to build a gray neural network combination model.And then we used the fruit fly op-timization algorithm to optimize the mode.Finally,we input the medical e
5、quipment data into the optimized model,thusforecasting the medical equipment demand.Experimental results prove that the proposed method can obtain a lowerMSEvalue.KEYWORDS:Stochastic volatility model;Medical equipment;Demand forecast;Gray neural network combinationmodel;Fruit fly optimization algori
6、thm1引言需求预测是库存管理中必不可少的一项内容,各行各业都与需求预测存在紧密的联系,优质的需求预测可以降低库存积压,避免物资浪费,在仓储备货的过程中没有进行需求预测,极可能会出现物资穴余或短缺,造成资源浪费、客户体验差、服务质量下降等问题。医疗物资与其它物资不同2 ,它与人的生命息息相关,为了避免对医疗事务造成不良影响,医院储备物资必须满足医疗需求,由于医疗物资的特性,盲目储备不仅会造成医疗物资的积压,还会影响部分基金项目:国家自然科学基金面上资助项目(8 16 7 16 33)收稿日期:2 0 2 1-11-15修回日期:2 0 2 1-11-2 0医疗物资的使用效果,所以结合医疗物资的
7、自身特性对其进行合理的预测是至关重要的。杨帆【3 等人通过相关函数划分需求序列作为稳定子空间,并通过支持向量机预测各个子空间,利用CS算法估计支持向量机参数并对各子空间的预测结果加权处理,完成对需求的预测。王竹君4 等人以物资需求的过往数据记录和部分计划物资作为初始数据,采用矩阵分解算法对待预估物资需求量进行预测。除此之外,还有学者提出云计算平台下应急响应资源需求预测分析方法,首先通过聚类算法评估物资需求并建立WNN需求预测模型,然后采用云计算平台对模型参数寻优,完成物资的需求预测。以上方法没有考虑样本数量对预测结果的影响,导致MSE值过高。为了解决上述方法中存在的问题,提出基于随机波动模52
8、9型的医疗器材需求预测仿真。2SSV-t模型与参数估计2.1构建SV-t模型随机波动(SV)模型通常用来对时间序列的波动性进行分析5.6 ,选用SV模型对医疗器材历史数据进行分析,以便掌握其波动规律率进行更准确的预测。设独立同分布的白噪声用8,表示,时刻t和时刻t-1的对数波动分别用e,和a-,表示,波动的平均水平用表示,持续性参数用表示,波动的扰动水平用n.表示,n.独立且服从高斯分布N(O,),得到时刻t的序列值y,如下所示Y,exp(1)=+(o,-1-)+n标准随机波动模型的白噪声s,服从标准正态分布7 但在实际情况中,医疗器材的需求存在肥尾分布,所以在现实应用中,需将服从标准正态分布
9、的8,转换为服从非正态分布8 ,以便更好地描述医疗器材时间序列的波动特征。设伽马函数用()表示,得到服从t分布的非正态SV-t模型如下所示(1+)-(n+1)(n +1)/2)2f(8,n)=(2)(n)1/2(n/2)n2.2模型参数估计构建 SV-t模型后,还需对其中的参数进行估计,基于随机波动模型的医疗器材需求预测方法选取贝叶斯估计对模型进行参数估计9)。设。服从N(,)分布,记作=(y1,y2,yn),=(1,2,),在0-1和中已确定的情况下,o,服从均值+(-1-u)的高斯分布,得到:f(0,I,0r-1)N(+(0t-1-),T1)(3)结合式(3)可知,o,和y,均服从N(0,
10、exp(9,),用f(y,la,)表示y,关于6,的条件分布密度函数,得到SV-t模型的似然函数L(,T,)以及、和的联合后验分布密度函数如下所示L(,T,)I(y,10.)三=11(%ea+0.)(4)(,T,1 y)L(,T,0)(,T,0)由于没有式(4)的积分解析表达式,所以还需引人数值积分对参数进行估计10 ,基于随机波动模型的医疗器材需求预测方法通过 Gibbs抽样法进行贝叶斯推断1。将f(,T,l y)的完全条件分布作为转移核生成一条马尔科夫链,用((),(),(n),()n=1表示,对参数进行初始值赋值:(0)=((),u(,(,()),通过后验条件分布进行循环抽样,第一次迭代
