本发明专利技术涉及智能监测的技术领域，公开了基于竞争分析的药品流向智能监测方法及系统。本发明专利技术首先基于时间序列对竞争对手药品流向数据集合进行异常数据识别并删除，得到处理好的竞争对手药品流向数据集合；其次，使用改进的k‑means算法对处理好的竞争对手药品流向数据集合进行两次聚类，得到盈利药品流向数据集合和亏损药品流向数据集合；再建立竞争对手盈利监测模型，改进的萤火虫优化算法求解得到盈利最优解，实现药品流向盈利监测；最后训练得到BP神经网络预警模型，输出预警结果，实现药品流向亏损监测。本发明专利技术通过对竞争对手药品流向数据进行处理分析，实现药品流向智能监测目的，方法客观准确。
【技术实现步骤摘要】
本专利技术涉及智能监测的，具体为基于竞争分析的药品流向智能监测方法及系统。
技术介绍
1、传统的药品流向监测方法，往往采用建立数据库存储药品流向相关数据，通过查询数据库出入库记录，实现流向监测的目的，然而药品流向数据往往数量多、种类冗余，在药品流向监测上浪费大量人力成本；同时，没有分析竞争对手的药品盈利和亏损数据，也没有使用神经网络等高新技术，易导致药品销售决策失误，在药品销售市场上处于劣势。
技术实现思路
1、针对相关技术中的问题，本专利技术提供了基于竞争分析的药品流向智能监测方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、本专利技术为基于竞争分析的药品流向智能监测方法，包括如下步骤：
4、s1、获取竞争对手药品和医疗器械产品流向相关数据，得到竞争对手药品流向数据集合，基于时间序列对所述竞争对手药品流向数据集合进行异常数据识别并删除，得到处理好的竞争对手药品流向数据集合；
5、s2、使用改进的k-means算法对所述处理好的竞争对手药品流向数据集合进行数据整合，得到初步聚类结果，再对所述初步聚类结果进行二次聚类处理，得到盈利药品流向数据集合和亏损药品流向数据集合；
6、s3、根据所述盈利药品流向数据集合建立竞争对手盈利监测模型，基于改进的萤火虫优化算法求解所述竞争对手盈利监测模型，计算盈利最优解，得到最终竞争对手盈利监测模型，实现药品流向盈利监测；</p>7、s4、使用主成分分析法对所述亏损药品流向数据集合进行因子分析，得到亏损药品流向数据样本集合，结合所述亏损药品流向数据样本集合，训练得到bp神经网络预警模型，完成药品流向亏损监测。
8、该专利技术通过获取竞争对手药品流向数据集合，基于时间序列对竞争对手药品流向数据集合进行异常数据识别并删除，通过将竞争对手药品流向数据建立时间子序列，找到局部离群因子识别异常数据；该方法使用时间子序列可以准确反映原数据的变化趋势，不仅能排除噪音干扰，还能快速处理大量数据，实时性高；其次，改进的k-means算法对处理后的竞争对手药品流向数据集合进行两次聚类处理，第一次聚类帮助避免个别离群数据的干扰，筛选出需要处理的聚类簇，第二次聚类根据聚类簇的大小，聚类簇大代表该药品流向数据数量多，视为盈利，否则视为亏损；该方法巧妙将药品流向数据分成盈利数据和亏损数据，相较于传统聚类算法，改进聚类算法优化效果好，减少对初始聚类中心选择的依赖；再建立竞争对手盈利监测模型，基于改进的萤火虫优化算法求解所述竞争对手盈利监测模型，该模型便于检验盈利药品流向数据，实现药品流向盈利监测；该算法通过引入全局最优解，解决传统萤火虫优化算法过早收敛问题，提高了全局搜索能力和收敛速度；最后，训练得到bp神经网络预警模型，便于对药品流向数据进行预警，实现药品流向亏损监测；该方法通过因子分析降低相关性，减少了数据处理成本，提高亏损监测准确性。
9、优选地，所述s1包括以下步骤：
10、s11、获取竞争对手药品和医疗器械产品流向相关数据，将竞争对手药品和医疗器械产品流向相关数据记为主指标，所述主指标包括药品销售数量、药品生产成本、药品销售价格等子指标，收集m个子指标，每个子指标包含n个竞争对手药品流向数据，生成竞争对手药品流向数据集合
11、，其中表示第m个子指标且，其中表示第m个子指标的第n个竞争对手药品流向数据；
12、s12、赋予所述竞争对手药品流向数据集合时间序列，记录竞争对手药品流向数据集合中每个竞争对手药品流向数据产生的时间点，生成药品流向时间序列集合，其中表示第个子指标的第n个时间点；基于时间序列对所述竞争对手药品流向数据集合进行异常子序列识别，得到子序列识别结果，具体步骤如下：
13、s121、绘制所述药品流向时间序列集合的图像，得到时间序列图像，选取第个子指标下时间点和时间点，计算连接时间点和时间点的直线的斜率和长度，得到时间点的长度和时间点的斜率，记为时间点的子序列，其中表示时间点的长度，表示时间点的斜率，依次计算所述药品流向时间序列集合中全部药品流向时间序列的子序列，得到处理后的药品流向时间序列集合；
14、在所述处理后的药品流向时间序列集合中选取第个子指标下时间点的子序列和时间点的子序列，计算时间点的子序列和时间点的子序列的欧式距离，计算公式如下：
