賀紫珺

摘 要：隨著醫(yī)療器械供應(yīng)鏈管理朝著信息化和透明化的趨勢發(fā)展，市面上出現(xiàn)了越來越多醫(yī)療器械供應(yīng)鏈平臺(tái)。但這些供應(yīng)鏈平臺(tái)的倉儲(chǔ)模式比較繁瑣，需要人工確認(rèn)訂單所需商品信息，大量訂單產(chǎn)生后使倉庫配貨造成人工失誤的幾率越來越大。由于每筆訂單中相同手術(shù)部位所需器械大部分相同，本系統(tǒng)分析了業(yè)務(wù)訂單中客戶長期搭配購買的醫(yī)療器械，通過使用Apriori算法和泊松分布計(jì)算商品之間和商品數(shù)量之間的關(guān)聯(lián)關(guān)系，從而設(shè)計(jì)了多套預(yù)配貨模板，這些模板使倉庫人員可以提前準(zhǔn)備與模板相匹配的預(yù)配貨箱子，從而提高倉庫的配貨效率。

關(guān)鍵詞：醫(yī)療器械供應(yīng)鏈;預(yù)配貨;關(guān)聯(lián)規(guī)則;Apriori算法

文章編號(hào)：2095-2163（2019）04-0051-04 中圖分類號(hào)：TP311.13 文獻(xiàn)標(biāo)志碼：A

0 引 言

中國醫(yī)療器械產(chǎn)業(yè)整體發(fā)展勢頭迅猛，為醫(yī)療器械專業(yè)物流帶來了廣闊的發(fā)展機(jī)遇。但是，由于器械設(shè)備的專業(yè)性、產(chǎn)品以及流通渠道的特殊性，醫(yī)療器械物流一直未能受到廣泛重視，專業(yè)的第三方醫(yī)療器械物流企業(yè)數(shù)量寥寥無幾，主要原因在于行業(yè)監(jiān)管松散和技術(shù)應(yīng)用落后[1]。隨著信息技術(shù)及互聯(lián)網(wǎng)的飛速發(fā)展，各種信息數(shù)據(jù)正在快速的增長，電子商務(wù)也在經(jīng)歷飛速的發(fā)展，醫(yī)療器械電商配送漸成體系[2]，訂單數(shù)量急劇增長。倉庫中需要大量重復(fù)利用的訂單使配貨流程變得更加繁瑣，急需一套能夠幫助企業(yè)節(jié)省配貨效率的方法。

本文利用數(shù)據(jù)挖掘相關(guān)技術(shù)設(shè)計(jì)一套企業(yè)預(yù)配貨模板，利用關(guān)聯(lián)規(guī)則分析器械之間的關(guān)聯(lián)關(guān)系，而Apriori算法是數(shù)據(jù)挖掘中進(jìn)行關(guān)聯(lián)規(guī)則挖掘的經(jīng)典算法。如文獻(xiàn)[3]利用Apriori算法挖掘高校學(xué)生成績，文獻(xiàn)[4]利用該算法挖掘高校Web日志，文獻(xiàn)[5]分析航空設(shè)備故障關(guān)聯(lián)關(guān)系，文獻(xiàn)[6]利用數(shù)據(jù)挖掘技術(shù)分析研究了電力系統(tǒng)二次設(shè)備缺陷等等。

利用關(guān)聯(lián)規(guī)則挖掘技術(shù)可以發(fā)現(xiàn)許多隱藏在數(shù)據(jù)背后的信息，如發(fā)現(xiàn)訂單的醫(yī)療器械之間相互關(guān)聯(lián)關(guān)系。本文利用關(guān)聯(lián)挖掘技術(shù)計(jì)算出訂單中相關(guān)的預(yù)配貨模板，使得系統(tǒng)管理員可以在供應(yīng)鏈平臺(tái)中添加預(yù)配貨模板，從而使倉庫人員提前通過預(yù)配貨模板在倉庫中裝配好與預(yù)配貨模板對應(yīng)的多個(gè)預(yù)配貨箱子，使得每次發(fā)貨時(shí)直接將預(yù)配貨箱子運(yùn)送給客戶，達(dá)到減少配貨時(shí)間、提高發(fā)貨效率的功能。

