基于随机波动模型的医疗器材需求预测仿真.pdf

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 demand 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 themodel 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 equipment 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 algorithm1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529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,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)(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(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。由于灰色神经网络并没有将灰色模型和BP神经网络模型完全融合，无法发挥出最佳效果，因此引人果蝇算法对灰色神经模型进行优化。主要过程如下所示将最大评价次数Maxgen和种群数目NP输人到果蝇算法中,设定初始果蝇种群二维位置为Fly-X-axis和Fly-Y-axis，用randomvalue表示运动的间隔，得到果蝇在运动过程中的位置如下Fly-x;=Fly-X-axis-randomvalue(16)(Fly-y,=Fly-Y-axis-randomvalue结合式（16)对果蝇个体与起点之间的距离Dist，和判定味道浓度的数值S，进行计算，计算方法如下Dist:=X+Y1(17)S.=Dist,根据式（17）对果蝇位置的适用度Smell，进行计算：Smell,=Function(S,)。搜寻Smell，最适合的个体将其定义为最优个体bestSmellbestindex=min(Smell,)(18)判断当前是否为Smell，最优值，如果是，则进行步骤，否则重复步骤到。获取到最优Smell，和横纵坐标值，果蝇通过视觉达到最优个体位置(Smellbest=bestSmellX-axis=X(bestindex)(19)(Y-axis=Y(bestindex)3.4基于果蝇算法的灰色神经网络优化通过果蝇算法优化的灰色神经网络具体步骤如下：依据经SV-t模型分析整理后的医疗器材数据构建灰色神经网络模型并确定其相应参数；引入果蝇算法，确定Maxgen和NP等相关参数，生成初始果蝇种群：选取最优Smell，对应个体作为最优个体，通过视觉定位到达最优个体的位置；更新迭代寻优，对最优值进行检验，如果检验结果为最优，则输出参数并固定此时灰色神经网络相关参数；如果并非最优，则重复以上步骤。4实验与结果为了验证基于随机波动模型的医疗器材需求预测方法仿真的整体有效性，需要该方法进行仿真测试。采用精度优先原则对所提方法、文献3 方法和文献【4 方法进行评价，预测值与实际值相差越小，则精度越高，531选取均方误差MSE对三种方法进行评测，MSE是常用来衡量模型精度的指标，模型精度与MSE成反比关系，预测值和实际值分别用F,，和X，表示，MSE的计算方法如下2(X:-J.)2ni=1MSE(20)nC医院采用一级库房存储医疗物资，由一级库房采购并向二级库房输送医疗耗材、医疗器械、医疗试剂等，二级库房负责接收到来自一级库房的物资并发放至其它科室及相关部门，一级库房储备物资的方式采用员工意见汇总法，通过汇总二级库房接下来一个月的各项需求进行数据预测，因此一级库房的预测方法相对容易，但医疗物资的需求量并非平稳数据，以统计过去几个月使用数量的方法进行未来预测是不准确的，若产生大幅度波动，则会造成穴余或缺失的情况，且会影响一级库房对未来医疗物资需求的预测，所以选取二级库房进行研究讨论。