基于深度学习的药店药品销售预测【matlab+仿真数据】

✅博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

基于深度学习的药店药品销售预测模型旨在利用历史药品消费数据，结合会员特征信息，通过特征工程和深度学习算法预测药品的未来销售情况。本文的主要内容包括特征工程、样本不平衡处理、深度学习模型设计和基于遗传算法的模型参数优化。

一、数据集特征工程与样本不平衡问题的解决方案

1. 特征选择问题

药店药品销售预测面临着不同种类药品、不同会员群体带来的特征选择问题。不同药品有不同的目标用户群体，这使得历史购药数据中的特征复杂多样，无法采用统一的静态特征来处理所有药品。为此，本文提出了一种动态特征选择方法，根据每种药品的特定特征集来提取最佳的特征组合，以提高模型的泛化能力。

主要做法包括：

• 动态特征提取：通过分析药品种类及其销售数据，动态筛选与当前药品销售预测相关的特征集。剔除无关特征，避免这些无效特征对模型性能的负面影响。
• 特征工程：对原始数据进行特征扩展，结合时间、药品种类、会员购买历史等数据，构建更多有用的特征用于模型训练。

2. 样本不平衡问题

药品销售数据通常表现出严重的样本不平衡问题，即大部分药品的销售量较少，而少数药品的销售量较大，这对模型的训练和预测能力产生了不利影响。

• SS-KSMOTE算法：本文提出了一种改进的SMOTE算法——SS-KSMOTE。该算法通过生成新的正样本（高销量药品数据），减少负样本（低销量或无销量药品数据）的数量，达到样本均衡的目的。与传统的过采样或欠采样方法相比，SS-KSMOTE避免了过拟合和欠拟合问题。
• 分层抽样与SMOTE对比：为了验证SS-KSMOTE的有效性，本文将其与传统的分层抽样（Stratified Sampling）和经典SMOTE算法进行了对比实验。实验表明，SS-KSMOTE在药品销售预测的场景下表现更优。

二、基于深度学习的销售预测模型设计

为了更准确地预测药品销售情况，本文设计了三种基于深度学习的模型，并进行对比实验。采用的三种模型分别是DNN、DNN+Attention和BiGRU+Attention，结构依次增加复杂度，以提高对复杂数据的预测能力。

1. 深度神经网络（DNN）

基本的DNN模型由多层全连接网络组成，输入为经过特征工程处理后的药品销售历史数据。模型通过前向传播和反向传播不断优化参数，最终输出预测结果。DNN具有较强的特征提取能力，但对于长序列数据的时间依赖性捕捉较弱，因此本文进一步设计了包含Attention机制和GRU网络的改进模型。

2. DNN+Attention

Attention机制能够根据输入数据的重要性分配不同的权重，从而提升模型对关键数据的捕捉能力。DNN+Attention模型在原有的DNN基础上，加入了Attention层，使得模型能够更好地处理销售数据中的长依赖性特征。

3. BiGRU+Attention

双向门控循环单元（BiGRU）模型通过捕捉数据的双向依赖性（即前后文信息），进一步提升了模型对药品销售数据的理解能力。BiGRU模型结合Attention机制，使得模型能够在复杂的时间序列数据中进行更为准确的预测。

三、遗传算法优化深度学习模型参数

为了进一步提升模型的预测精度，本文采用遗传算法（GA）对深度学习模型的参数进行了优化。遗传算法是一种基于自然选择与遗传机制的全局优化算法，能够有效搜索到深度学习模型的最优参数组合。

1. 遗传算法流程

• 个体编码：本文使用实数编码，将深度学习模型的参数（如学习率、层数、神经元个数等）作为个体进行编码。
• 适应度函数：采用准确率、精确率、召回率和F1作为适应度函数，用于评价每个个体的优劣。
• 选择策略：基于精英保留策略和低适应度排名策略，确保选择的个体具有多样性，并避免算法早熟收敛。
• 交叉与变异：设计了基于交叉和变异的优化算子，使得算法能够平衡局部搜索与全局搜索，加快模型参数优化的速度。

2. SM_GA优化方法

本文提出了基于GA优化的SM_GA方法，用于深度学习模型参数的优化。在遗传算法的基础上，增加了种群个体的多样性保护策略，并通过多种优化策略加速算法收敛。与传统的参数优化方法相比，SM_GA能够更快、更准确地找到模型的最优参数组合。

四、仿真实验与结果分析

在实验部分，本文设计了四种不同的仿真方案，并使用改进的粒子群优化算法对药品销售预测进行了优化调度。通过对多个模型和优化方法的对比，实验结果表明：

• 模型性能对比：BiGRU+Attention模型在准确率、精确率、召回率和F1值方面表现最好，优于DNN和DNN+Attention模型。
• 优化方法对比：遗传算法优化后的BiGRU+Attention模型，在所有评价指标上均显著优于未优化的模型。
• SS-KSMOTE采样方法：相较于分层抽样和SMOTE采样方法，SS-KSMOTE在处理样本不平衡问题时表现出色，有效提高了模型的预测精度和稳定性。

参数定义：

数据标准化化处理：

预测结果：

% 数据准备
data = load('pharmacy_sales_data.mat'); % 加载药品销售数据
X = data.features; % 输入特征
y = data.labels;   % 销售标签

% 划分训练集和测试集
train_ratio = 0.8;
[X_train, X_test, y_train, y_test] = train_test_split(X, y, train_ratio);

% 构建DNN模型
layers = [
    sequenceInputLayer(size(X_train, 2))
    fullyConnectedLayer(64)
    reluLayer
    fullyConnectedLayer(32)
    reluLayer
    fullyConnectedLayer(1)
    regressionLayer];

% 训练模型
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 32, ...
    'InitialLearnRate', 0.001, ...
    'Shuffle', 'every-epoch', ...
    'Plots', 'training-progress', ...
    'Verbose', false);

net = trainNetwork(X_train, y_train, layers, options);

% 模型预测
y_pred = predict(net, X_test);

% 评价指标
mse_value = mse(y_test, y_pred);
fprintf('均方误差: %.4f\n', mse_value);