[发明专利]一种预测药品销量的ARIMA和支持向量回归融合方法

权利要求书

1.一种预测药品销量的ARIMA和支持向量回归融合方法，其特征在于，包括如下步骤：

S1、数据的采集、分析

以交互式、可选择的问卷形式，自动生成EXCEL数据模板，用户根据数据模板上传数据；

根据用户上传的EXCEL文件，将大数据文件拆分成小的文件，并将原始数据对用户进行可视化展示；

时间序列分析，选择原始数据区域时，系统自动根据用户选择的数据，进行多维特征的相关性计算，给出可视化的结果；

S2、模型拟合，预测结果对比

利用收集好的用户个性化数据，使用ARIMA、SVR和ARIMASVM进行预测分析，并将得到的结果根据评价指标进行对比分析；

其中，S2中模型以及计算过程包括：

S21、序列平稳性的定义；

S22、延迟算子的定义

S23、使用ARIMA模型进行拟合；

S24、模型定阶及选择参数

对时间序列进行ARIMA拟合，而后SVM自回归模型和两个混合模型；

S25、进行预测并对比实验结果

为了对比和评价模型的优劣，使用RMSE和MAPE作为评价指标；

S6、反馈结果

以PDF文件的形式，将结果返回为用户。

2.根据权利要求1所述预测药品销量的ARIMA和支持向量回归融合方法，其特征在于，步骤S23中ARMA模型的结构

把具有如下结构的模型称为自回归移动平均模型，简记为ARMA(p，q)：

若该模型称为中心化ARMA(p，q)模型；缺省默认条件，中心化ARMA(p，q)模型可以简写为：

3.3.2 ARIMA模型的结构

具有如下结构的模型称为求和自回归移动平均(autoregressive integrated movingaverage)模型，简记为ARIMA(p，d，q)模型：

式中：

为平稳可逆ARMA(p，q)模型的自回归系数多项式；

为平稳可逆ARMA(p，q)模型的移动平滑系数多项式；

可以简记为：

式中，{ε_t}为零均值白噪声序列；

由式显而易见，ARIMA模型的实质就是差分运算与ARMA模型的组合；也就是说，任何非平稳序列只要通过适当阶数的差分实现差分后平稳，就可以对差分后的序列进行ARMA模型拟合了；

d阶差分后序列可以表示为：

式中，即差分后序列等于原序列的若干序列值的加权和，而对它又可以拟合自回归移动平均ARMA模型，所以称它为求和自回归移动平均模型。