[发明专利]一种基于医药大数据预测药品销售趋势的方法

摘要

一种基于医药大数据预测药品销售趋势的方法，包括以下步骤(1)基于医药大数据获取平稳时间序列数据，(2)基于医药大数据建立自回归移动平均模型，(3)验证时间序列模型的残差序列是否是白噪声序列检验模型，(4)在建立长期趋势预测模型之后，计算药品的周期性指数，(5)运用最小二乘法估算获得周期性指数预测模型，(6)利用标准差计算两种预测模型所占比重的权值，获得组合预测模型，(7)预测结果的分析比较和呈现。本发明利用医药销售大数据建立ARIMA模型、周期性指数模型、组合预测模型，完成了对非线性、时变的时间序列数据的精确预测，实现了对药品销售预测功能。

主权项

一种基于医药大数据预测药品销售趋势的方法，其特征在于，包括如下步骤：步骤一：基于医药大数据获取平稳时间序列数据(1)依据药品的销售金额，获取需要预测药品的系统时间序列数据，(2)对获取的时间序列数据，用单位根ADF进行检验，如果ADF检验的值等于0或者小于设定的值，该设定值选取0.01或0.05，则判断时间序列数据为平稳时间序列；对于明显的非平稳时间序列要先进行1阶差分运算，再用ADF检验判断是否为平稳时间序列,对于检验后的非平稳时间序列再进行2阶差分运算,获取平稳时间序列数据；步骤二：基于医药大数据建立自回归移动平均模型(1)根据步骤一的差分阶数确定参数d的值，对于非平稳时间序列进行了1阶差分，则d＝1,进行了2阶差分，则d＝2，(2)对已经获得的平稳时间序列，分别求自相关系数ACF和偏自相关系数PACF，并通过对自相关图和偏自相关图的分析，得到阶层p和阶数q，(3)利用ARIMA(p,d,q)模型，选择不同的p,q值，分别计算AIC，BIC，HQIC的值，(4)分别比较不同ARIMA模型的AIC，BIC，HQIC值，选择一个最优的模型，同时确定出p,q值，(5)根据得到的p、d、q值，得到提取长期趋势的ARIMA模型，然后对该模型进行模型检验；步骤三：验证时间序列模型的残差序列是否是白噪声序列检验模型建立步骤二的ARIMA模型后，对残差的估计序列进行白噪声检验，如果检验值小于给定的假设值，说明是高斯白噪声；如果不是高斯白噪声，说明选择的ARIMA模型并不是一个适合预测的模型，需要返回步骤二，重新选择ARIMA模型；步骤四：在建立长期趋势预测模型之后，计算药品的周期性指数(1)计算药品周期的平均数asi=Σj=1nesj,in---(1)]]>式(1)中esj,i表示药品周期内的平均值，n表示规定时段内的周期数，asi表示药品周期的平均数；(2)计算药品周期的总平均数ts=Σj=1nΣi=1tesj,in*t---(2)]]>式(2)中t表示时段数，ts表示药品周期的总平均数；(3)计算药品周期的周期性指数，即药品周期的平均数/药品周期的总平均数：epi=asits---(3)]]>步骤五：运用最小二乘法估算获得周期性指数预测模型(1)计算药品周期内平均销售金额，(2)利用最小二乘法拟合平均销售金额对时间的回归方程组，Σi=1nyi=na+bΣi=1ntiΣi=1ntiyi=aΣi=1nti+bΣi=1nti=12---(4)]]>a=Σyn-bΣtn---(5)]]>b=nΣyt-(Σt)(Σy)nΣt2-(Σt)2---(6)]]>(3)利用回归模型计算药品短期销售的预测值，(4)短期预测值乘以药品的周期性指数得到修正的预测值；步骤六：利用标准差计算两种预测模型所占比重的权值，获得组合预测模型(1)利用步骤二获得的长期趋势预测模型ARIMA和步骤五获得的基于药品指数周期的周期性指数预测模型，以两种预测模型的标准差所占比重确定每种模型的权重W1和W2，所述权重的计算满足公式(7)Σn=1Nϵmin2=Σn=1n(pn*-p2n-u(p2n-p1n))min2---(7)]]>权重W1＝u，W2＝1‑u，u的最优解为满足公式(7)实际值与预测值方差和最小，ε是实际值Pi*与预测值Pi之间的误差，n指预测个数，(2)根据两种模型的权重确定组合预测模型,所述模型为：Pt＝W1P1t+W2P2t  (8)式(8)中Pt是组合模型的预测结果，P1t是ARIMA模型的预测值，P2t是周期性指数预测模型预测值，W1，W2分别是两种模型的加权系数，为保证组合预测模型的无偏性，两者需要满足W1+W2＝1，W1≥0，W2≥0；步骤七：预测结果的分析比较和呈现(1)通过组合预测模型计算药品短期预测值，(2)比较ARIMA模型、周期性指数预测模型和组合预测模型三种模型的平均绝对相对误差MAPE和均方误差MAE，MAPE=1nΣt=1n|yt-y^tyt|---(9)MAE=1nΣt=1n|yt-y^t|]]>(3)将预测值的大数据可视化呈现并进行存储。