基于续方预测的仓库备货调拨系统及其方法与流程
本说明书一般涉及药品管理技术，尤其涉及一种基于续方预测的仓库备货调拨系统及其方法。
背景技术：
如果需要为比较大的区域的用户提供药品购买服务的话，为了能够快速响应客户的即时购买需求，需要在多个不同的地区分别设置药品仓库。每一个药品仓库原则上都应当对各种药品都需要有足够的库存，但是库存太多又会占用宝贵的资金。此外，即使某一个药品在多个药品仓库中的库存总量是适宜的，各个药品仓库之间的库存分布也是需要精心考虑的，否则，对于某一个药品，有可能某一个地区的仓库有很多库存，但另一个地区的仓库却已经断货了。每一个地区的用户数量不同，对药品的购买需求也不同，如何预先优化备货和仓库之间的库存分配，以比较少的库存总量满足各个地区的用户购买需求，这是急需解决的问题。
技术实现要素：
本申请提供了一种基于续方预测的仓库备货调拨系统及其方法，对慢性病用户的续方时间的精确管理，也方便做备货和仓间调拨。
本申请公开了一种基于续方预测的仓库备货调拨系统，包括：
续方预测子系统，用于接收用户特征和药品特征的输入，得到用户是否续方、续方时间偏差和续方量的预测结果，根据所述预测结果对理论续方时间和续方量进行修正获得预测续方时间和续方量；
需求预测子系统，用于根据所述预测续方时间和续方量计算各区域中仓库的各种药品在不同时间段的需求量；
订单优先级管理子系统，根据所述预测续方时间和续方量获得用户订单与距离预测续方时间远近相关联的等待时间；
备货调拨子系统，将所述各区域中仓库的各种药品在不同时间段的需求量、用户订单等待时间作为边界条件，求表示调拨总成本的目标函数的最优解，根据所述最优解确定各个仓库之间的调拨计划。
在一个优选例中，所述续方预测子系统包括：
第一神经子网络，用于根据输入的所述用户特征和药品特征输出用户是否续方的预测结果；
第二神经子网络，用于根据输入的所述用户特征和药品特征输出续方时间偏差和续方量的预测结果；
汇总模块，用于将所述第一神经子网络和所述第二神经子网络的输出相乘，输出续方时间偏差和续方量的预测结果；
修正模块，用于计算理论续方时间和续方量，并根据所述汇总模块输出的续方时间偏差和续方量的预测结果对所述理论续方时间和续方量进行修正，获得预测续方时间和续方量。
在一个优选例中，所述修正模块将处方用药量作为理论续方量，将处方用药量与日均服用量的商作为理论续方周期，根据最近购买日期和理论续方周期计算理论续方时间。
在一个优选例中，所述续方预测子系统还包括用于训练所述第一神经子网络和第二神经子网络的掩膜矩阵，其中，当用户在预测时间续方时，所述掩膜矩阵对应值为1，当用户未在预定时间续方时，所述掩膜矩阵对应值为0；
所述汇总模块还用于，在训练所述第一神经子网络和第二神经子网络过程中，将所述第一神经子网络的输出和所述掩膜矩阵的输出相乘后输出，并且将所述第二神经子网络的输出和所述掩膜矩阵的输出相乘后输出。
在一优选例中，所述等待时间与用户订单配送优先级相关联。
在一优选例中，所述用户特征包括以下特征之一或其任意组合：性别、年龄、病症、病历、处方药量、历史订单。
在一优选例中，所述药品特征包括以下特征之一或其任意组合：通用名、厂家、规格、病症、身体部位、治愈周期、治愈率、费用。
所述备货调拨子系统根据所述最优解计算调拨分割点、各个仓库的库存上限和库存下限、以及各个仓库之间的调拨计划；其中
所述目标函数为
总配送时间的边界条件为
其中，i为仓库总数，m为药品总数，i和j为求和时用到的仓库的序号，m为求和时用到的药品的序号，
本申请的另一实施例中还提供一种基于续方预测的仓库备货调拨方法，包括：
接收用户特征和药品特征的输入，得到用户是否续方、续方时间偏差和续方量的预测结果，根据所述预测结果对理论续方时间和续方量进行修正获得预测续方时间和续方量；
根据所述预测续方时间和续方量计算各区域中仓库的各种药品在不同时间段的需求量；
根据所述预测续方时间和续方量获得用户订单与距离预测续方时间远近相关联的等待时间；
将所述各区域中仓库的各种药品在不同时间段的需求量、用户订单等待时间作为边界条件，求表示调拨总成本的目标函数的最优解，根据所述最优解确定各个仓库之间的调拨计划。
相对于现有技术，本申请具有以下有益效果：
本发明中，通过对用户颗粒度的续方预测建模，可以构建更加精准的整体预测系统。另外，对慢性病用户的续方时间的精确管理，也方便配送端根据订单优先级做仓间调拨和承运商选择，以提升客户满意度和继续续方复购。
