基于神经网络模型的医疗器械库存管理优化.pdf

中国新技术新产品2024 NO.4（下）-139-技 术 经 济 与 管 理随着鼓励医疗创新的政策陆续出台，对医疗器械产品的需求也在不断增加。由于医疗器械的特殊性，库存管理面临许多挑战。因此，优化医疗器械供应链库存管理具有重要的实际意义。解琨等1通过联合库存管理来应对供应链中随时出现的多变化需求，以获得更准确的预测率。戚晓曜2探讨了及时生产制（JIT）的应用，并通过看板管理等手段实现该目标。王槐林等3通过分析 VMI 和 RMI 在概念原理上的差异，总结了VMI 在实践中给供应商、零售商以及供应链整体带来的收益和竞争优势。朱敏捷等4通过量化分析得到了供应链成本最低的库存管理模型。本研究旨在通过优化企业的库存管理，提高库存管理的效率和准确性，为企业发展和行业进步做出积极贡献。1 模型建立1.1 建立模型的需求在供应链中对医疗器械的存储、调配、监控和控制等活动进行有效集成，基于生产需求，在管理的过程中对采购进行预测具有不确定性，因此本文建立了基于 SARIMA-BP 神经网路的组合预测医疗器械供应链库存管理优化模型。在结合时间序列和 BP 神经网络的前提下，形成组合模型，再利用组合模型进行预测。1.2 需求预测医疗器械供应链库存管理的时间序列具有明显的季节性趋势，并且随着长期趋势、波动性趋势以及不规则变动，判断产品销售数据具有线性与非线性双重特征，因此本文分别从线性与非线性 2 个方面考虑，并构建模型。关于线性模型选择，由于医疗器械产品销售数据具备较强的季节性趋势，因此，选择时就不能单纯考虑线性趋势，须通过对比，选择SARIMA 模型并搭建模型。与 ARIMA 模型相比，SARIMA 模型除了拥有更好的线性关系捕捉能力外，还考虑了数据的季节性趋势，因此更适合预测 A 产品的销售数据。但 SARIMA模型也有缺点，其无法提取时间序列中的非线性关系，需要引进非线性模型，提高预测的准确度。而本文所预测的 A 产品销售数据，正是具有线性与非线性双重特征，因此在模型搭建中，需要选择非线性模型与线性模型SARIMA 一起搭建。本文选择 BP 神经网络作为非线性预测模型，BP 神经网络作为现在非常流行的一种模型，广泛用于众多领域。其具有不须提供输出集与输入集间的映射关系即可运行的特点，且可以通过不断使用数据来训练与学习，使误差反向传播，以此不断修整，来提高预测精度的能力。因此，对线性模型SARIMA 无法拟合的非线性关系，使用 BP 神经网络可达到基于神经网络模型的医疗器械库存管理优化许凯迪1姜雪松1杨立发2（1.东北林业大学，黑龙江 哈尔滨 150000；2.中国船舶集团有限公司第七三研究所，黑龙江 哈尔滨 150078）摘 要：随着医疗器械行业的发展，供应链库存管理日益成为企业关注的焦点。对库存进行有效管理可以降低库存成本、提高供应链效率，从而提高企业竞争力。然而，医疗器械供应链具有复杂性、不确定性和动态性等特点，给库存管理带来较大挑战。为了解决该问题，本文提出了一种基于 ARIMA-BP 神经网络组合预测模型的医疗器械供应链库存管理优化方法。首先，利用 ARIMA 模型对医疗器械供应链库存数据进行时间序列分析，提取数据特征，其次，采用 BP 神经网络对提取的特征进行学习和预测，建立库存预测模型，最后，结合实际案例，验证了所提出方法的有效性和可行性。试验结果表明，该方法能够较好地预测医疗器械供应链库存变化趋势，为企业制定合理的库存管理策略提供有力支持，有助于提高医疗器械供应链的整体运营效率。关键词：SARIMA 模型；BP 神经网络；供应链库存管理中图分类号：F25文献标志码：A图 1 产品销售数据预测模型建模思路分析销售数据时 间序列特征构建并评估吞吐量预测模型A产品销售数据时间序列评估模型评估模型线性序列特征:一直增长非线性序列特征:长期性、季节性、波动性等基于SARIMA的销售数据预测模型基于BP神经网络的销售数据预测模型 中国新技术新产品2024 NO.4（下）-140-技 术 经 济 与 管 理对其进行捕捉和预测的目的。