一種藥品消耗量時間序列預測方法
【專利摘要】本發(fā)明公開了一種藥品消耗量時間序列預測方法，具體為重新設計已有的數(shù)據(jù)挖掘算法GRNN，使其由原來基于CPU運行的串行設計，改為基于GPU運行的并行設計，多線程并行處理藥品消耗量的時間序列數(shù)據(jù)，同時訓練具有不同平滑參數(shù)的模型，然后對樣本庫進行不同的分割，同時訓練不同輸入方式的模型，選取誤差最小的模型對未來的藥品消耗數(shù)量作出預測，由于模型的訓練是并列進行的，所以預測效率較之原有CPU架構下的GRNN模型有顯著提升。本方案適用于醫(yī)療機構的藥品管理。
【專利說明】一種藥品消耗量時間序列預測方法

【技術領域】
[0001] 本發(fā)明涉及一種藥品使用量控制規(guī)劃領域，尤其是涉及一種基于GPU加速的藥品 消耗量時間序列預測方法。

【背景技術】
[0002] 隨著醫(yī)院規(guī)模的不斷擴大，藥品種類、數(shù)量在不斷增長，而藥品的有效期是一定 的，一次性采購過多會造成浪費，過少又會導致供給不足，準確地預測藥品在將來的消耗 量，輔助擬定采購計劃，能有效地緩解藥品積壓或斷貨問題，有效提高醫(yī)護人員的工作效 率。由于許多疾病的發(fā)病數(shù)量具有時間特點，所以藥品的消耗量也同樣具有隨時間變化的 特性，時間序列預測模型在藥品消耗量預測中取得了良好的預測效果。在眾多時間序列預 測模型中，神經(jīng)網(wǎng)絡以其連續(xù)時間的動力學行為、良好的非線性品格、大規(guī)模并行分布處 理、魯棒性和學習聯(lián)想能力等特點，在預測領域得到了廣泛應用，其中又以廣義回歸神經(jīng)網(wǎng) 絡（GRNN)效果最好，相比于廣泛使用的反向傳播神經(jīng)網(wǎng)絡（BPNN)，GRNN需要調(diào)整的參數(shù) 少，計算簡單，不會陷入局部最小，有較好的應用前景。
[0003] 現(xiàn)有的GRNN模型都是基于CPU的串行設計，對于輸入神經(jīng)元數(shù)目、平滑系數(shù)的確 定，對于模型的交叉驗證，都是按時間順序執(zhí)行，當高維向量輸入模型時，模型訓練時間將 大大延長，受限于時間復雜度，有時不得不在訓練模型前先對訓練的輸入樣本進行篩選(也 就是降低維度)，這樣就損失了部分樣本信息，導致預測精度下降。
[0004] 目前基于GPU (圖形處理器，即顯卡）的統(tǒng)一計算設備架構（CUDA)，在科學計算領 域備受關注，CUDA程序不再是某個時間點只對同一內(nèi)存地址進行操作，而是同時進行數(shù)以 萬計的操作，使得程序執(zhí)行性能獲得指數(shù)級的提升。
[0005] 中華人民共和國國家知識產(chǎn)權局于2013年06月19日公開了申請公布號為 CN103164772A的專利文獻，名稱是藥品期效管理方法及其系統(tǒng)，其中藥品期效管理方法包 括如下步驟：S1.將藥品放置于發(fā)藥機的儲藥槽中，并記錄每一儲藥槽中添加的藥品數(shù)量、 及藥品的生產(chǎn)日期；S2.接收藥品需求信息，將藥品需求信息發(fā)送到發(fā)藥機，發(fā)藥機根據(jù)收 到的藥品需求信息發(fā)送相應藥品；S3.記錄出藥信息，并將出藥信息反饋給數(shù)據(jù)庫。此方案 不包含藥品消耗量的預測，對于醫(yī)療機構的效益和保障力不能做到均衡。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明主要是解決現(xiàn)有技術所存在的計算模型都是基于CPU的串行設計，無法兼 顧訓練時間和預測精度等的技術問題，提供一種基于GPU，進行并行運算，可以在用較短的 訓練時間獲得較高預測精度的藥品消耗量時間序列預測方法。
[0007] 本發(fā)明針對上述技術問題主要是通過下述技術方案得以解決的：一種藥品消耗量 時間序列預測方法，包括以下步驟： 5001、 讀取藥品消耗量的時間序列數(shù)據(jù)，存入一維數(shù)組DataSet [N]，N是數(shù)據(jù)總數(shù)； 5002、 初步選定輸入層神經(jīng)元的數(shù)目m ; 5003、 根據(jù)選定的m值，分割數(shù)據(jù)集，學習樣本共有Ν-m-l個，學習樣本存入數(shù)組 StudySet [N-m-1] [m]，對應的樣本輸出值存入數(shù)組RealOut [N-m-1]; 5004、 設置平滑系數(shù)的初始值； 5005、 將學習樣本與對應的樣本輸出值拷貝到GPU的常量內(nèi)存； 5006、 學習樣本中分別去掉一個樣本，構成Ν-m-l個模型，在GPU中并行計算這些模型， 每個block負責計算一個模型，每個block包含Ν-m-l個thread，每個thread計算相應模 型的相應模式層神經(jīng)元的輸出值； 5007、 計算求和層的輸出值，再相除得到模型的輸出值，將每個block計算得到的對應 模型的預測結果保存到一個長度為Ν-m-l的數(shù)組； 5008、 用一包含Ν-m-l個thread的block,采取歸約的方式求得該平滑參數(shù)下模型的評 價指標E，并將其拷貝到CPU ; 5009、 判斷平滑系數(shù)是否達到預定的最大值，如果沒有達到最大值則按Λ 〇 =0.1遞 增平滑系數(shù)，并返回步驟S005 ;否則下一步； 5010、 根據(jù)每個平滑系數(shù)對應的評價指標，選出當前m下的最佳平滑系數(shù)，并作記錄； 5011、 判斷m是否達到預定的最大值，如果沒有達到最大值按Am=0. 1遞增m，并返回步 驟S003 ;否則下一步； 5012、 計算每個m的評價指標B (m)，計算公式為 B (m) =NlnE+ MlnN ； 5013、 選取最佳的m值，及其對應的平滑系數(shù)確定GRNN模型結構，用于藥品消耗量的預 測，得到預測結果。藥品管理人員可以按照預測結果安排采購計劃。
[0008] 作為優(yōu)選，所述GRNN模型包括： 輸入層，輸入層包含m個神經(jīng)兀； 模式層，模式層的神經(jīng)元個數(shù)為所有的學習樣本數(shù)目n，各自神經(jīng)元對應不同的樣本， 第i個神經(jīng)元的傳遞函數(shù)為：