本说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合（即技术方案）的话，会使得说明书过于冗长。为了避免这个问题，本说明书上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案（这些技术方案均应该视为在本说明书中已经记载），除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征a+b+c，在另一个例子中公开了特征a+b+d+e，而特征c和d是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征e技术上可以与特征c相组合，则，a+b+c+d的方案因技术不可行而应当不被视为已经记载，而a+b+c+e的方案应当视为已经被记载。
附图说明
参考以下附图描述本申请的非限制性和非穷举性实施例，其中除非另有说明，否则相同的附图标记在各个视图中指代相同的部分。
图1是根据本说明书一个实施例中一种基于续方预测的仓库备货调拨系统的框图。
图2是根据本说明书一个实施例中续方预测子系统的示意图。
图3是根据本说明书一个实施例中用户订单配送的示意图。
图4是根据本说明书另一个实施例中一种基于续方预测的仓库备货调拨方法的流程图。
具体实施方式
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式公开了一种基于续方预测的仓库备货调拨系统，图1示出了该基于续方预测的仓库备货调拨系统的框图，包括：续方预测子系统101、需求预测子系统102、订单优先级管理子系统103及备货调拨子系统104。
其中，续方预测子系统101用于接收用户特征和药品特征的输入，得到用户是否续方、续方时间偏差和续方量的预测结果，根据预测结果对理论续方时间和续方量进行修正获得预测续方时间和续方量。
可选地，在一实施例中，用户特征包括但不限于：性别、年龄、病症、病历、处方药量、历史订单、等等。
可选地，在一实施例中，药品特征包括但不限于：通用名、厂家、规格、病症、身体部位、治愈周期、治愈率、费用、等等。
可选地，在一实施例中，参考图2所示，续方预测子系统101包括第一神经子网络1011、第二神经子网络1012、汇总模块1013及修正模块1014。第一神经子网络1011根据用户特征和药品特征得到第一神经网络输出的用户是否续方的预测结果。第二神经子网络1012根据用户特征和药品特征得到续方时间偏差和续方量的预测结果。汇总模块1013用于将第一神经子网络和第二神经子网络的输出相乘，输出续方时间偏差和续方量的预测结果。修正模块1014用于计算理论续方时间和续方量，并根据汇总模块输出的续方时间偏差和续方量的预测结果对理论续方时间和续方量进行修正，获得预测续方时间和续方量。在一实施例中，修正模块104将处方用药量作为理论续方量，将处方用药量与日均服用量的商作为理论续方周期，根据最近购买日期和理论续方周期计算理论续方时间。单目标续方时间预测网络不易处理未续方用户数据，如果只在续方样本上训练，则会带来训练数据集和预测数据集样本空间偏差的问题，本申请采用多目标和双子网络的设计可以有效的利用全量订单数据进行训练，并将修正续方时间和续方量作为模型输出结果，服务于下游的需求预测子系统102。
可选地，在一实施例中，续方预测子系统101还包括用于训练第一神经子网络1011和第二神经子网络1012的掩膜矩阵1015，其中，当用户在预测时间续方时，掩膜矩阵对应值为1，当用户未在预定时间续方时，掩膜矩阵对应值为0。在训练第一神经子网络1011和第二神经子网络1012过程中，将第一神经子网络1011的输出和掩膜矩阵1015的输出相乘后输出，并且将第二神经子网络1012的输出和掩膜矩阵1015的输出相乘后输出。
继续参考图2所示，续方预测子系统101包括左右两个神经子网络，其中左网络是用来预测用户是否续方的二分类模型（如果预测结果是续方则输出1，如果预测结果是不续方则输出0），而右网络是用来预测用户续方时间偏差、续方量二元组的回归模型，其中续方时间偏差=实际续方周期-理论续方周期。两个子网络的点乘结果用于对理论值进行修正，得到修正续方时间偏差、修正续方量二元组。两个子网络中的输入特征包含用户特征部分，以及药品特征。左右两个子网络分支采用相同的输入特征集，并通过隐藏（embedding）层进行参数共享。
