技术摘要：
本发明公开了一种解决样本量对药品需求预测准确度影响的GRU‑RVM集成模型。考虑药品需求预测样本量不确定的问题，分别建立针对大、小样本数据预测的GRU模型和RVM模型。利用ReLU激活函数优化GRU模型，同时利用带有学习率削减的AdaMod优化器训练模型；利用混合核函数优化  全部
背景技术：
药品种类繁多，不同药品对应解决不同的疾病。对于常规的疾病，人们可以根据医 嘱结合自己的需求进行药品选择，这就导致了不同类型甚至是相同类型药品的流通量都会 产生很大的差别，所以针对药品需求进行合理的预测对于医药企业的良好运营起到了至关 重要的作用。目前，常规的预测模型只能针对特定的样本发挥良好的预测作用，但当样本发 生变化时，常规模型往往无法准确的发挥作用。尤其是针对药品这一特殊商品，不同药品的 销售信息差别较大，当进行药品需求预测时，某些药品销售信息较为丰富，样本量较大，但 反之也存在样本量较小的药品。当样本量发生变化时，预测模型可能会因为欠学习或过学 习而影响预测的效果。
技术实现要素：
为了解决样本量对药品需求预测准确度的影响问题，本发明提出一种GRU-RVM集 成模型，以提高混合集成模型的预测精度和泛化能力 为实现上述目的，本发明具体技术方案如下：一种解决样本量对药品需求预测准 确度影响的GRU-RVM集成模型，包括以下步骤： 1)建立针对大样本数据预测的Adamod-GRU药品需求预测模型； 2)建立针对小样本数据预测的BAS-RVM药品需求预测模型； 3)基于Bagging思想将Adamod-GRU模型和BAS-RVM并行集成构建弱学习器； 4)基于Adaboost思想将弱学习器串行集成构建混合集成药品需求预测模型。 进一步地，所述步骤1)中，建立针对大样本数据预测的Adamod-GRU药品需求预测 模型包括以下步骤： 1.1)建立针对大样本数据预测的GRU药品需求预测模型； 1.2)利用Relu激活函数优化GRU模型，用于消除GRU模型的梯度消失问题； 1.3)利用带有学习率削减的AdaMod优化器训练模型，用于解决ReLU激活函数易导 致神经元“坏死”的问题； 进一步地，所述步骤2)中，建立针对小样本数据预测的BAS-RVM药品需求预测模型 包括以下步骤： 2.1)建立针对小样本数据预测的RVM药品需求预测模型； 2.2)为兼顾RVM模型的学习能力和泛化能力，利用混合核函数优化RVM模型； 2.3)利用BAS算法对核函数参数和加权系数进行寻优以提高模型拟合程度。 进一步地，所述步骤3)中，基于Bagging思想将Adamod-GRU模型和BAS-RVM并行集 成构建弱学习器包括以下步骤： 4 CN 111612535 A 说　明　书 2/6 页 3.1)将带权重D(n)的训练集作为输入，分别训练AdaMod-GRU模型和BAS-RVM模型 进行参数寻优； 3.2)通过样本训练集对参数优化后的AdaMod-GRU模型和BAS-RVM模型进行预测， 计算预测后的输出hnj(x)，根据预测误差计算对应的权值ωnj。预测模型误差越大，对应权 值越小； 3.3)通过加权平均法，对两种模型的预测结果进行集成，计算公式为： 3.4)hn(x)即作为第n层的弱学习器的输出。 进一步地，所述步骤4)中，基于Adaboost思想将弱学习器串行集成构建混合集成 药品需求预测模型包括以下步骤： 4.1)选取药品销量的历史信息数据作为模型的输入，建立药品销量样本数据集D； 4.2)初始化样本集权重，计算公式为： 4.3)对于n＝1,2,…,N，使用权重D(n)的训练集来训练数据，得到弱学习器Hn(x)， 计算训练集上的最大误差Ek、每个样本的指数误差eni和回归误差率en，计算公式为： En＝max|yi-hn(xi)|，i＝1,2,…,m 4.4)计算弱学习器的权重系数an以及更新样本集的权重分布，Zn为正规化因子，计 算公式为： 4.5)构建弱学习器的线性组合，计算最终的强学习器H(x)，计算公式为： 式中，g(x)是所有anhn(x) ,t＝1,2,…,N的中位数。 有益效果 与现有技术相比，本发明的优点在于： 5 CN 111612535 A 说　明　书 3/6 页 1、本发明首次提出针对大样本数据预测的AdaMod-GRU药品需求预测模型。首先利 用ReLU激活函数消除GRU模型的梯度消失问题；其次首次利用带有学习率削减的AdaMod优 化器训练改进GRU模型，解决了ReLU激活函数易导致神经元“坏死”的问题，提升大样本数据 预测的预测准确性。 2、本发明首次提出针对小样本数据预测的BAS-RVM药品需求预测模型。首先利用 混合核函数优化RVM模型，使模型兼顾学习能力和泛化能力；其次首次利用天牛须搜索 (BAS)算法对改进RVM模型的核函数参数和加权系数进行寻优，提升小样本数据预测的预测 准确性。 3、本发明首次提出将AdaMod-GRU模型和BAS-RVM模型通过Bagging思想进行并行 集成，构建弱学习器提升集成模型的泛化能力。 4、本发明首次提出将Bagging思想和AdaBoost思想相结合，构建混合集成药品需 求预测模型，解决了样本量变化对药品需求预测准确度的影响。通过实验证明了本发明的 预测方法的可靠性。 附图说明 图1是本发明实施例一的解决样本量对药品需求预测准确度影响的GRU-RVM集成 模型的流程图； 图2是本发明实施例一的Adamod-GRU药品需求预测模型流程图； 图3是本发明实施例一的BAS-RVM药品需求预测模型流程图； 图4是本发明实施例一的混合集成药品需求预测模型流程图； 图5是本发明实施例一大样本训练集训练各模型的收敛曲线对比图； 图6是本发明实施例一小样本训练集训练各模型的收敛曲线对比图。