将2 2 GY的头皮式留置针在2 0 2 1年2 月至6 月产生的数据作为检测指标，分别通过所提方法、文献3 方法和文献4方法进行预测并与实际数据进行对比，得到三种方法的预测结果如下所示，一实际值合-文献3 方法*金所提方法“-文献4 方法108001040010000960092008800840080007600720068002月3月4月5月图1三种方法预测结果对图1进行对比分析可以看出，文献3 方法和文献【4 方法对2 0 2 1年2 月到6 月的四个月的2 2 GY的头皮式留置针数量有一定的预测效果，但预测值与实际数量有一定的差距，文献3 方法的在2 月表现出的差距最大,产生的余量会造成器材积压，在4月的预测量低于需求量，会造成器材无法满足需求的情况，影响医院的医疗服务水平，文献4 与文献3 相比相对平稳，但与实际需求量相差值也较大，容易造成医疗器材的穴余，影响一级库存的未来预测走向，而所提方法的预测值和实际值差距最小，四个月的预测值均在实际值的上方靠近处浮动且波动不大，说明所提方法对医疗器材的需求预测更为准确。根据2 0 2 1年2 月至6 月的2 2 GY的头皮式留置针数据和由所提方法、文献3 方法、文献4 方法预测的数据对三种方法的MSE进行计算，计算结果如图2 所示。文献4 方法文献5 方法所提方法1.00.90.80.70.6ASW0.50.40.30.20.10图2MSE测试结果由图2 可以看出，通过所提方法对医疗器材需求进行预测的MSE值低于文献3 方法和文献4 方法对医疗器材需求的预测结果，,MSE值越小，其对应方法的预测精度越高，所以所提具有较高的预测精度。所提方法将灰色模型和神经网络模型相结合，通过其互补性建立灰色神经网络组合模型，使模型在处理复杂非线性函数时无需大量的训练样本也能发挥优异的预测效果。因此，将所提方法用于实际的医疗器材需求预测中具有更强的准确性和可行性。5结束语为了顺利进行医疗事务，足够的医疗物资必不可少，但若超过一定数额便会形成积压，造成物资和资金的浪费，所以需要对医疗物资进行准确预测并合理储备。为了解决目前存在的MSE值高问题，提出基于随机波动模型的医疗器材需求预测仿真，采用SV-t模型分析医疗器材时间序列波动性，通过经过果蝇算法优化的灰色神经网络组合模型对医疗器材需求进行预测。该方法能够获取到较低的MSE值，对促进医院提供更优质的服务具有积极意义。参考文献：1陈国卿，李晓宇.基于创新视角的精益库存管理对企业绩效影响机制研究一一管理创新的中介效应J.科技管理研究，2019,39(5):207-214.2沈兵，尤健，李晶慧，等.大型城市应急医疗物资保障体系建设的问题与对策J.中国医院管理,2 0 2 0,40（4）：1-4.3杨帆，王铁宁，吴龙涛，等.基于任务的装备器材非稳态需求预测J.系统工程与电子技术，2 0 19,41（12）：2 7 96-2 8 0 1.4王竹君，朱颖琪，孙界平.基于矩阵分解的电力物资需求预测J.四川大学学报（自然科学版），2 0 19,56（4）：6 39-6 44.5士明军，王勇，吉进迪，等.政府补贴下绿色供应链需求预测信息共享研究J.管理工程学报，2 0 2 0,34（4）：119-12 5.6刘利敏,万孟然.带跳的随机波动模型的参数估计J.河南师范大学学报（自然科学版）,2 0 2 0,48（3）：6-11.7马莲净，赵宝峰.基于对数正态分布的井下疏放水钻孔水量分析J.煤田地质与勘探，2 0 19,47（3）：140-146,153.8车玉龙，吕晓琴，王晓茹，等.含非正态分布概率潮流计算的改532上接第410 页）进型两点估计法J.电力自动化设备，2 0 19，39（12）：12 8-133.9郑晨玲，朱革兰.基于贝叶斯估计的配电网智能分布式故障区段定位算法J.电网技术，2 0 2 0,44（4）：156 1-156 7.10沈艳，尹金姗，韩帅，等.基于数值积分公式的GM（1,1）模型优化研究J.计算机工程与应用，2 0 19,55（2 4）：41-45.11史科，陆阳，刘广亮，等.基于多隐层Gibbs采样的深度信念网络训练方法J.自动化学报，2 0 19,45（5）：97 5-98 4.12杨国华，颜艳，杨慧中.GM(1,1)灰色预测模型的改进与应用J.南京理工大学学报，2 0 2 0,44（5）：57 5-58 2.13 李琛，郭文利，吴进，等.基于BP神经网络的北京夏季日最大电力负荷预测方法J.气候与环境研究，2 0 19,2 4(1)：135-142.快速实现对扰动的平衡，提高了系统响应速度，系统转速能够很好的跟随给定值。针对双效应和突加负载共同影响，对NDFC+LLTO和传统策略对比分析，仿真结果证明了NDFC+LLTO策略的有效性,提高了系统对电感非线性变化的鲁棒性和系统效率，改善了系统的稳定和动态性能，其在弱磁控制时表现明显。仿真结果证明了本文提出NDFC+LLTO控制策略的有效性，具有一定的工程应用价值。参考文献：1王艾萌.新能源汽车新型电机的设计及弱磁控制M.北京：机械工业出版社，2 0 13.2黄善武.超高速永磁同步电机模糊PI弱磁算法应用研究D.