基于BP神经网络在基本药物采购量短期预测中的研究(2)
 |
| 第1页 |
参见附件。
2.1 湖北省基本药物采购量预测模型的建立
2.1.1 研究对象及数据准备
湖北省每月采购的基本药物品种有1 000种之多，从理论上来说，为了更好地估计湖北省的基本药物采购量的预测值，需要将每种药物根据其历史采购量来建立预测模型，如此一来会带来巨大的工作量。因此，应选择使用频率比较高、采购比较频繁、使用特点具有相似性的一大类药物品种来进行研究。综合对湖北省每月采购通报的分析，选定药物大类为抗生素类。样本纳入标准为统计期内的采购时间是连续的，并且属于同一大类的不同规格。
本文建模对象及数据见表1。
2.1.2 基本药物采购量神经网络预测模型的实现
在进行神经网络预测之前，为避免原始数据过大造成网络麻痹，要对原始数据进行归一化处理，对于预测值，由于变化幅度较大，也不宜直接作为神经网络的输出。对于单极型Sigmoid函数来说，应用如下归一化处理公式对样本数据进行归一化处理：
2.2 实证检验
湖北省基本药物采购量神经网络模型就是利用神经网络的非线性特性去逼近一个时间序列或一个时间序列的变形，通过神经网络清晰的逻辑关系，利用过去时刻的值去表达未来时刻的值。本文以湖北省部分基本药物品种采购量为数据，以月度基本药物采购量为预测目标，用上述的建模方法建立月度基本药物采购量预测模型。
第一步，建立预测模型，对归一化的数据用MATLAB中提供的函数进行学习(图1)，学习程序如下：
net=newff(minmax(P)， [8 1]， {'tansig'， 'purelin'}， 'traingdx'， 'learngdm')；
net.trainparam.epochs=10 000；
net.trainparam.goal=0.005；
net.trainparam.show=500；
[net， tr]=train(net， P， T)；
首先，我们设定的隐层节点数为8，目标误差为0.005，学习率设置为0.01，网络经过222次迭代之后达到了指定精度，误差为0.004 966 8。再分别设定隐层节点数为：6，8，12，15，20；目标误差不变，仍为0.005，学习结果如表2所示。
结合学习次数和误差的比较，可以得出在隐层节点数设为15时，学习效果较好。
由17个月样本药品的采购量数据P为训练值，以第17个月的采购量为目标值，进行训练。由于2012年12月的采购量未知，如果要预测第18个月采购量则无法用实际的数据进行检验。因此在预测值调整为第17个月的采购量数据。测试程序如下：B=sim(net， T)。
误差为[0.024 9， -0.118 5， -0.170 7， -0.242 2， -0.040 5， 0.143 9， -0.047 5， 0.078 3， -0.066 6， -0.057 3， -0.036 6， 0.003 2， -0.043 6， -0.009 9， 0.020 5， -0.031 0， -0.016 8， 0.057 3， -0.025 1， 0.018 0， 0.036 4， -0.218 0， -0.159 0， -0.112 9， -0.014 81， -0.120 8， 0.134 9， -0.043 6]。误差均在可接受的范围内，认可数据已得到很好的训练，具备较好的仿真能力。
学习的误差基本上在我们可以接受的范围内，其学习效果如图2所示。通过前面己经验证，该网络的学习能力以及预测能力有很大的优越性。
2.3 预测结果分析
通过反归一化公式：得到第17个月即2012年11月各药品的采购值。将2012年11月的实际采购量与实证检验建立模型后所得到的预测中结果进行比较，结果见表3。
从表3中我们可以看出，除了个别品种误差较大以外，如注射用苯唑西林钠为530.21%、硫酸奈替米星注射液为52.60%，阿莫西林胶囊为42.89%，BP神经网络模型对基本药物的采购量的预测误差率大多数在10%以下，经Excel数据分析工具中成对双样本均值t检验分析，结果见表4。
因为P > 0.05，故预测值与实际值均值差异无统计学意义。
模型预测结果是比较令人满意的。由于在本次研究中药品采购量的变化是在时间序列上面进行的，所采取的预测方法是单步预测，每月的药物采购量还要受很多因素影响，不可能做到预测结果与实际的数据完全一致。除此之外，基本药物制度实施的时间并不长，在湖北省基本药物集中采购平台上所获取采购量的数据时间范围也不长，所以个别药品误差的较大偏倚也在预料之中。
根据计算得出的结果，可以很好地预测一个月或几个月内内湖北省的基本药物采购量，相关基本药物生产企业可以根据预测结果做好生产计划安排和原料采购等工作，提高企业生产运作效率和经济效益；基本医疗机构可以根据情况调整药物储备和使用量，以使基本药物的利用率和可及性都能得到很好的保障。
3 总结与展望
本文对湖北省2011年5月-2012年11月抗生素大类的部分基本药物品种的采购量预测进行了定量分析，主要采用了BP神经网络法进行预测的实证研究，不仅简化了网络结构，而且提高了预测精度。结果比较理想，说明本文所建立的基于BP神经网络预测模型具有较好的预测能力和推广潜力。
1) 采购决策行为是由主观因素及客观因素相互影响共同构成，具有动态性和复杂性等特点。人工神经网络作为高度非线性体系，能够对影响采购行为的各变量之间的非线性关系进行高精度的逼近，从而实现预测功能。
2) 实证表明，人工神经网络虽然存在不足，但其优势还是显而易见的。人工神经网络是一个高度自动化的系统，只要有基本药物的历史采购量，通过神经网络的训练和仿真，达到满意精度后即可输出特定时间点的采购量，为基本药物采购决策提供科学的信息支持。但由于影响基本药物采购的各因素并不明了，难以对基药采购量的波动情况进行解释，无法提供有意义的干预措施。
3) 由于社区卫生服务机构长期以来缺乏对药品使用数据的收集，在对其药品需求分析时没有足够多的信息予以支持，所以在对BP神经网络的推广应用中，需要保证社区医疗机构对药品使用数据的收集、整理与统计，从而增加预测的准确性。
4) 加强有关基本药物采购分析的理论研究。基本药物不同于一般商品，其供需关系虽然较为稳定，但是在现存医患信息极不对称的情况下，由于诱导需求、道德风险等问题造成劣品驱逐良品的现象，而对基本药物的可及性和供需带来不必要的风险。现行的有关基本药物采购理论还需进一步完善。
5) 对基本药物采购量分析方法的探索 ......
您现在查看是摘要介绍页，详见PDF附件(4498kb)。