一种高值医用耗材备件需求预测方法

1.本发明属于高值医用耗材需求预测技术领域，具体涉及一种高值医用耗材需求预测方法。


背景技术：

2.高值医用耗材是保障医疗工作正常开展的重要消耗品，其备件需求预测是医疗机构进行备件筹措、供应、储运等各项管理工作的基础。合理、科学的备件库存能够有效地帮助决策者对高值医用耗材采取相应的管理措施，达到降低库存成本、及时备件的目的。
3.高值医用耗材备件需求预测，是根据过去一段时间高值医用耗材的消耗情况以及当前耗材库存状态预测未来一段时间内高值耗材的消耗。常用的需求预测方法有时间序列模型、灰色模型、支持向量机回归模型等，因需求预测属于非线性动态问题，影响耗材消耗的因素繁杂，故其建立模型较为复杂，上述方法中时间序列模型适用于线性预测，灰色模型适用于单调递增以及递减的光滑数据样本的预测，支持向量机回归大样本表现较差，需要数据预处理和调参，对于高值医用耗材的预测效果出入较大，预测精度欠佳。
4.目前，高值医用耗材的需求较为复杂，而医疗机构对于耗材的预测大部分采用粗略的人工试算，其预测结果不高，难以科学、有效的针对高值医用耗材备件库存结构进行优化改进，导致库存管理成本加剧甚至医疗资源的浪费。因此，现阶段亟需一种有效的预测方法应用至高值医用耗材备件库存管理中。
5.本发明提供了一种高值医用耗材需求预测方法，基于改进红狐优化算法和bp神经网络，具有预测精度高、学习和泛化能力强的特点。


技术实现要素：

6.本发明的目的在于提供一种高值医用耗材需求预测方法，以解决上述背景技术中提出的现有技术中人工试算预测结果不高，及智能模型预测的预测精度欠佳等问题。
7.为实现上述目的，本发明提供如下技术方案：
8.一种高值医用耗材备件需求预测方法，所述方法包括以下步骤：
9.s1：获取过去一段时间高值医用耗材消耗数据，分析备件影响因素，并对其进行归一化处理，将原始数据映射到[0,1]区间。
[0010]
s2：基于bp神经网络构建高值医用耗材备件需求预测模型：根据输入、输出参数个数确定网络拓扑结构，确定网络训练次数、训练目标、学习速率以及选择bp神经网络传递函数和训练方法。
[0011]
s3：初始化bp神经网络权值和阈值，根据经验设为(-2.4/f，2.4/f)。
[0012]
s4：基于改进红狐优化算法获取bp神经网络的最优权值和阈值。
[0013]
s5：根据最优权值和阈值构建新的高值医用耗材备件需求预测模型。
[0014]
s6：将获取的某一时间段内高值医用耗材备件消耗的历史数据作为训练集，训练并测试高值医用耗材备件需求预测模型，对预测结果进行反归一化后，输出预测结果。
[0015]
优选地，所述步骤s2中基于bp神经网络构建高值医用耗材备件需求预测模型，具体包括：
[0016]
s21：确定网络层数，理论上已经证明，单个隐含层的bp神经网络可以通过适当增加神经元的个数实现任意非线性映射，对于大部分场合，单个隐含层即可满足要求。本发明采用单个隐含层。
[0017]
s22：分析确定影响高值医用耗材备件需求的因素个数，确定bp神经网络输入层经元、输出层神经元个数，结合s21确定bp神经网络拓扑结构。
[0018]
隐含层神经元个数，根据经验
[0019][0020]
其中，m为隐含层神经元个数，n和m分别为输入层、输出层神经元个数，a是[0,10]的常数。
[0021]
s23：传递函数和训练方法的选择，隐含层采用sigmoid函数，输出层采用线性函数，训练方法选择常用的梯度下降法。
[0022]
s24：确定网络训练次数、训练目标、学习速率。
[0023]
s25：获取训练样本数据，对网络进行训练。
[0024]