1 相關(guān)分析

1.1 關(guān)聯(lián)規(guī)則

如果2個(gè)或多個(gè)變量的取值之間存在某種規(guī)律性，則稱為關(guān)聯(lián)。關(guān)聯(lián)規(guī)則是尋找在同一個(gè)事件中出現(xiàn)不同項(xiàng)的相關(guān)性，在機(jī)器學(xué)習(xí)研究領(lǐng)域，學(xué)者們已經(jīng)提出多種關(guān)聯(lián)規(guī)則的挖掘算法，如Apriori、FP-growth、Eclat算法等，本文主要使用的是Apriori算法。

1.1.1 關(guān)聯(lián)規(guī)則相關(guān)定義

定義3 關(guān)聯(lián)規(guī)則的支持度。關(guān)聯(lián)規(guī)則的支持度是指事務(wù)數(shù)據(jù)庫D中，蘊(yùn)含有X以及Y事務(wù)占據(jù)全部事務(wù)的百分比，即：

一般將其看成是最小置信度，記為min_conf。

定義5 頻繁項(xiàng)集。滿足最小支持度的項(xiàng)集即為頻繁項(xiàng)集，記為Lk。

定義6 強(qiáng)關(guān)聯(lián)規(guī)則。強(qiáng)關(guān)聯(lián)規(guī)則指的是滿足最小支持度和最小置信度的規(guī)則。關(guān)聯(lián)規(guī)則挖掘過程分為2個(gè)步驟：找出事務(wù)數(shù)據(jù)庫中所有頻繁項(xiàng)集;由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。

1.1.2 Apriori算法

Apriori算法[3]是關(guān)聯(lián)規(guī)則中經(jīng)典算法之一。要想獲得頻繁k項(xiàng)集，必須通過頻繁k-1項(xiàng)集迭代得到，以此類推，得到全部項(xiàng)集。Apriori算法主要步驟如下：

（1）連接

（2）剪枝

（3）產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則

通過（1）和（2）步驟找出事務(wù)數(shù)據(jù)庫D中的頻繁項(xiàng)集Lk，通過以下步驟得到滿足最小支持度和最小置信度的關(guān)聯(lián)規(guī)則：

①計(jì)算出每個(gè)頻繁項(xiàng)集l的所有非空子集;

1.2 泊松分布

2 基于關(guān)聯(lián)規(guī)則的醫(yī)療器械預(yù)配貨模板的設(shè)計(jì)

本功能模塊通過分析大量相同手術(shù)部位的訂單信息，發(fā)現(xiàn)大部分訂單會(huì)搭配使用一些醫(yī)療器械。經(jīng)過分析與整理每一筆訂單里經(jīng)常會(huì)搭配出現(xiàn)的醫(yī)療器械，將這些醫(yī)療器械組合起來，形成一個(gè)預(yù)配貨模板。本文主要通過3個(gè)步驟設(shè)計(jì)企業(yè)預(yù)配貨模板：

（1）給每種器械進(jìn)行編號(hào)，通過關(guān)聯(lián)規(guī)則計(jì)算出搭配使用的醫(yī)療器械的編號(hào);

（2）通過泊松分布計(jì)算出相應(yīng)器械數(shù)量存在于訂單中的大概率區(qū)間;

（3）通過關(guān)聯(lián)規(guī)則分析各器械數(shù)量的大概率區(qū)間是否相關(guān)，若相關(guān)則各器械取能夠滿足大部分訂單的數(shù)量;若無關(guān)則取其中一個(gè)器械的大概率區(qū)間，分析出與之相關(guān)器械的取值區(qū)間，最后取這些區(qū)間里的中位數(shù)為預(yù)配貨模板里對應(yīng)器械的數(shù)量。

2.1 利用Apriori算法找出搭配使用的器械編號(hào)

