本發(fā)明涉及計(jì)算機(jī)預(yù)測(cè)領(lǐng)域，尤其涉及一種基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法。

背景技術(shù)：

基于計(jì)算智能通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、演化計(jì)算這3個(gè)主要分支的相互有機(jī)融合而形成新的科學(xué)方法的特點(diǎn)，決定了其在大數(shù)據(jù)分析中的巨大的應(yīng)用潛力?；祀s多樣、多變的大數(shù)據(jù)，決定了模型驅(qū)動(dòng)的方法存在本質(zhì)上的局限性，往往難以根據(jù)先驗(yàn)知識(shí)建立精確的模型。其次，精度是大數(shù)據(jù)的一個(gè)重要維度，對(duì)不確定性的處理和管理的需求源于數(shù)據(jù)采集的手段、系統(tǒng)狀態(tài)變化和自然環(huán)境等隨機(jī)因素的干擾，同時(shí)也源于大數(shù)據(jù)固有的不確定性。最后，大數(shù)據(jù)的規(guī)模和復(fù)雜性意味著大數(shù)據(jù)分析需要巨大的計(jì)算時(shí)空開(kāi)銷(xiāo)，因此計(jì)算智能方法具有啟發(fā)式特征，通過(guò)模擬人類(lèi)和其他生物體的智慧求解問(wèn)題，具有高度的自組織、自適應(yīng)性、泛化和抽象的能力，為大規(guī)模復(fù)雜問(wèn)題的求解提供了有效的手段。

集成學(xué)習(xí)，將多個(gè)不同的基模型之間的差異提高模型的泛化性能。選擇性集成學(xué)習(xí)方法是通過(guò)剔除分類(lèi)性能不好的基分類(lèi)器，選擇部分精度較高、差異度較大的基分類(lèi)器進(jìn)行集成，具有更好的泛化性能。目前常用的選擇性集成方法主要有基于遺傳算法、聚類(lèi)算法的集成學(xué)習(xí)，上述算法雖然取得較好效果，但依然存在計(jì)算復(fù)雜度高、參數(shù)敏感等缺點(diǎn)。螢火蟲(chóng)優(yōu)化算法是一種仿生優(yōu)化算法，通過(guò)模擬自然界中螢火蟲(chóng)的發(fā)光行為形成的一種群智能優(yōu)化算法，簡(jiǎn)單、易實(shí)現(xiàn)、魯棒性強(qiáng)。螢火蟲(chóng)通過(guò)領(lǐng)域內(nèi)的熒光強(qiáng)弱互相吸引，且每只螢火蟲(chóng)位置對(duì)應(yīng)空間的一個(gè)解，每一次迭代會(huì)模擬螢火蟲(chóng)的移動(dòng)，最終使得螢火蟲(chóng)聚集到較好的位置，即達(dá)到問(wèn)題最優(yōu)解。

但是在藥品銷(xiāo)售預(yù)測(cè)過(guò)程中，現(xiàn)有技術(shù)并不能夠準(zhǔn)確的獲取預(yù)測(cè)信息，對(duì)于后續(xù)對(duì)于藥品的備貨或者生產(chǎn)造成很大困惑，不能有效的統(tǒng)籌管理藥品銷(xiāo)售情況，這就亟需本領(lǐng)域技術(shù)人員解決相應(yīng)的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題，特別創(chuàng)新地提出了一種基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法。IPFFA-SVM(Improved Firefly Algorithm-Support Vector Machine)

為了實(shí)現(xiàn)本發(fā)明的上述目的，本發(fā)明提供了一種基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法，包括如下步驟：

S1，獲取藥品銷(xiāo)售數(shù)量數(shù)據(jù)生成學(xué)習(xí)樣本；

S2，確定SVM的常數(shù)c和核函數(shù)σ的取值范圍，以及迭代結(jié)束條件即迭代次數(shù)；

S3，初始FA算法，根據(jù)每一次迭代計(jì)算螢火蟲(chóng)光強(qiáng)值I，判斷是否對(duì)螢火蟲(chóng)光強(qiáng)度I進(jìn)行位置更新；