优选地，所述s4中基于改进红狐优化算法获取bp神经网络的最优权值和阈值，具体包括：
[0025]
s41：初始化红狐种群，将备件预测结果与实际值的误差作为红狐算法的适应度函数。
[0026]
s42：选择适应度值最优的红狐个体位置，根据改进红狐优化算法模拟红狐觅食、狩猎、逃离猎人等生活习性，通过其寻觅猎物、反思学习、围攻猎物、精英反向策略、躲避猎人并发展种群五个阶段，迭代更新红狐个体位置，对迭代后的个体择优，直至达到最大迭代次数或者适应度满足要求。
[0027]
s43：若不满足终止条件，淘汰红狐种群中最差的个体，并利用最优个体进行繁殖后代，不断重复步骤s42，直至迭代结束，获得最佳个体位置作为bp神经网络的最优权值和阈值。
[0028]
优选地，所述步骤s42中改进红狐优化算法，具体包括：
[0029]
s421：算法前提假设：红狐种群个体位置初始化为x＝(x1,x2,
…
,xn)，其中n为种群个体数，x1＝(x1,x2,
…
,xm)，xi∈(a,b)，a,b∈r,m为个体位置的维数；表示第t次迭代过程中第i只红狐的位置。提前设定适应度函数，设红狐活动在特定的空间范围内，将适应度最佳的红狐记为最优个体，称作α狐。
[0030]
s422：计算适应度值，选择适应度最小的红狐个体。选择bp神经网络训练集的预测值与实际值的均方误差(mean square error，mse)作为红狐个体的适应度函数：
[0031][0032]
其中为高值医用耗材的实际需求量，为高值医用耗材的预测需求量，红狐个体的适应度数值越小，算法的预测准确度越高。
[0033]
s423：寻觅猎物—全局搜索阶段。在这一阶段，红狐个体外出寻觅猎物，狐群内部相互交流，分享最容易捕获猎物的位置，使狐群朝着最优个体的位置活动，若活动后的适应度值优于原位置，则更新位置，否则返回原位置。在一次迭代中，个体与最优个体的距离可表示为：
[0034][0035]
个体位置更新公式为：
[0036][0037]
其中是该区间内的随机数。
[0038]
s424：引入反思学习，更新个体位置。将红狐更新前后的位置进行反思对比，择优更新其位置，反思学习的公式如下：
[0039][0040]
其中，是红狐跟随α狐移动更新后的位置，是红狐的初始位置，xf是反思学习后产生的新位置；ω∈[-1,1]，表示学习因子。
[0041]
s425：围攻猎物—局部搜索阶段。红狐发现可疑猎物后，通过对周围观察、伪装隐藏、伺机行动进行捕猎，其数学模型如下：
[0042][0043]
其中，μ∈[0,1]为该区间内的随机数，以权衡逼近和伪装阶段。红狐包围猎物时，其活动半径r表达式如下：
[0044][0045]
其中，a∈(0,0.2)，定义为逼近参数；φ0是介于0和2π之间的随机数，表示红狐观测角度；θ∈(0,1),为最初设置的随机数，模拟红狐狩猎时天气因素影响。待时机合适，红狐开始包围、逼近猎物，其位置更新如下：
[0046][0047]
其中，φ1,φ2,
……
φ
n-1
是介于0和2π之间的随机数；表示
为红狐的新位置。
[0048]
s426：采取精英反向学习策略。设当期群体中的精英个体位置为
[0049]
x
best
＝(x1,x2,
…
,xn)
[0050]
则反向解定义为：
[0051][0052]
其中，k∈[0,1]，ai,bi是xi的边界值。
[0053]
s427：躲避猎人并发展种群。种群中适应度值最差的前5％的个体被猎人捕杀而淘汰，选择适应度值最佳的α红狐夫妇(x
best1
,x
best2
)建立栖息地模型。栖息地中心的计算公式为：
[0054][0055]
其中，表示适应度最佳的红狐个体。栖息地狐群活动直径定义为:
