[发明专利]一种基于BP神经网络的药品销量预测与决策方法及系统

说明书

本发明提供一种基于BP神经网络的药品销量预测与决策方法及系统。本发明包括：获取药品历史销量的相关数据信息，对其进行预处理、异常数据检验，基于预处理后的药品历史销量数据采用基本BP神经网络进行预测；基于药品销售的历史数据和药品销售先验数据对基本BP神经网络的短期预测结果进行修正；基于输出的预测结果进行销量决策。本发明通过基于大数据的神经网络药品销售预测算法，提高预测精度，通过各修正步骤进一步的提高预测精度。本发明能够准确预测未来一段时间内各个周期的药品销售量；同时能够在现有情况下基于预测结论做出一系列能够改变药品销售形势的合理决策方案，以使未来一段时间内的药品销售总量最大。

技术领域

本发明涉及制药领域，尤其涉及一种基于BP神经网络的药品销量预测与决策方法及系统。

背景技术

随着计算机产业跃进式的飞速发展，以大数据与智能算法为基础的数据挖掘技术正处于蓬勃发展的时期。大数据中存在着诸多不同类型的计算数据，各种类型的数据之间存在着一定的关联。数据挖掘技术正是一种将大数据中的各类数据进行合理整合并加以分析，以达到获取数据本身内在联系和规律的技术。数据挖掘需要同时兼顾计算效率和计算精度，这依赖于具有强大搜索能力的智能优化算法。随着智能算法研究的深入推进，已经有诸多的智能优化算法应用于数据挖掘中。但由于大多数传统优化算法都存在着各种类型的缺陷，导致其计算精度有限或计算效率不足，已经不能满足现在的需求。为此，众多相关学者在不断的研究中提出了很多的算法改进策略，但仍有研究的空间。

就药品销售问题而言，对药品销售量进行精确的近期预测能够帮助药品厂商决策者准确预判市场趋势并合理制定短期决策；对影响药品销售量的相关行为做出准确的合理决策能够帮助药品厂商决策者最大程度的提升效益。所以，药品销售预测与决策问题的主要目标是确定能够使得近期销售量、销售成本和销售利润的综合指标最优或利润最大的销售决策方案，是药品销售行业中一个非常常见的实际问题，也是目前的热点研究课题。

预测是人们日常生产生活中的常见问题。但对于药品销售预测，尽管诸多预测方法可行，但受制于其预测方法的局限性，大部分预测方法难以给出精确的药品销售近期预测结果，诸如Aram时间序列预测算法和支持向量机(SVM)预测算法。Aram时间序列预测适合于预测波动较小的数据模型，但随着社会经济的进步，药品销量受各种因素影响，且影响关系复杂，这一定程度的导致了Aram时间序列预测算法失去其自身优势；支持向量机(SVM)预测算法适合于已知预测的影响规律较多的数据模型，且本身不易被改进。

销售环境、销售决策和销售执行力是决定销售前景的3个最重要的因素，其中，销售决策是完全人为可控的，就显得尤为重要。对于药品销售决策，现有决策方法存在2点不足：1.与销售预测无关或基于完全不准确的销售预测结果进行决策；2.采用的决策方法主观性太强。这样的决策方法尽管存在着一定科学合理的依据，但由于上述缺点的存在，会使得决策方案与现实情况不匹配，从而导致决策方案实施以后，销售结果大幅度的背离理想的销售预期。尽管有可能有助于近期的药品销售，但收效不甚明显。

发明内容

根据上述提出的技术问题，而提供一种基于BP神经网络的药品销量预测方法及系统。本发明采用的技术手段如下：

一种基于BP神经网络的药品销量预测方法，包括如下步骤：

S1、获取药品历史销量的相关数据信息，对其进行预处理、异常数据检验，所述相关数据信息包括各个地区的各个产品的药品日销售量和各个地区的各个产品的药品销售量的月影响因素值；

S2、基于预处理后的药品历史销量数据采用基本BP神经网络进行预测；