15、；
16、其中，表示时间点的子序列和时间点的子序列的欧式距离，表示时间点的长度，表示时间点的斜率，表示时间点的长度，表示时间点的斜率；
17、依次计算处理后的药品流向时间序列集合中全部子序列的欧式距离，得到子序列集合；
18、s122、在所述子序列集合中选取任意子序列，记为核心子序列，选取所述核心子序列邻近个子序列，组成核心子序列邻域，计算核心子序列邻域内第c个子序列的局部可达密度，计算公式如下：
19、；
20、其中，表示核心子序列邻域内第c个子序列的局部可达密度，表示核心子序列邻域，表示第c个子序列和核心子序列的距离；
21、根据核心子序列邻域内第c个子序列的局部可达密度计算第c个子序列的局部离群因子，得到局部离群因子集合；设定第一阈值为，当局部离群因子集合中局部离群因子大于第一阈值时，局部离群因子对应的子序列异常，否则局部离群因子对应的子序列正常；进一步，依次遍历所述子序列集合，得到子序列识别结果；
22、s13、根据所述子序列识别结果，将异常子序列删除，所述异常子序列即异常竞争对手药品流向数据，直至遍历完毕所述竞争对手药品流向数据集合，得到处理好的竞争对手药品流向数据集合。
23、该专利技术通过基于时间序列对所述竞争对手药品流向数据集合进行异常数据识别并删除，使用竞争对手药品流向数据建立时间子序列，使用时间子序列可以准确反映原数据的变化趋势，不仅能排除噪音干扰，还能快速处理大量数据，实时性高。
24、优选地，所述s2包括以下步骤：
25、s21、在所述处理好的竞争对手药品流向数据集合中选取任意处理好的子指标，记为待处理子指标，所述待处理子指标包含d个竞争对手药品流向数据，组成待处理竞争对手药品流向数据集合，在所述待处理竞争对手药品流向数据集合中随机选取k个聚类中心，记为初始聚类中心；遍历待处理竞争对手药品流向数据集合，找到离初始聚类中心距离最近的待处理竞争对手药品流向数据，加入到对应的初始聚类中心，形成若干聚类簇；
26、计算若干聚类簇中待处理竞争对手药品流向数据的均值，得到聚类均值，将聚类均值作为下一个聚类中心；继续寻找所述下一个聚类中心的聚类簇，直至聚类簇中待处理竞争对手药品流向数据的均值不再变化，结束第一次聚类，得到最终聚类簇；依次聚类得到其他子指标的最终聚类簇，得到初步聚类结果；
27、s22、根据所述初步聚类结果，使用改进的k-means算法对所述处理后的竞争对手药品流向数据本文档来自技高网
...
【技术保护点】
1.基于竞争分析的药品流向智能监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S1包括如下步骤：
3.根据权利要求2所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S12包括如下步骤：
4.根据权利要求3所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S2包括如下步骤：
5.根据权利要求4所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S22包括如下步骤：
6.根据权利要求5所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S3包括如下步骤：
7.根据权利要求6所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S32包括如下步骤：
8.根据权利要求7所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述S4包括如下步骤：
9.一种实现如权利要求1-8任意一项所述基于竞争分析的药品流向智能监测方法的系统，其特征在于，具体包括：药品流向数据异常识别模块、药品流向数据聚类模块、药品流向盈利监测模块和药品流向亏损监测模块；
...
【技术特征摘要】
1.基于竞争分析的药品流向智能监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述s1包括如下步骤：
3.根据权利要求2所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述s12包括如下步骤：
4.根据权利要求3所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述s2包括如下步骤：
5.根据权利要求4所述的基于竞争分析的药品流向智能监测方法，其特征在于，所述s22包括如下步骤：
6....
【专利技术属性】
技术研发人员：吕洋，
申请(专利权)人：北京药云数据科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。