[0056][0057]
s428：判断是否满足终止条件。满足终止条件，获取最佳个体位置即bp神经网络的最佳权值和阈值，进而构建新的bp神经网络。
[0058]
s429：不满足终止条件，淘汰最差个体，择优繁育新个体，转s422。
[0059]
优选地，所述改进红狐优化算法的s424中反思学习中对ω施加约束，具体约束如下：
[0060][0061]
其中：r∈[0,π]上的随机数，t为当前次数，t为最大迭代次数。个体在前期具有较强的反思行为，能提高狩猎能力，实现自我提升；后期随着个体越来越接近猎物，反思行为在逐步减少，学习因子ω也逐渐变小。
[0062]
优选地，所述s426中采取精英反向学习策略中，选取适应度前20％的个体构成精英狐群f
best
,并利用反向解求出精英狐群在混合狐群在混合狐群中选择适应度前50％的红狐作为下一代。
[0063]
优选地，所述改进红狐优化算法的s427中躲避猎人并发展种群中，在发展种群时设置参数k∈(0,1)，具体如下所示：
[0064][0065]
当k《0.45时，α红狐夫妇繁殖后代，产生新个体，新个体可记为：
[0066][0067]
与现有技术相比，本发明的有益效果是：
[0068]
1、本发明通过基于bp神经网络建立高值医用耗材备件需求预测模型，预测高值医
用耗材备件需求消耗结果。首先通过将高值医用耗材备件需求的历史数据作为预测模型的输入，其次结合改进红狐优化算法对bp神经网络参数进行寻优，确定最优参数，从而完成模型的构建，通过添加新样本数据至高值医用耗材备件需求预测模型中进行训练学习，已达到提高高值医用耗材备件需求需求预测精确度。
[0069]
2、本发明通过对红狐优化算法进行改进，提高红狐优化算法的性能。首先在红狐优化算法中引入反思学习，对红狐更新前后位置进行对比，以提升个体的狩猎能力，避免算法陷入局部最优；其次采用精英反向学习策略，选择优质个体作为下一代种群，以增加种群多样性，防止算法过早收敛，提高算法的效率。相比于其他传统的优化算法，改进的算法在收敛速度和精确度上有所提高，同时利用红狐优化算法对参数寻优，降低了因个人主观因素设置参数造成的预测结果不理想的情况，为高值医用耗材备件需求预测提供较为精准的预测服务。
附图说明
[0070]
图1为本发明实施例1中高值医用耗材备件需求预测方法的流程图；
[0071]
图2为本发明实施例1中改进红狐优化算法的流程图；
具体实施方式
[0072]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0073]
请参阅图1-2，本发明提供以下技术方案：
[0074]
一种基于改进红狐优化算法和bp神经网络的高值医用耗材备件需求预测方法，方法包括以下步骤：
[0075]
s1：获取过去一段时间高值医用耗材消耗数据，分析备件影响因素，并对其进行归一化处理，将原始数据映射到[0,1]区间。
[0076]
s2：基于bp神经网络构建高值医用耗材备件需求预测模型：根据输入、输出参数个数确定网络拓扑结构，确定网络训练次数、训练目标、学习速率以及选择bp神经网络传递函数和训练方法。
[0077]
在本实施方式中，基于bp神经网络构建高值医用耗材备件需求预测模型包括以下步骤：
[0078]
s21：确定网络层数，理论上已经证明，单个隐含层的bp神经网络可以通过适当增加神经元的个数实现任意非线性映射，对于大部分场合，单个隐含层即可满足要求。本发明采用单个隐含层。
[0079]
s22：分析确定影响高值医用耗材备件需求的因素个数，确定bp神经网络输入层经元、输出层神经元个数，结合s21确定bp神经网络拓扑结构。
[0080]
隐含层神经元个数，根据经验
