[發(fā)明專利]一種解決樣本量對(duì)藥品需求預(yù)測(cè)準(zhǔn)確度影響的GRU-RVM集成模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202010423918.2
• 申請(qǐng)日: 2020-05-19
• 公開（公告）號(hào): CN111612535A
• 公開（公告）日: 2020-09-01
• 發(fā)明（設(shè)計(jì)）人: 劉新;賀建軍
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02;G06N3/08
• 代理公司: 長(zhǎng)沙朕揚(yáng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43213
• 代理人: 易瑤

1.一種解決樣本量對(duì)藥品需求預(yù)測(cè)準(zhǔn)確度影響的GRU-RVM集成模型，其特征在于：包括以下步驟：

1)建立針對(duì)大樣本數(shù)據(jù)預(yù)測(cè)的Adamod-GRU藥品需求預(yù)測(cè)模型；

2)建立針對(duì)小樣本數(shù)據(jù)預(yù)測(cè)的BAS-RVM藥品需求預(yù)測(cè)模型；

3)基于Bagging思想將Adamod-GRU模型和BAS-RVM并行集成構(gòu)建弱學(xué)習(xí)器；

4)基于Adaboost思想將弱學(xué)習(xí)器串行集成構(gòu)建混合集成藥品需求預(yù)測(cè)模型。

2.根據(jù)權(quán)利要求1所述的解決樣本量對(duì)藥品需求預(yù)測(cè)準(zhǔn)確度影響的GRU-RVM集成模型，其特征在于：所述步驟1)中，建立針對(duì)大樣本數(shù)據(jù)預(yù)測(cè)的Adamod-GRU藥品需求預(yù)測(cè)模型包括以下步驟：

1.1)建立針對(duì)大樣本數(shù)據(jù)預(yù)測(cè)的GRU藥品需求預(yù)測(cè)模型；

1.2)利用Relu激活函數(shù)優(yōu)化GRU模型，用于消除GRU模型的梯度消失問(wèn)題；

1.3)利用帶有學(xué)習(xí)率削減的AdaMod優(yōu)化器訓(xùn)練模型，用于解決ReLU激活函數(shù)易導(dǎo)致神經(jīng)元“壞死”的問(wèn)題。

3.根據(jù)權(quán)利要求1所述的解決樣本量對(duì)藥品需求預(yù)測(cè)準(zhǔn)確度影響的GRU-RVM集成模型，其特征在于：所述步驟2)中，建立針對(duì)小樣本數(shù)據(jù)預(yù)測(cè)的BAS-RVM藥品需求預(yù)測(cè)模型包括以下步驟：

2.1)建立針對(duì)小樣本數(shù)據(jù)預(yù)測(cè)的RVM藥品需求預(yù)測(cè)模型；

2.2)為兼顧RVM模型的學(xué)習(xí)能力和泛化能力，利用混合核函數(shù)優(yōu)化RVM模型；

2.3)利用BAS算法對(duì)核函數(shù)參數(shù)和加權(quán)系數(shù)進(jìn)行尋優(yōu)以提高模型擬合程度。

4.根據(jù)權(quán)利要求1所述的解決樣本量對(duì)藥品需求預(yù)測(cè)準(zhǔn)確度影響的GRU-RVM集成模型，其特征在于：所述步驟3)中，基于Bagging思想將Adamod-GRU模型和BAS-RVM并行集成構(gòu)建弱學(xué)習(xí)器包括以下步驟：

3.1)將帶權(quán)重D(n)的訓(xùn)練集作為輸入，分別訓(xùn)練AdaMod-GRU模型和BAS-RVM模型進(jìn)行參數(shù)尋優(yōu)；

3.2)通過(guò)樣本訓(xùn)練集對(duì)參數(shù)優(yōu)化后的AdaMod-GRU模型和BAS-RVM模型進(jìn)行預(yù)測(cè)，計(jì)算預(yù)測(cè)后的輸出h_nj(x)，根據(jù)預(yù)測(cè)誤差計(jì)算對(duì)應(yīng)的權(quán)值ω_nj；預(yù)測(cè)模型誤差越大，對(duì)應(yīng)權(quán)值越小；

3.3)通過(guò)加權(quán)平均法，對(duì)兩種模型的預(yù)測(cè)結(jié)果進(jìn)行集成，計(jì)算公式為：

3.4)h_n(x)即作為第n層的弱學(xué)習(xí)器的輸出。

5.根據(jù)權(quán)利要求1所述的解決樣本量對(duì)藥品需求預(yù)測(cè)準(zhǔn)確度影響的GRU-RVM集成模型，其特征在于：所述步驟4)中，基于Adaboost思想將弱學(xué)習(xí)器串行集成構(gòu)建混合集成藥品需求預(yù)測(cè)模型包括以下步驟：

4.1)選取藥品銷量的歷史信息數(shù)據(jù)作為模型的輸入，建立藥品銷量樣本數(shù)據(jù)集D；

4.2)初始化樣本集權(quán)重，計(jì)算公式為：

4.3)對(duì)于n＝1,2,…,N，使用權(quán)重D(n)的訓(xùn)練集來(lái)訓(xùn)練數(shù)據(jù)，得到弱學(xué)習(xí)器H_n(x)，計(jì)算訓(xùn)練集上的最大誤差E_k、每個(gè)樣本的指數(shù)誤差e_ni和回歸誤差率e_n，計(jì)算公式為：

E_n＝max|y_i-h_n(x_i)|，i＝1,2,…,m

4.4)計(jì)算弱學(xué)習(xí)器的權(quán)重系數(shù)a_n以及更新樣本集的權(quán)重分布，Z_n為正規(guī)化因子，計(jì)算公式為：

4.5)構(gòu)建弱學(xué)習(xí)器的線性組合，計(jì)算最終的強(qiáng)學(xué)習(xí)器H(x)，計(jì)算公式為：

式中，g(x)是所有a_nh_n(x),t＝1,2,…,N的中位數(shù)。