S4，判斷迭代結(jié)束條件，找到最優(yōu)二維向量(c,g)，將該最優(yōu)二維向量(c,g)代入SVM向量機(jī)進(jìn)行訓(xùn)練和驗(yàn)證，對(duì)學(xué)習(xí)樣本進(jìn)行調(diào)整，最終得到藥品銷(xiāo)售預(yù)測(cè)結(jié)果。

所述的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法，優(yōu)選的，所述S3初始FA算法包括：

初始FA算法中α,γ,β₀的值:α是[0.1]上的隨機(jī)變量，γ為光強(qiáng)吸收系數(shù)，為大于0的隨機(jī)數(shù)，β₀為r＝0處的吸引力大小，可取初始值為1。隨機(jī)產(chǎn)生n只螢火蟲(chóng)位置，每一只螢火蟲(chóng)的位置對(duì)應(yīng)的一個(gè)二維向量(c,g)其中σ為核函數(shù)分布寬度。

所述的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法，優(yōu)選的，所述S3螢火蟲(chóng)光強(qiáng)值步驟包括：

若I_j＞I_i，則根據(jù)位置更新公式

第一項(xiàng)為變換前的空間坐標(biāo)位置，第二項(xiàng)為移動(dòng)偏移量，與吸引力大小相關(guān)，最后一項(xiàng)為隨即項(xiàng)，其中α為[0.1]上的隨機(jī)變量，rand服從[0.1]分布；

將x_i進(jìn)行更新，并同時(shí)根據(jù)公式

將當(dāng)前各只螢火蟲(chóng)光強(qiáng)度I進(jìn)行更新。

所述的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法，優(yōu)選的，所述S4包括：

S4-1，達(dá)到迭代結(jié)束條件，則停止迭代，找到光強(qiáng)最大的螢火蟲(chóng)x_max，則找到最優(yōu)的二維向量(c,g)；

S4-2，為加快SVM運(yùn)算速度，對(duì)即將輸入SVM的數(shù)據(jù)進(jìn)行0-1歸一化處理

S4-3，將最優(yōu)解(c,g)帶入SVM向量機(jī)進(jìn)行模型訓(xùn)練和驗(yàn)證。

所述的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品預(yù)測(cè)方法，優(yōu)選的，還包括：

當(dāng)r_i,j距離不大時(shí)，采取用反比例多項(xiàng)式函數(shù)代替反比例指數(shù)函數(shù)的方式，對(duì)光強(qiáng)度和吸引力強(qiáng)度進(jìn)行運(yùn)算，使結(jié)果更加精確。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

本發(fā)明中，改進(jìn)螢火蟲(chóng)算法是通過(guò)運(yùn)用反比例多項(xiàng)式函數(shù)替代原反比例指數(shù)函數(shù)，進(jìn)行低速率收斂。通過(guò)對(duì)比SVM、BP和多項(xiàng)式回歸藥品預(yù)測(cè)方法，能夠驗(yàn)證本發(fā)明在藥品銷(xiāo)量的預(yù)測(cè)精準(zhǔn)度。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是本發(fā)明總體流程圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。

在本發(fā)明的描述中，除非另有規(guī)定和限定，需要說(shuō)明的是，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是機(jī)械連接或電連接，也可以是兩個(gè)元件內(nèi)部的連通，可以是直接相連，也可以通過(guò)中間媒介間接相連，對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)的具體含義。

圖1是實(shí)現(xiàn)本發(fā)明的藥品銷(xiāo)售預(yù)測(cè)的流程圖，其主要包括以下步驟：利用本發(fā)明的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法，獲得最新位置x_j、最大光強(qiáng)螢火蟲(chóng)x_max及所對(duì)應(yīng)的最優(yōu)二維向量(c,g)；將其帶入SVM向量機(jī)中進(jìn)行模型訓(xùn)練，生成最終SVM網(wǎng)絡(luò)模型；帶入驗(yàn)證數(shù)據(jù)，輸出藥品銷(xiāo)售預(yù)測(cè)值P。

下面說(shuō)明本發(fā)明的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品銷(xiāo)量預(yù)測(cè)方法：

