1.1研究背景
通过对药品历史库存和销售数据的挖掘分析，建立药品库存量预测模型，可以削减由于库存中药品积压、储存和管理带来的成本消耗，释放大量流动资金，提高医院资金使用效率。同时保证临床药品的正常供应，从而保证了医院的良性运营、提高了医疗服务水平，使其更好的服务于市场，满足人民不断攀升的医疗需求，带动药品供应链的优化。神经网络具有自学习、并行处理等能力，适合处理复杂的非线性问题，在评估预测、信号处理、非线性优化和管理工程领域的应用非常广泛，除此之外神经网络在预测问题的实践应用中也表现出良好的效果和应用潜力。 以往在针对药品库存量预测的研究中，由于影响药品需求量的因素众多，需求曲线往往呈现出无规律、非线性的状态，自变量和因变量之间难以用单一的函数表述他们之间相互影响的复杂关系，所以在实际工作中药品库存的管理者只能凭借个人经验和主观判断进行猜测，根据药品的需求量设置与之贴近的库存量，然而由此得到的结果往往会产生很大的偏差。在神经网络算法中，通过对历史数据的学习和训练，利用其自主学习能力、联想学习能力、并行处理等特性，设置网络中各个因素之间的权重，不断探索各因素之间的位置关联，从而预测网络未来的发展状态。因此，神经网络能够更真实的模拟真实的环境和实际的问题，通过引入更多的相关因素，使其完美拟合需求曲线，对自变量和因变量的影响机制更加智能的进行仿真模拟。因此无论是满足实际需求还是在学术理论方面，神经网络模型比其他现有预测手段更具优势。
.......
1.2 研究综述
在库存需求预测领域，国外现有研究主要集中在以下几个方面，随着神经网络在预测方面的应用及其表现出的优越特性，这一理论越来越受到关注。 Varfis[1]等用时间序列作为训练集，设计非线性神经网络去预测时间序列，证明了人工神经网络的预测能力和非线性拟合能力优越。Wei Zhang 等[2]将神经网络同单变量和多变量的线性预测模型预测的计算结果相比较，通过各项指标证明神经网络模型计算结果的拟合度高于其他二者。C.A.Mitrea 等[3]通过实证研究，将神经网络和平均移动法、自回归整合移动平均法三种模型计算结果相比较，对比得出神经网络更为接近实际结果。Sanjoy K.Paul 等[4]将 BP 神经网络应用到产成品库存需求预测中，最后得出神经网络模型适合于制造业大多数企业的库存需求预测场景。 Ralph.D Snyder 等[5]，将季节因素产生的影响作为前提条件，采用指数平滑法求解订货提前可变的安全库存量预测问题。T.Warren Liao 等[6]用指数平滑法对元启发式算法进行改进对库存需求进行预测。E.van Wingerden 等[7]通过对比一次指数平滑法、移动平均值法等算法，总结出传统预测方法的优缺点。
........
2 医院药品库存量预测现状及其特征分析
库存管理和需求量预测是实际应用中管理者面临的共同问题，面向不同的行业、不同的发展策略，库存管理的政策和库存量的制定都会随之改变。因此，需要结合环境的影响、市场的需求和发展的需要等多方面的实际因素制定库存预测的计算方法，充分分析其影响因素和需求特征。本节面向医院药品库存，从理论和实际两个方面对影响库存量的因素进行分析。
2.1 医院药品库存量预测理论及管理现状
药品库存量的预测是根据医院历史记录的药品管理信息，提取与需求量有可能相关的因素，判断各项因素之间相互影响的机制，据此估测未来市场中药品的需求量并制定库存量，制定下一步的采购计划。 我国现有针对药品库存量需求预测方法的研究并不完善，多数采用时间序列模型。如邓险锋[29]以 HX 医院为例，结合 ARIMA 模型和季节指数平滑模型，分析了注射器等医用耗材需求的影响因素和预测结果，并给出库存管理建议。王寅等[30]基于灰色预测模型对医院药品采购量进行计算。计较而言，国外对在药品库存量预测方面的研究更加深入，如 Ghousi R.等[31]利用回归模型、神经网络和决策树算法对不同客户的药品配送需求进行预测，根据计算结果的对比讨论其优劣；El-Iskandarani 等[32]根据药品消耗的时间序列，基于时间模型匹配算法对传统时间序列预测方法进行优化，并论述在历史数据存在缺失、噪音两大的情况下，改进算法计算结果更好。 药品库存量的确定需要综合考虑各方面的因素，包括采购成本与服务水平、管理成本与订货成本等，在保证临床及门诊需求供给的情况下，避免因为药品积压带来的成本增加，在提高医院服务能力的基础上减少成本消耗，追求服务能力和医院收益的最大化。
.......