2.2 [ZK（]利用泊松分布和Apriori算法得出每個(gè)模板中所有器械的數(shù)量

2.2.1 利用泊松分布計(jì)算出模板中器械數(shù)量的大概率分布區(qū)間

分別計(jì)算出當(dāng)x，y和z這3種類型器械進(jìn)行組合時(shí)，每種器械數(shù)量的概率分布：

3 實(shí) 現(xiàn)

3.1 基于關(guān)聯(lián)規(guī)則的醫(yī)療器械預(yù)配貨模板的實(shí)現(xiàn)

本文使用python實(shí)現(xiàn)Apriori算法計(jì)算預(yù)配貨模板，主要代碼如圖1所示。

圖1中有一個(gè)關(guān)鍵函數(shù)aprioriGen，主要用于生成候選項(xiàng)集，該函數(shù)主要功能為：

3.2 添加預(yù)配貨模板的實(shí)現(xiàn)

得到預(yù)配貨模板信息后，系統(tǒng)管理員將相應(yīng)的信息錄入系統(tǒng)，本部分功能主要是對預(yù)配貨模板的增刪改查，主要涉及的類見表4。

首先預(yù)配貨模板匯總頁面顯示所有的預(yù)配貨模板，該功能主要是通過PrematchTemplateInfoController類的findAllByPage方法實(shí)現(xiàn)，使用PC端創(chuàng)建新模板界面如圖2所示。該頁面保存模板的功能主要通過PrematchTemplateInfoController類的saveTemplate方法實(shí)現(xiàn)，查看模板信息是通過PrematchTemplateInfo Controller類的finddetail方法實(shí)現(xiàn)。

4 結(jié)束語

本文通過分析企業(yè)大量訂單信息，為減少企業(yè)配貨時(shí)間，提高企業(yè)配貨效率，結(jié)合數(shù)據(jù)挖掘中關(guān)聯(lián)挖掘的相關(guān)知識(shí)，利用Apriori算法和泊松分布為企業(yè)計(jì)算出與訂單相匹配的預(yù)配貨模板，使企業(yè)在下單之前通過該模板裝配好對應(yīng)器械和數(shù)量的預(yù)配貨箱子，從而通過訂單中商品信息直接進(jìn)行發(fā)貨操作。本方法經(jīng)過用戶的實(shí)際使用能夠滿足業(yè)務(wù)需求，并為其它類似系統(tǒng)的研發(fā)提供了借鑒。

參考文獻(xiàn)

[1]崔忠付. 我國醫(yī)療器械物流發(fā)展問題與趨勢分析[J]. 物流技術(shù)與應(yīng)用， 2015， 20 （11） ：50-51.

[2]葉楠. 醫(yī)療器械電商轉(zhuǎn)型的全渠道戰(zhàn)略—康復(fù)之家案例研究 [D]. 北京：北京外國語大學(xué)，2017.

[3]吳小東，曾玉珠. 基于Apriori算法的高校學(xué)生成績數(shù)據(jù)挖掘[J]. 廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2019，19（1）：31-36.

[4]王春玲，李川，李想. 基于Apriori算法的高校Web日志挖掘系統(tǒng)構(gòu)建[J]. 中國林業(yè)教育，2019，37（2）：22-26.

[5]陳秀秀，劉凱，馬雙濤，等. 基于Apriori算法的航空設(shè)備故障關(guān)聯(lián)分析[J]. 山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，34（1）：48-53.

[6]皇甫漢聰，肖招娣. 基于Apriori算法的電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)挖掘與分析研究[J]. 電子設(shè)計(jì)工程，2019，27（5）：6-9，15.

[7]TAN Pangning， STEINBACH M， KUMAR V. 數(shù)據(jù)挖掘?qū)д揫M]. 范明， 范宏建， 譯. 北京：人民郵電出版社，2010 .

[8]趙瑛. 關(guān)于泊松分布及其應(yīng)用[J]. 遼寧省交通高等專科學(xué)校學(xué)報(bào)，2009，11（2）：77-78.