[发明专利]一种药品消耗量时间序列预测方法

摘要

本发明公开了一种药品消耗量时间序列预测方法，具体为重新设计已有的数据挖掘算法GRNN，使其由原来基于CPU运行的串行设计，改为基于GPU运行的并行设计，多线程并行处理药品消耗量的时间序列数据，同时训练具有不同平滑参数的模型，然后对样本库进行不同的分割，同时训练不同输入方式的模型，选取误差最小的模型对未来的药品消耗数量作出预测，由于模型的训练是并列进行的，所以预测效率较之原有CPU架构下的GRNN模型有显著提升。本方案适用于医疗机构的药品管理。

主权项

一种药品消耗量时间序列预测方法，其特征在于，包括以下步骤：S001、读取药品消耗量的时间序列数据，存入一维数组DataSet[N]，N是数据总数；S002、初步选定输入层神经元的数目m；S003、根据选定的m值，分割数据集，学习样本共有N‑m‑1个，学习样本存入数组StudySet[N‑m‑1][m]，对应的样本输出值存入数组RealOut[N‑m‑1]；S004、设置平滑系数的初始值；S005、将学习样本与对应的样本输出值拷贝到GPU的常量内存；S006、学习样本中分别去掉一个样本，构成N‑m‑1个模型，在GPU中并行计算这些模型，每个block负责计算一个模型，每个block包含N‑m‑1个thread，每个thread计算相应模型的相应模式层神经元的输出值；S007、计算求和层的输出值，再相除得到模型的输出值，将每个block计算得到的对应模型的预测结果保存到一个长度为N‑m‑1的数组；S008、用一包含N‑m‑1个thread的block，采取归约的方式求得该平滑参数下模型的评价指标E，并将其拷贝到CPU；S009、判断平滑系数是否达到预定的最大值，如果没有达到最大值则按△σ = 0.1递增平滑系数，并返回步骤S005；否则下一步；S010、根据每个平滑系数对应的评价指标，选出当前m下的最佳平滑系数，并作记录；S011、判断m是否达到预定的最大值，如果没有达到最大值按△m=0.1递增m，并返回步骤S003；否则下一步；S012、计算每个m的评价指标，计算公式为B(m)=NlnE+ MlnN；S013、选取最佳的m值，及其对应的平滑系数确定GRNN模型结构，用于药品消耗量的预测，得到预测结果。