【權利要求】
1. 一種藥品消耗量時間序列預測方法，其特征在于，包括以下步驟： 5001、 讀取藥品消耗量的時間序列數(shù)據(jù)，存入一維數(shù)組DataSet [N]，N是數(shù)據(jù)總數(shù)； 5002、 初步選定輸入層神經(jīng)元的數(shù)目m ; 5003、 根據(jù)選定的m值，分割數(shù)據(jù)集，學習樣本共有Ν-m-l個，學習樣本存入數(shù)組 StudySet [N-m-1] [m]，對應的樣本輸出值存入數(shù)組RealOut [N-m-1]; 5004、 設置平滑系數(shù)的初始值； 5005、 將學習樣本與對應的樣本輸出值拷貝到GPU的常量內(nèi)存； 5006、 學習樣本中分別去掉一個樣本，構成Ν-m-l個模型，在GPU中并行計算這些模型， 每個block負責計算一個模型，每個block包含Ν-m-l個thread，每個thread計算相應模 型的相應模式層神經(jīng)元的輸出值； 5007、 計算求和層的輸出值，再相除得到模型的輸出值，將每個block計算得到的對應 模型的預測結果保存到一個長度為Ν-m-l的數(shù)組； 5008、 用一包含Ν-m-l個thread的block,采取歸約的方式求得該平滑參數(shù)下模型的評 價指標E，并將其拷貝到CPU ; 5009、 判斷平滑系數(shù)是否達到預定的最大值，如果沒有達到最大值則按Λ 〇 =0.1遞 增平滑系數(shù)，并返回步驟S005 ;否則下一步； 5010、 根據(jù)每個平滑系數(shù)對應的評價指標，選出當前m下的最佳平滑系數(shù)，并作記錄； 5011、 判斷m是否達到預定的最大值，如果沒有達到最大值按Am=0. 1遞增m，并返回步 驟S003 ;否則下一步； 5012、 計算每個m的評價指標，計算公式為 B (m) =NlnE+ MlnN ； 5013、 選取最佳的m值，及其對應的平滑系數(shù)確定GRNN模型結構，用于藥品消耗量的預 測，得到預測結果。
2. 根據(jù)權利要求1所述的一種藥品消耗量時間序列預測方法，其特征在于，所述GRNN 模型包括： 輸入層，輸入層包含m個神經(jīng)兀； 模式層，模式層的神經(jīng)元個數(shù)為所有的學習樣本數(shù)目n，各自神經(jīng)元對應不同的樣本， 第i個神經(jīng)元的傳遞函數(shù)為：
其中為模式層第i個神經(jīng)元的輸出值，T為矩陣轉置標志，X為網(wǎng)絡輸入變量，X,.為 第i個神經(jīng)元對應的學習樣本，σ為平滑系數(shù)； 求和層，求和層包括兩種神經(jīng)元，第一種是對所有模式層神經(jīng)元的輸出累加，傳遞函數(shù) 為：
另一種是對所有模式層神經(jīng)元的輸出做加權求和，模式層中第i個神經(jīng)元與求和層中 第j個分子求和神經(jīng)元之間的連接權值為第i個輸出樣本Yi中的第j個元素 Λ._/，傳遞函數(shù) 為：
輸出層，輸出層神經(jīng)元數(shù)目為學習樣本中的輸出向量維數(shù)，第j個神經(jīng)元對應預測結 果的第j個元素計算方法為：
3. 根據(jù)權利要求1或2所述的一種藥品消耗量時間序列預測方法，其特征在于，平滑系 數(shù)的初始值為〇. 1。
4. 根據(jù)權利要求3所述的一種藥品消耗量時間序列預測方法，其特征在于，所述輸入 層神經(jīng)元的數(shù)目m按以下公式確定：
【文檔編號】G06Q10/04GK104063744SQ201410148158
【公開日】2014年9月24日 申請日期:2014年4月15日 優(yōu)先權日:2014年4月15日
【發(fā)明者】李勁松, 李鵬飛, 張藝帆 申請人:浙江大學