[0081][0082]
其中，m为隐含层神经元个数，n和m分别为输入层、输出层神经元个数，a是[0,10]
的常数。
[0083]
s23：传递函数和训练方法的选择，隐含层采用sigmoid函数，输出层采用线性函数，训练方法选择常用的梯度下降法。
[0084]
s24：确定网络训练次数、训练目标、学习速率。
[0085]
s25：获取训练样本数据，对网络进行训练。
[0086]
s3：初始化bp神经网络权值和阈值，根据经验设为(-2.4/f，2.4/f)。
[0087]
s4：基于改进红狐优化算法获取bp神经网络的最优权值和阈值。
[0088]
在本实施方式中，获取bp神经网络的最优权值和阈值包括以下步骤：
[0089]
s41：初始化红狐种群，将备件预测结果与实际值的误差作为红狐算法的适应度函数。
[0090]
s42：选择适应度值最优的红狐个体位置，根据改进红狐优化算法模拟红狐觅食、狩猎、逃离猎人等生活习性，通过其寻觅猎物、反思学习、围攻猎物、精英反向策略、躲避猎人并发展种群五个阶段，迭代更新红狐个体位置，对迭代后的个体择优，直至达到最大迭代次数或者适应度满足要求。
[0091]
改进红狐优化算法包括以下步骤：
[0092]
s421：算法前提假设：红狐种群个体位置初始化为x＝(x1,x2,
…
,xn)，其中n为种群个体数，x1＝(x1,x2,
…
,xm)，xi∈(a,b)，a,b∈r,m为个体位置的维数；表示第t次迭代过程中第i只红狐的位置。提前设定适应度函数，设红狐活动在特定的空间范围内，将适应度最佳的红狐记为最优个体，称作α狐。
[0093]
s422：计算适应度值，选择适应度最小的红狐个体。选择bp神经网络训练集的预测值与实际值的均方误差(mean square error，mse)作为红狐个体的适应度函数：
[0094][0095]
其中为高值医用耗材的实际需求量，为高值医用耗材的预测需求量，红狐个体的适应度数值越小，算法的预测准确度越高。
[0096]
s423：寻觅猎物—全局搜索阶段。在这一阶段，红狐个体外出寻觅猎物，狐群内部相互交流，分享最容易捕获猎物的位置，使狐群朝着最优个体的位置活动，若活动后的适应度值优于原位置，则更新位置，否则返回原位置。在一次迭代中，个体与最优个体的距离可表示为：
[0097][0098]
个体位置更新公式为：
[0099][0100]
其中是该区间内的随机数。
[0101]
s424：引入反思学习，更新个体位置。将红狐更新前后的位置进行反思对比，择优更新其位置，反思学习的公式如下：
[0102][0103]
其中，是红狐跟随α狐移动更新后的位置，是红狐的初始位置，xf是反思学习后产生的新位置；ω∈[-1,1]，表示学习因子。
[0104]
反思学习中对ω施加约束，具体约束如下：
[0105][0106]
其中：r∈[0,π]上的随机数，t为当前次数，t为最大迭代次数
[0107]
通过采用上述技术方案，为防止个体反思学习过程中随机性过大，对学习因子ω施加约束，使得个体在前期具有较强的反思行为，提高狩猎能力，实现自我提升，后期随着个体越来越接近猎物，反思行为在逐步减少，学习因子ω也逐渐变小。
[0108]
s425：围攻猎物—局部搜索阶段。红狐发现可疑猎物后，通过对周围观察、伪装隐藏、伺机行动进行捕猎，其数学模型如下：
[0109][0110]
其中，μ∈[0,1]为该区间内的随机数，以权衡逼近和伪装阶段。红狐包围猎物时，其活动半径r表达式如下：
[0111][0112]
其中，a∈(0,0.2)，定义为逼近参数；φ0是介于0和2π之间的随机数，表示红狐观测角度；θ∈(0,1),为最初设置的随机数，模拟红狐狩猎时天气因素影响。待时机合适，红狐开始包围、逼近猎物，其位置更新如下：