销售数据预测模型建模思路如图 1 所示。1.3 模型建立在销售数据的研究中，组合模型优于单一模型已经成为越来越多学者的共识。销售数据受到多因素影响，不仅有季节性因素、长期性因素，还受到很多复杂因素的影响。SARMIA 模型可以很好地拟合季节性因素与长期性因素的影响，而对不规则序列来说，BP 神经网络具有强大的拟合能力。因此在处理复杂的销售数据中，将两种模型组合起来的能力优于单一模型预测，可以极大程度地拟合线性与非线性关系。组合过程如图2所示，分别使用线性模型与非线性模型进行建模和预测，并对 2 种预测模型进行权重分配，按照权重对预测结果求和。目前主要的权重分配方式分为最优组合预测方法和非最优组合预测方法。图 2 非同源模型组合方法时间序列数据组合预测结果非线性预测模型非线性预测模型预测结果（线性部分）预测结果（非线性部分）非线性预测模型最优组合预测方法的基本思想就是根据某种准则构造目标函数，在一定的约束条件下求得目标函数的最大值或最小值，从而计算组合预测方法加权系数。最优组合预测方法通常可以表示为数学规划问题，如公式（1）所示。max min,.,?QQ w wwstwwimmiimi121101 2 （1）式中：Q（w1，w2，w3，.，wm）为目标函数；w1，w2，w3，.，wm为各单项预测方法加权系数。选择最小 RMSE 为目标，设置模型组合权重，计算过程如公式（2）所示。min RMSE=yciii?199，i=1，2，3，9ci=w1ai+w2bi，i=1，2，3，9w1+w2=1 （2）式中：ci为组合模型的预测结果；ai为 SARIMA 模型的预测结果；bi为 BP 神经网络预测模型的预测结果；w1为 SARIMA 模型的权重百分比；w2为 BP 神经网络预测模型的权重百分比。2 试验案例2.1 数据采集公司发展历程及现状是研究中的重要环节，以某医疗器械公司为例，对其发展历程及现状进行分析，可以更全面地了解该公司在医疗器械供应链库存管理方面的情况，对其库存管理问题进行深入分析，提出相应的优化方案，以期提高库存管理的效率和准确性。某医疗器械公司是一家专业从事医疗器械研发、生产和销售的企业。经过多年发展，公司不断壮大，并在行业中树立了良好的口碑。目前，公司已经形成了一套完整的供应链体系，包括供应商、生产部门、仓储物流和分销渠道等。本文选取了某医疗器械公司在 2021 年 4 月2023 年 9 月的 NO 治疗仪系列的销售数据，分别计算各产品订单量及金额分别占总订单量及总金额的比例，按照 50%的权重统计综合占比，以及统计期间内的销售额月份，选取 5 种产品占比排序，见表 1。表 1 选取产品占比排序产品综合占比累计占比产品A26.00%26.00%产品B23.76%49.76%产品C19.57%69.32%产品D15.46%84.78%产品E15.22%100.00%由于 A 产品的订单量及总金额占比均高于其他产品，以及存在销售的月份较多，因此本文对 A 产品的销售数据进行建模预测。2.2 模型预测如图 3 所示，对 2021 年 4 月2023 年 9 月 A 产品销售数据进行一元线性回归拟合，可以看出绝大多数的数据落到直线两边，一元线性拟合只能拟合数据的长期性趋势，难以体现时间序列中的季节性趋势和波动性，可以判断 A 产品销售数据具有线性与非线性双重特征，选择单个模型对其拟合具有较大局限性。本文研究 A 产品销售数据短期预测，对模型预测精度提出较高要求，因此，本文选择非同源模型组合预测，分别从线性与非线性两个角度对 A 产品进行建模。建立预测模型前，需要对数据进行处理，根据收集的数据，将训练数据与测试数据比例 7 3 作为划分比例，将 2021 年 4 月2022年 12 月的数据划为训练集，将 2023 年 1 月2023 年 9 月的数据划为测试集。