2.2 药品库存需求特征分析
对药品库存需求特征的分析主要分为两方面，一是甄别复杂多样的药品库存量影响因素，二是分析药品库存量与各个影响因素之间高度模糊、不确定的非线性特征。从供应链角度来分析，药品流通市场中参与的主体有供应商、核心企业、分销商和最终用户。对于论文涉及到的某三甲医院来说，他所提供的医疗服务包括药品的销售和简单的加工，所以在整个供应链中他处于下游分销商的位置，其产品直接面向最终用户（患者）。 所以，现将影响医药药品库存需求的因素总结为供应商因素、医院自身因素和患者因素，其具体影响因素的划分如图。医院在供应链中相当于分销商的角色，对药品进行简单的存储、加工和销售，供应商所提供的药品质量直接决定了医院所销售的药品质量和服务质量。但国家对药品质量有严格的管控要求，医院一般不允许出现残次品，所以此项因素忽略。医院选择供应商通常采用招标的方式，对其信用等级的考核通常包含供应能力、药品质量、企业效益等，中标之后供应商与医院签订长期供应合同，其信用等级一般保持良好，所以此项因素忽略。
.........
3 神经网络模型原理及其适用性分析 .... 19
3.1 模型原理 ......... 19
3.2 模型适用性分析 ....... 23
3.2.1 模型特点 ........ 23
3.2.2 理论适用性 .... 24
3.3 本章小结 ......... 26
4 模型实验的环境及数据准备 ......... 28
4.1 实验准备 ......... 28
4.1.1 实验环境 ........ 28
4.1.2 数据来源 ........ 28
4.2 数据准备 ......... 29
4.2.1 数据清洗 ........ 29
4.2.2 数据集成 ........ 30
4.2.3 数据转换 ........ 32
4.3 本章小结 ......... 34
5 神经网络模型的实证研究 ........... 36
5.1 模型建立及实现 ....... 36
5.2 结果分析 ......... 47
5.3 本章小结 ......... 51
5 神经网络模型的实证研究
本项研究基于河南某三甲医院 2013-2016 年药房管理信息系统数据，对其药品库存量进行预测分析。基于前文对药品库存量影响因素的分析及模型的建立，应用 GA-BP 模型对药品库存量预测问题进行实证研究，对预测结果在准确度和灵敏度两方面进行论证分析。
5.1 模型建立及实现
实证研究中采用某三级甲等医院 2013-2016 年的药品出库数据，考虑到供应商、医院自身和患者三方面的影响，将药品的出库数据作为输入层的各个神经元。研究中以“月”作为时间节点，通过前文分析，选用需求周期、期初库存、预测库存、替代品销售量、库存成本、就诊量 6 个影响因素为输入层神经元，以药品库存量为输出层神经元，初步建立三层神经网络模型的拓扑结构。 隐藏层的神经元个数体现了神经网络的普适化（generalization）能力，其个数越多，学习能力越强，但辨别干扰的能力随之减弱，影响函数收敛能力；其个数减少，函数收敛速率越高，但网络普适化能力降低，描述实际问题的能力也减弱。目前有关神经网络的研究中，隐藏层神经元个数的确定方法尚未形成有效的函数方法，只能通过模型实验选出最优方案。结合实际数据得出的实验结果如下表 5.1。
结论
随着人们医疗服务需求的增长，药品种类的多样化发展，药品需求预测的难度越来越高。数据统计表明，医院在药品供应链中的地位不断增强，医院药品库存量的合理化设置将影响到医疗市场的服务水平和药品供应链的良性发展。面向医药市场的不断扩大和多元化发展，提升医药药品库存量预测水平成为医院管理者亟待解决的问题。 然而国内对于药品需求量预测的研究甚少，利用神经网络解决需求量预测的问题也初见端倪，其理论水平还有待完善。 在实际需求中，经调查研究发现，我国大部分医院中药品库存的管理处于初级阶段，对药品库存量的预测多数采用经验预测的办法，其预测结果的准确度无法保障，因此增加了医院管理的成本，制约了医疗市场满足人民需求的服务能力，也滞后了药品供应链的良性发展。 本论文通过大量的文献阅读和实地考察，结合医院药品库存量预测的实际状况，讨论了神经网络模型在解决现实问题中的适用性和优