[0113][0114]
其中，φ1,φ2,
……
φ
n-1
是介于0和2π之间的随机数；表示为红狐的新位置。
[0115]
s426：采取精英反向学习策略。设当期群体中的精英个体位置为
[0116]
x
best
＝(x1,x2,
…
,xn)
[0117]
则反向解定义为：
[0118]
[0119]
其中，k∈[0,1]，ai,bi是xi的边界值。
[0120]
采取精英反向学习策略中，设置狐群中最佳个体的一定比例为20％，选择混合狐群的前50％的红狐作为下一代。
[0121]
通过采用上述技术方案，便于筛选出优质的个体作为下一代种群，以便有效增加种群的多样性，同时一定程度上防止了算法的“早熟”，提高了算法的效率。
[0122]
s427：躲避猎人并发展种群。种群中适应度值最差的前5％的个体被猎人捕杀而淘汰，选择适应度值最佳的α红狐夫妇(x
best1
,x
best2
)建立栖息地模型。栖息地中心的计算公式为：
[0123][0124]
其中，表示适应度最佳的红狐个体。栖息地狐群活动直径定义为:
[0125][0126]
躲避猎人并发展种群中，在发展种群时设置参数k∈(0,1)，具体如下所示：
[0127][0128]
当k《0.45时，α红狐夫妇繁殖后代，产生新个体，新个体可记为：
[0129][0130]
通过采用上述技术方案，设置参数k，以区分狐群迁徙或者繁殖阶段。
[0131]
s428：判断是否满足终止条件。满足终止条件，获取最佳个体位置即bp神经网络的最佳权值和阈值，进而构建新的bp神经网络。
[0132]
s429：不满足终止条件，淘汰最差个体，择优繁育新个体，转s422。
[0133]
通过采用上述技术方案，首先在红狐优化算法中引入反思学习，对红狐更新前后位置进行对比，以提升个体的狩猎能力，避免算法陷入局部最优；其次采用精英反向学习策略，选择优质个体作为下一代种群，以增加种群多样性，防止算法过早收敛，提高算法的效率。
[0134]
s43：若不满足终止条件，淘汰红狐种群中最差的个体，并利用最优个体进行繁殖后代，不断重复步骤s42，直至迭代结束，获得最佳个体位置作为bp神经网络的最优权值和阈值。
[0135]
通过采用上述技术方案，利用改进红狐优化算法对bp神经网络参数进行寻优，避免人为选择参数的盲目性，从而有效的对高值医用耗材备件需求进行预测。
[0136]
s5：根据最优权值和阈值构建新的高值医用耗材备件需求预测模型。
[0137]
s6：将获取的某一时间段内高值医用耗材备件消耗的历史数据作为训练集，训练并测试高值医用耗材备件需求预测模型，对预测结果进行反归一化后，输出预测结果。
[0138]
本发明通过基于bp神经网络建立高值医用耗材备件需求预测模型，预测高值医用耗材备件消耗结果。首先通过将高值医用耗材备件消耗的历史数据作为预测模型的输入，
其次结合改进红狐优化算法对bp神经网络参数进行寻优，确定最优参数，从而完成模型的构建，通过添加新样本数据至高值医用耗材备件需求预测模型中进行训练学习，以提高高值医用耗材备件需求预测准确度。
[0139]
本发明通过对红狐优化算法进行改进，提高红狐优化算法的性能。首先在红狐优化算法中引入反思学习，对红狐更新前后位置进行对比，以提升个体的狩猎能力，避免算法陷入局部最优；其次采用精英反向学习策略，选择优质个体作为下一代种群，以增加种群多样性，防止算法过早收敛，提高算法的效率。相比于其他传统的优化算法，改进的算法在收敛速度和精确度上有所提高，同时利用红狐优化算法对参数寻优，降低了因个人主观因素设置参数造成的预测结果不理想的情况，为高值医用耗材备件需求预测提供较为精准的预测服务。