A、收集某類(lèi)藥品2012至2016年的銷(xiāo)售量，生成學(xué)習(xí)樣本；

B、確定SVM的常數(shù)c和核函數(shù)σ的取值范圍，以及迭代結(jié)束條件即迭代次數(shù)；

C、初始FA算法中α,γ,β₀的值:α是[0.1]上的隨機(jī)變量，γ為光強(qiáng)吸收系數(shù)，為大于0的隨機(jī)數(shù)，β₀為r＝0處的吸引力大小，可取初始值為1。隨機(jī)產(chǎn)生n只螢火蟲(chóng)位置，每一只螢火蟲(chóng)的位置對(duì)應(yīng)的一個(gè)二維向量(c,g)其中σ為核函數(shù)分布寬度；

D、根據(jù)每一次迭代計(jì)算螢火蟲(chóng)光強(qiáng)值I，判斷是否進(jìn)行位置更新

若I_j＞I_i，則根據(jù)位置更新公式

第一項(xiàng)為變換前的空間坐標(biāo)位置，第二項(xiàng)為移動(dòng)偏移量，與吸引力大小相關(guān)，最后一項(xiàng)為隨即項(xiàng)，其中α為[0.1]上的隨機(jī)變量，rand服從[0.1]分布；

將x_i進(jìn)行更新，并同時(shí)根據(jù)公式

將當(dāng)前各只螢火蟲(chóng)光強(qiáng)度I進(jìn)行更新；

E、達(dá)到迭代結(jié)束條件，則停止迭代，找到光強(qiáng)最大的螢火蟲(chóng)x_max，則找到最優(yōu)的二維向量(c,g)；

F、為加快SVM運(yùn)算速度，對(duì)即將輸入SVM的數(shù)據(jù)進(jìn)行0-1歸一化處理

G、綜合結(jié)果，將最優(yōu)解(c,g)帶入SVM向量機(jī)進(jìn)行模型訓(xùn)練和驗(yàn)證，根據(jù)預(yù)測(cè)結(jié)果，對(duì)學(xué)習(xí)樣本進(jìn)行調(diào)整，最終得到預(yù)測(cè)方法。

本發(fā)明所述的基于反比例多項(xiàng)式函數(shù)螢火蟲(chóng)優(yōu)化算法的支持向量機(jī)藥品銷(xiāo)量預(yù)測(cè)方法的有益效果是：通過(guò)與SVM、BP和多項(xiàng)式回歸藥品預(yù)測(cè)方法進(jìn)行比較，IPFFA-SVM實(shí)際值的周?chē)鷽](méi)有劇烈的波動(dòng)且誤差率幾近最小，在藥品銷(xiāo)量預(yù)測(cè)方面具有更好的穩(wěn)定性和可靠性?，F(xiàn)有經(jīng)典螢火蟲(chóng)算法是基于自然界中螢火蟲(chóng)的熒光群聚活動(dòng)而提出的一種新型計(jì)算智能方法?；诩俣ㄋ形灮鹣x(chóng)都是單性的，以至于任何一只螢火蟲(chóng)都被另外一只所吸引并移動(dòng)；任何一只螢火蟲(chóng)的吸引力與自身亮度成正比；螢火蟲(chóng)的亮度與目標(biāo)函數(shù)值相關(guān)，對(duì)于最大值問(wèn)題，亮度強(qiáng)弱正比于目標(biāo)函數(shù)值；針對(duì)以上情況，此算法會(huì)產(chǎn)生目標(biāo)函數(shù)值以指數(shù)級(jí)的速率單調(diào)遞減的特點(diǎn)?；诖?，則(本發(fā)明)當(dāng)r_i,j距離不大時(shí)，為避免反比例指數(shù)函數(shù)的快速收斂，采取用反比例多項(xiàng)式函數(shù)進(jìn)行替代，對(duì)光強(qiáng)度和吸引力強(qiáng)度進(jìn)行運(yùn)算。利用以上改變，將最優(yōu)解g＝(C,g)帶入SVM向量機(jī)進(jìn)行訓(xùn)練和驗(yàn)證，通過(guò)對(duì)比SVM、BP和多項(xiàng)式回歸預(yù)測(cè)方法，可以提高藥品銷(xiāo)量的預(yù)測(cè)精準(zhǔn)度。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。