11、过程如下所示n)f(n./n2,n(),n)f(n2/n(,n),n()n()f(n.In),n,n)(5)为从(mn,n),n),n)中抽取样本(,通过式(5)完成一次由(0)=(0(0),(,(),())到(1)=((),(,(),-())的转移。完成n次选代后,得到抽样值n,n,n,其中h=1,2,。若在完成m(mn)次迭代后,马尔科夫链达到收敛,通过蒙特卡罗积分获取各参数的后验均值E(m)和方差Var(m)如下所示1E()nmm+12,()2-(1Var(n)nm,=m+1m=m+1(6)通过以上计算,完成随机波动模型的参数估计和对医疗器材时间序列的波动性分析,以便进行后续需求预测。3
12、医疗器材需求预测模型3.1灰色预测模型灰色预测模型常用在短期预测之中12 ,主要形式有GM(1,N)和GM(1,1)两种,其中GM(1,1)模型常被用于数列预测之中。设经SV-t模型分析整理后的数据列用x(0)=(x(1),x()(2),,x()(n))表示,第k个数据样本用x(0)(k)表示,发展灰色系数用表示,灰色作用度用b表示,采用数据列构建GM(1,1)模型如下所示x(0)(k)+az(1)(h)=b(7)其中,z(1)为通过X(1)临近均值获取的序列,z()(k)为序列z(1)中的元素,X(1)为X()经过一次累加后的序列,()(k)为其中的元素,计算方式如下(z(1)=(2(1)(
13、2),2()(3),2()(n)(8)2(1)一(1)(h)+x(1)(k-1)通过回归分析对a,b 的值进行估计,得到白化模型和对应的预测值(1)(k+1)如下所示d(t)+ax(t)=bdt(9)661一exp(-ak)+-aa对()(h+1)进行累减,得到原始数据列的灰色预测模型如下所示(0)(k)=()(k+1)-(1)(k)(10)530通过嗅觉获取Smell.函数;3.2神经网络预测模型非线性激活函数常通过神经网络进行预测,若要完成非线性数据的预测,一定要选取激活函数,否则会影响结果的输出,如果仅将线性函数进行复杂组合使其逼近非线性函数,得到的结果拟合效果较差,所以需要引人非线性激
14、活函数进行处理,将非线性函数添加到每层神经元前用来对线性变换结果进行处理。常用的激活函数有sigmoid、t a n s i g、purelin等,结合不同的情况,选择不同的激活函数进行处理。基于随机波动模型的医疗器材需求预测方法选取神经网络中的BP神经网络13,该神经网络对于线性不可分问题的处理效果优异,具体运行过程如下:BP神经网络的输人向量与输出向量为一一对应的关系,构成数据组(X,Y),网络输人层和输出层维度分别用n和m表示,n和m分别受输人层和输出层的节点总量所控制,隐含层节点总数用L表示,L通过计算可以获取到。设激活函数为(),输人层与隐含层的权重为,输人层到隐含层的阈值为,,对隐
15、含层神经元的数据H,进行计算,计算方式如下:H,=f(2wg*-a.),(j=1,2,L)(11)设隐含层神经元中的数据为H,隐含层到输出层的权值为i,输出层阈值为bk,对输出层神经元中的数据0,进行计算,计算方式如下L0kH,ik-br,k=1,2,n(12)对网络损失函数误差e进行计算,计算方式如下eh=Y-Ok,h=1,2,m(13)采用梯度下降法对权值或阅值进行更新从而优化14,设学习率为,计算方法如下m,=Wg+nH(1-H,)x;kekk=1(14)Wi=W元+nHjek(i=1,2,n;j=1,2,L;k=1,2,me,=nH(1-H,)mWjiekk=16=bk+errork(
16、15)=1,2,.,L;k=1,2,m完成模型送代后,即生成预测模型,根据实际情况,将数据输人模型进行预测3.3灰色神经网络组合模型医疗器材系统受多种因素的影响,其中包含已知因素和未知因素,各因素之间互相影响,是复杂非线性系统,因此通过灰色神经网络组合模型对其进行预测具有科学合理性。灰色神经网络组合模型主要分为串联和并联两种形式15,串联型灰色神经网络组合模型在实际应用中效果优于并联型,因此基于随机波动模型的医疗器材需求预测方法选择串联型组合形式,即先结合医疗器材的历史数据和灰色预测模型获取到一组预测数据,再将预测数据和多种影响因素的历史数据作为BP神经网路的输人因子,建立原始灰色神经网络模型
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 随机 波动 模型 医疗 器材 需求预测 仿真
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。