[0140]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法中还存在另外的相同要素。
[0141]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种高值医用耗材备件需求预测方法，其特征在于，所述方法包括以下步骤：s1：获取过去一段时间高值医用耗材消耗数据，分析备件影响因素，并对其进行归一化处理，将原始数据映射到[0,1]区间；s2：基于bp神经网络构建高值医用耗材备件需求预测模型：根据输入、输出参数个数确定网络拓扑结构，确定网络训练次数、训练目标、学习速率以及选择bp神经网络传递函数和训练方法；s3：初始化bp神经网络权值和阈值，根据经验设为(-2.4/f，2.4/f)；s4：基于改进红狐优化算法获取bp神经网络的最优权值和阈值；s5：根据最优权值和阈值构建新的高值医用耗材备件需求预测模型；s6：将获取的某一时间段内高值医用耗材备件消耗的历史数据作为训练集，训练并测试高值医用耗材备件需求预测模型，对预测结果进行反归一化后，输出预测结果。2.根据权利要求1所述的一种高值医用耗材备件需求预测方法，其特征在于：所述步骤s2中基于bp神经网络构建高值医用耗材备件需求预测模型，具体包括以下步骤：s21：确定网络层数，采用单个隐含层；s22：分析确定影响高值医用耗材备件需求的因素个数，确定bp神经网络输入层经元、输出层神经元个数，结合s21确定bp神经网络拓扑结构；隐含层神经元个数，根据经验其中，m为隐含层神经元个数，n和m分别为输入层、输出层神经元个数，a是[0,10]的常数；s23：传递函数和训练方法的选择，隐含层采用sigmoid函数，输出层采用线性函数，训练方法选择梯度下降法；s24：确定网络训练次数、训练目标、学习速率；s25：获取训练样本数据，对网络进行训练。3.根据权利要求2所述的一种高值医用耗材备件需求预测方法，其特征在于：所述s4中基于改进红狐优化算法获取bp神经网络的最优权值和阈值，具体包括以下步骤：s41：初始化红狐种群，将备件预测结果与实际值的误差作为红狐算法的适应度函数；s42：选择适应度值最优的红狐个体位置，根据改进红狐优化算法模拟红狐觅食、狩猎、逃离猎人的生活习性，通过其寻觅猎物、反思学习、围攻猎物、精英反向策略、躲避猎人并发展种群五个阶段，迭代更新红狐个体位置，对迭代后的个体择优，直至达到最大迭代次数或者适应度满足要求；s43：若不满足终止条件，淘汰红狐种群中最差的个体，并利用最优个体进行繁殖后代，不断重复步骤s42，直至迭代结束，获得最佳个体位置作为bp神经网络预测模型的最优权值和阈值。4.根据权利要求3所述的一种高值医用耗材备件需求预测方法，其特征在于：所述步骤s42的改进红狐优化算法，具体包括以下步骤：s421：算法前提假设：红狐种群个体位置初始化为x＝(x1,x2,
…
,x
n
)，其中n为种群个体数，x1＝(x1,x2,
…
,x
m
)，x
i
∈(a,b)，a,b∈r,m为个体位置的维数；表示第t次迭代过程中
第i只红狐的位置；提前设定适应度函数，设红狐活动在特定的空间范围内，将适应度最佳的红狐记为最优个体，称作α狐；s422：计算适应度值，选择适应度最小的红狐个体；选择bp神经网络训练集的预测值与实际值的均方误差mse作为红狐个体的适应度函数：其中为高值医用耗材的实际需求量，为高值医用耗材的预测需求量，红狐个体的适应度数值越小，算法的预测准确度越高；s423：寻觅猎物—全局搜索阶段；在这一阶段，红狐个体外出寻觅猎物，狐群内部相互交流，分享最容易捕获猎物的位置，使狐群朝着最优个体的位置活动，若活动后的适应度值优于原位置，则更新位置，否则返回原位置；在一次迭代中，个体与最优个体的距离表示为：个体位置更新公式为：其中是该区间内的随机数；s424：引入反思学习，更新个体位置；将红狐更新前后的位置进行反思对比，择优更新其位置，反思学习的公式如下：其中，是红狐跟随α狐移动更新后的位置，是红狐的初始位置，x