基于测试集，对其进行组合预测和对比。2.3 模型求解2.3.1 SARIMA 模型预测结果文中搭建的线性模型 SARMIA（1，2，0）（0，1，0，3），图 4 为 2023 年 1 月2023 年 9 月的预测值和实际值的拟合效果。这 9 个月的预测误差平均为 5%，总体预测效果较好，但随着时间的增加，模型的预测效果在逐渐降低，预测误差越来越大，因此还需要进一步改进。2.3.2 BP 神经网络模型预测结果图5为BP神经网络预测模型测试集拟合效果，可以看出，神经网络在测试集中的拟合效果较差，需要在组合模型过程中进一步优化。虽然基本满足预测需求，但是有多组数据预测误差过大，因此需要借助组合模型进一步提高模型精度。2.3.3 组合预测模型预测结果两个模型均取得了较为良好的预测效果，组合模型将结合两者优点，提高模型拟合度的同时可以更准确地反映数据的波动性。图6是组合模型测试集9个月的预测结果和实际值组成的折线图。可以看出，组合模型很好地拟合了数据的波动性，并且将误差控制得非常好，在实际应用中可以很好地提高中国新技术新产品2024 NO.4（下）-141-技 术 经 济 与 管 理预测的稳定性，组合预测模型的实用性优于单个模型。2.3.4 模型对比通过表 2 可以看出，对 SARIMA 模型与 BP 神经网络进行加权组合处理后，各评价指标均向好的方向前进，模型整体拟合度提高，达到了更好的预测效果。表 2 模型准确性主要指标对比指标SARIMA模型BP神经网络组合模型RMSE5.3916.384.98平均相对误差5.67%15.15%5.23%R20.880.110.893 结论本文研究了医疗器械供应链库存管理的优化方法，以某企业为例，提出一种基于 SARIMA-BP 神经网络的组合预测模型，并根据 3 种模型对比分析结果发现了基于 SARIMA-BP 神经网络的组合预测模型的预测稳定性良好，提高了医疗器械供应链库存管理的整体水平。后续可进一步对不确定性因素进行研究，不断优化模型的完整性，建立操作容易、原理简单的模型，更好地提高供应链管理优化能力。参考文献1 解琨，刘凯.战略联盟：降低牛鞭效应的最佳策略 J.物流技术，2002（12）：37-38.2 戚晓曜.及时生产制（JIT）应用的探讨 J.工业工程，2004（1）：47-51.3 王槐林，杨敏才，张晓凤，等.供应链管理中 VMI 系统的研究 J.工业工程，2005（1）：12-15.4 朱敏捷，包胜华，张力为.基于 VMI 和 JMI 的供应链库存管理模型的研究 J.物流技术，2008（2）：96-98，121.通信作者：姜雪松（1979-），男，工学博士，副教授，主要研究方向为工业工程与管理、智能制造工艺与装备、数字化车间和智能工厂。电子邮箱：。图 6 组合模型测试集拟合效果130120110100908070602023/12023/22023/3 2023/4 2023/52023/6 2023/72023/8 2023/9预测量（台）预测时间（年/月）原值预测值图 3 A 产品销售数据一元线性拟合图1401201008060402002021/12021/42021/72021/102022/22022/52022/82022/122023/32023/62023/102024/1时间（年/月）销售数据（台）图 4 SARIMA 预测模型测试集拟合效果13012011010090807060预测量（台）预测时间（年/月）原值预测值图 5 BP 神经网络预测模型测试集拟合效果13012011010090807060预测量（台）预测时间（年/月）原值预测值2023/12023/12023/22023/22023/32023/32023/42023/42023/52023/52023/62023/62023/72023/72023/82023/82023/92023/9