基于BP神经网络在基本药物采购量短期预测中的研究.docVIP

基于BP神经网络在基本药物采购量短期预测中的研究 　　摘 要 将采购决策行为的具体表现定义为采购量的多少。根据2011年5月-2012年11月湖北省基本药物采购平台的抗生素类部分基本药物品种采购量数据，建立神经网络预测模型，采用BP神经网络来训练建立的模型，并将预测值与实际值相比较。预测值和实际值误差在可接受范围内，研究结果符合预期，预测模型的建立在对基本药物采购量预测方面具有理论意义和应用价值。 　　关键词 基本药物 采购行为 BP神经网络 　　中图分类号：F713.54 文献标识码：A 文章编号：1006-1533（2013）05-0047-05 　　2009年国家基本药物制度实施后，国家将执行基本药物集中采购作为实施基本药物制度的评价标准之一，于是各省将原有的药品集中采购分为基本药物和非基本药物两类。2010年11月，国务院发布《建立和规范政府办基层医疗卫生机构基本药物采购机制的指导意见》，旨在对现阶段较为无序的药品采购行为进行规范，推行科学合理的采购模式，对基本药物采购方面的研究开始得到关注。 　　现行采购模式是省集中采购平台通过统计各基层医院上报的用药需求之后，再统筹面向中标企业进行集中采购。但是，作为基本药物集中招标采购体系中继招标过程之后的重要环节，采购过程并未得到足够的重视，基于基本药物采购行为的微观研究的理论和文献更是少之又少。在缺乏科学理论和方法支持下的采购决策，容易受主观如采购主体寻租以及客观如厂商合谋等因素干扰而不稳定，这种不稳定带来的滞后效应会掣肘社区卫生服务中心对基本药物的需求预测，继而带来后续基本药物的供需矛盾。除此之外，采购量错误统计或填写不够准确的偶然误差将会进一步加剧这个矛盾。基本药物集中招标采购体系下的基本药物采购在执行过程中有必要加强监督管理和调控。因此，寻找合理与灵活的理论和方法来保证基本药物的采购决策行为的稳定性就成为关注点。 　　由于BP （Back Propagation）神经网络模型尚未在基本药物招标采购体系中进行相关的理论研究和应用探索，未能发挥其在其他领域中发挥出的功效。本文针对这一环节进行探索，拟在建立BP 神经网络模型的基础上，统计分析社区卫生服务机构的药品使用等特征后，将BP神经网络模型运用到社区医疗机构的需求预测中来，使采购主体在决策时能有更多的支持信息，实现采购数量科学化，从而保证社区医疗机构对基本药物的供应充足，以期从这一环节上减轻民众对基本药物的获取负担，使整个基本药物的供应实现资源优化配置，也可为基本药物集中采购的理论和方法提供借鉴和参考。 　　1 BP神经网络预测功能的研究 　　由于人工神经网络是非线性、非局域性和非定常性的复杂网络系统，具有并行分布的信息处理结构和自适应的脑模式的信息处理的本质与能力，它可以通过“自学习”或“训练”掌握大量的知识，完成特定的工作。人工神经网络对建立预测模型十分有效，它能从数据样本中自动学习以前的经验而无需复杂的查询和表述过程，并自动地逼近那些最佳的数据蕴含的规律，它在时间序列预测方面，尤其是高复杂度的非线性时间序列方面明显优于传统的预测方法。在预测方面，目前应用最广泛且较为成功的是前向神经网络。 　　1.1 BP神经网络基本理论 　　BP神经网络也称误差反向传播神经网络，为有监督的学习，是梯度下降法在多层前馈网络中的应用。它有一个输入层、一个输出层、一个或多个隐含层。每一层上包含若干个节点，每个节点代表一个神经元。同一层上的各节点之间无连接关系，相邻层采取全互连。信息从输入层开始在各层之间单向传播，依次经过各隐含层，最后到达输出层。 　　BP算法的学习过程是一个反复迭代的过程，由正向传播和反向传播组成。其算法的基本思想是根据网络输出层的误差，从输出层开始反过来调整网络的权值和阀值，最后使得输出的均方误差最小。经过对一定数量样本进行反馈学习后，网络所持的权值便是网络通过自适应学习得到的正确的内部表示。这时将待识别样本的特征数据输入训练好的网络，则网络就可以对样本的属性进行自动推理和识别。在非线性建模方法中，神经网络理论证明了在选择适当的隐层数及相应的神经元数目下，前馈神经网络能以任意精度逼近任意非线性函数[1]。 　　1.2 BP神经网络在预测领域的实现 　　由于BP学习算法本质上是一个非线性优化问题，网络模型的确立分为两个阶段：学习阶段和检验阶段。学习阶段是通过对历史资料的学习，使己有的模式以权系数的方式存储于网络之中，这实质上是一个拟合的过程；检验阶段是将已有历史数据输入网络之中，检验网络输出与实测值的误差是否达到一定的精度要求，如果满足要求，则BP网络可以被用于预测。采用BP网络学习方法进行模拟分析，构造BP网络的基本步骤是： 　　1） 确定BP网络的输入向量、输出向量的维数和隐含层