f
是反思学习后产生的新位置；ω∈[-1,1]，表示学习因子；s425：围攻猎物—局部搜索阶段；红狐发现可疑猎物后，通过对周围观察、伪装隐藏、伺机行动进行捕猎，其数学模型如下：其中，μ∈[0,1]为该区间内的随机数，以权衡逼近和伪装阶段；红狐包围猎物时，其活动半径r表达式如下：其中，a∈(0,0.2)，定义为逼近参数；φ0是介于0和2π之间的随机数，表示红狐观测角度；θ∈(0,1),为最初设置的随机数，模拟红狐狩猎时天气因素影响；待时机合适，红狐开始包围、逼近猎物，其位置更新如下：
其中，φ1,φ2,
……
φ
n-1
是介于0和2π之间的随机数；表示为红狐的新位置；s426：采取精英反向学习策略；设当期群体中的精英个体位置为x
best
＝(x1,x2,
…
,x
n
)则反向解定义为：其中，k∈[0,1]，a
i
,b
i
是x
i
的边界值；s427：躲避猎人并发展种群；种群中适应度值最差的前5％的个体被猎人捕杀而淘汰，选择适应度值最佳的α红狐夫妇(x
best1
,x
best2
)建立栖息地模型；栖息地中心的计算公式为：其中，表示适应度最佳的红狐个体；栖息地狐群活动直径定义为：s428：判断是否满足终止条件；满足终止条件，获取最佳个体位置即bp神经网络的最佳权值和阈值，进而构建新的bp神经网络；s429：不满足终止条件，淘汰最差个体，择优繁育新个体，转s422。5.根据权利要求4所述的一种高值医用耗材备件需求预测方法，其特征在于：所述s424中为防止反思学习过程中随机性过大，对学习因子施加以下约束：其中：r∈[0,π]上的随机数，t为当前次数，t为最大迭代次数；个体在前期具有较强的反思行为，能提高狩猎能力，实现自我提升；后期随着个体越来越接近猎物，反思行为在逐步减少，学习因子ω也逐渐变小。6.根据权利要求4所述的一种高值医用耗材备件需求预测方法，其特征在于：所述s426中采取精英反向学习策略中，选取适应度前20％的个体构成精英狐群f
best
,并利用反向解求出精英狐群在混合狐群中选择适应度前50％的红狐作为下一代。7.根据权利要求4所述的一种高值医用耗材备件需求预测方法，其特征在于：所述s427中躲避猎人并发展种群中，在发展种群时设置参数k∈(0,1)，具体如下所示：
当k<0.45时，α红狐夫妇繁殖后代，产生新个体，新个体可记为：

技术总结
本发明公开了一种高值医用耗材备件需求预测方法，属于高值医用耗材备件需求预测技术领域；方法包括以下步骤：首先获取高值医用耗材的历史消耗数据，对其进行归一化处理；其次利用改进红狐优化算法中对BP神经网络预测模型的权值和阈值进行寻优，构建高值医用耗材备件需求预测模型；最后历史消耗数据作为训练集，训练预测模型，对训练结果进行反归一化后，输出预测结果。本发明在红狐优化算法中加入反思学习和精英反向策略，使得改进的算法在收敛速度和精确度上有所提高，同时利用红狐优化算法对BP神经网络参数寻优，降低了标准BP神经网络参数随机化造成的预测结果不理想、学习时间长的影响，能够为高值医用耗材备件需求预测提供精准的预测服务。供精准的预测服务。供精准的预测服务。


技术研发人员：孟冠军 魏亚博 黄江涛
受保护的技术使用者：合肥工业大学
技术研发日：2023.05.08
技术公布日：2023/8/6