哈尔滨理工大学，2 0 19.3陈蓉，邓智泉，严仰光.微分反馈控制在永磁同步伺服系统中的应用研究J.电工技术学报，2 0 0 5,2 0（9）：92-97.4李光泉，葛红娟，刘天翔，马春江.永磁同步电机的伪微分反馈控制J.电工技术学报,2 0 10,2 8（8）：18-2 3.5王伟华，肖曦.考虑一拍滞后的PMSM电流环改进PI调节器J.中国电机工程学报，2 0 14,34（12）：18 8 2-18 8 8.6王伟华，肖曦，丁有爽.永磁同步电机改进电流预测控制J.电工技术学报,2 0 13,2 8（3）：50-55.7苗敬利，郑大伟，周重霞.基于混合滑模控制器和反正切观测器的SPMSM直接转矩控制J.控制与决策（ControlandDecision),2019,34(9):1831-1839.8樊英，周晓飞，张向阳，张丽，程明.基于新型趋近律和混合速度控制器的IPMSM调速系统滑模变结构控制J.电工技术学报,2 0 17,32(5):9-18.9李峰，夏超英.考虑磁路饱和的IPMSM电感辨识算法及变参数MTPA控制策略J.电工技术学报，2 0 17,32（11）：136-144.10王宏佳，徐殿国，杨明.永磁同步电机改进无差拍电流预测控制J.电工技术学报,2 0 11,2 6（6）：39-45.11康劲松，李旭东，王硕.计及参数误差的永磁同步电机最优虚拟矢量预测电流控制J.电工技术学报，2 0 18,33（34）：57 32-5740.14王欣，靳鸿，杨冀豫.基于共轭梯度下降法的RBF神经网络预测算法J.探测与控制学报,2 0 19,415）：10 6-110.15刘鹏飞，李锐，王岩.基于灰色神经网络模型的区域供热负荷预测研究J.暖通空调，2 0 19,49（5）：12 4-12 8.作者简介杨子琳（1997-），女（汉族），北京市人，硕士研究生在读，研究方向：贝叶斯计量经济学（通讯作者）。陈家清（197 2-），男（汉族），湖北襄阳人，博士，教授，研究方向：生物统计学、贝叶斯统计学、贝叶斯计量经济学。12 ZZhang Xiaoguang,Hou Benshuai,MEI Yang.Deadbeat predictivecurrent control of permanent magnet synchronous motors withstator current and disturbance observer J.IEEE Transactions onPower Electronics,2017,32(5):3818-3834.13易伯瑜，康龙云，冯自成，等基于扰动观测器的永磁同步电机预测电流控制J.电工技术学报，2 0 16,31（18）：37-45.14Wang Bo,Dong Zhen,Yu Yong,et al.Static errorless deadbeatpredictive current control using second-order sliding-mode dis-turbance observer for induction machine drivesJ.IEEE Trans-actions on Power Electronics,2017,33(3):2395-2403.15李峰.考虑交叉饱和效应的永磁同步电动机参数辨识和控制方法研究D.天津大学，2 0 17.16吴荒原.电动汽车用内置式永磁同步电机驱动研究D.华中科技大学，2 0 15.17李雪，迟颂，刘聪，等。基于虚拟电阻的永磁同步电机单电流调节器弱磁控制J.电工技术学报，2 0 2 0,35（5）：10 46-10 54.18刘金.智能控制M.北京：电子工业出版社，2 0 17.19彭峰.永磁同步电机控制系统参数自整定研究D.广东工业大学，2 0 16.20邢桢林.带负载状态观测器的永磁同步电机驱动控制系统D.哈尔滨理工大学，2 0 18.21邓永停，李洪文，王建立，阴玉梅，吴庆林.基于预测函数控制和扰动观测器的永磁同步电机速度控制J.光学精密工程，2014,22(6):1599.作者简介刘军杰（1996-），男（汉族），河南商丘人，硕士研究生，主要研究领域为新能源汽车永磁同步电机驱动控制。吴静波（197 9-），男（汉族），北京人，博士，讲师，硕士研究生导师，主要研究领域为新能源汽车整车控制及电驱动系统。郭志军（197 0-），男（汉族），河南洛阳人，博士，教授，博士生导师，主要研究领域为车辆系统动力学与智能控制。王永巍（198 8-），男（汉族），博士研究生，主要研究领域为新能源汽车整车控制及电驱动系统。