该子系统101在训练数据集中应用时，对于超时未续方用户，是缺省右网络的输入数据，为了解决这个问题，我们引入一个掩膜矩阵，大小为b*n，其中b是用户样本数，n为二阶段多层感知机输出维度。对于续方用户，右网络输入为续方时用户特征和药品特征，且掩膜矩阵中对应值为1。对于未续方用户，右网络输入为随机值，且掩膜中对应值为0。最后，续方时间偏差预测结果=右网络输出*左网络输出*掩膜矩阵，使得未续方用户数据不影响右网络续方时间和用量的学习。应当注意，该掩膜矩阵仅在学习续方时间和用量使用，不在学习是否续方时使用。在训练完成后的使用阶段，由于没有掩膜矩阵，子系统101输出端的续方时间偏差预测结果=右网络输出*左网络输出。
需求预测子系统102用于根据预测续方时间和续方量计算各区域中仓库的各种药品在不同时间段的需求量。应当理解，全国范围内按照一定区域划分，各个区域中配置相应的仓库，参考图3所示，仓库i在该区域内，仓库j在该区域外，该区域内用户的订单通过区域内的仓库i配送，通常不支持跨区域订单，但是可是在不同仓库之间对货物进行调拨。
订单优先级管理子系统103用于根据预测续方时间和续方量获得用户订单与距离预测续方时间远近相关联的等待时间。可选地，在一实施例中，等待时间还与用户订单配送优先级相关联。等待时间是药品配送优先级、距预测续方时间远近的函数，等待时间为：
备货调拨子系统104用于将各区域中仓库的各种药品在不同时间段的需求量、用户订单等待时间作为边界条件，求表示调拨总成本的目标函数的最优解，根据最优解确定各个仓库之间的调拨计划。可选地，在一实施例中，备货调拨子系统104根据最优解计算调拨分割点、各个仓库的库存上限和库存下限、以及各个仓库之间的调拨计划。因此，在满足不同续方慢病病人需求优先级的等待时间的前提下，通过调整调拨分割点函数和库存上下限函数中的参数组，使得总的调拨成本最小。
下面对具体的目标函数的求解进行说明。
目标函数为
库存下限函数为
库存下限函数是药品m在i仓的需求量和变化率，供应商交货时间和变化率，以及一系列参数s1,s2,…,sx的函数。例如，
其中，
库存上限函数为
例如，
j仓库到i仓库的调拨决策函数为
调拨决策函数可以是根据一系列规则进行是否调拨的决策：
例如母子仓可以调拨，子母仓和平行仓间不能调拨，
调拨分割点函数为
例如，
总配送时间的边界条件为：
其中，i为仓库总数，m为药品总数，i和j为求和时用到的仓库的序号，m为求和时用到的药品的序号，
通过历史数据和最优化算法（例如遗传算法），可以获取各个待拟合参数
本申请的第二实施方式公开了一种基于续方预测的仓库备货调拨方法，图4示出了基于续方预测的仓库备货调拨方法的流程图，包括：
步骤201，接收用户特征和药品特征的输入，得到用户是否续方、续方时间偏差和续方量的预测结果，根据预测结果对理论续方时间和续方量进行修正获得预测续方时间和续方量；
步骤202，根据预测续方时间和续方量计算各区域中仓库的各种药品在不同时间段的需求量；
步骤203，根据预测续方时间和续方量获得用户订单与距离预测续方时间远近相关联的等待时间；
步骤204，将各区域中仓库的各种药品在不同时间段的需求量、用户订单等待时间作为边界条件，求表示调拨总成本的目标函数的最优解，根据最优解确定各个仓库之间的调拨计划。
其中，目标函数为
总配送时间的边界条件为
其中，i为仓库总数，m为药品总数，i和j为求和时用到的仓库的序号，m为求和时用到的药品的序号，
第一实施方式是与本实施方式相对应的系统实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本说明书提及的所有文献都被认为是整体性地包括在本说明书的公开内容中，以便在必要时可以作为修改的依据。此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描述的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本说明书提及的所有文献都被认为是整体性地包括在本说明书的公开内容中，以便在必要时可以作为修改的依据。此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描述的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
- 还没有人留言评论。精彩留言会获得点赞！