蒲 松

(成都工业学院 经济与管理学院，成都 611730)

血液的短缺会严重影响患者的治疗，导致死亡率的增加[1-2]。学者研究了血液中心医院的库存管理策略，通过有效的库存管理策略较好地解决血液需求的不确定性，减少血液的浪费[3]。但是，血液的易腐性给库存管理带来了极大的挑战。特别是血小板，因生命周期超短，其库存管理政策仍在探索阶段[4]。实际上，若能准确预测医院、血液中心的血液需求量，不但能降低成本，减少用血浪费，减少血液的过量储存，还能根据需求，制定血液产品的采购计划、血液征集计划、生产计划，因此，准确的需求预测是所有供应链规划的基础，它会影响运营计划、产能、运输和库存水平；它可以在保持所需服务水平的同时减少剩余库存，而在该方面的研究却相对匮乏[5]。近年来，机器学习方法发展迅速，并在短期交通流、客流量预测中显示出了较好的效果，且也广泛运用到血液管理的相关研究。如Bhardwaj等[6]运用朴素贝叶斯法、决策树J48、随机树、K-均值聚类等算法将血液捐赠者的信息从大数据集中分类，预测献血者的献血行为。Beline等[7]运用监督的机器学习方法准确预测了重症监护室患者中央导管相关血流感染状况。

因此，本文结合机器学习方法预测血液中心的血小板日均需求量，提出了集成经验模态分析(Empirical Mode Decomposition，EMD)与长短期记忆神经网络(Long Short-Term Memory，LSTM)的血小板需求预测方法，并在输入变量中融合了天气状态，有效提高了预测的准确度。

1 集成……

登录APP查看全文