基于關聯規則的醫療器械預配貨模板的設計與實現

賀紫珺

摘 要：隨著醫療器械供應鏈管理朝著信息化和透明化的趨勢發展，市面上出現了越來越多醫療器械供應鏈平臺。但這些供應鏈平臺的倉儲模式比較繁瑣，需要人工確認訂單所需商品信息，大量訂單產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部位所需器械大部分相同，本系統分析了業務訂單中客戶長期搭配購買的醫療器械，通過使用Apriori算法和泊松分布計算商品之間和商品數量之間的關聯關系，從而設計了多套預配貨模板，這些模板使倉庫人員可以提前準備與模板相匹配的預配貨箱子，從而提高倉庫的配貨效率。

關鍵詞：醫療器械供應鏈;預配貨;關聯規則;Apriori算法

文章編號：2095-2163（2019）04-0051-04 中圖分類號：TP311.13 文獻標志碼：A

0 引 言

中國醫療器械產業整體發展勢頭迅猛，為醫療器械專業物流帶來了廣闊的發展機遇。但是，由于器械設備的專業性、產品以及流通渠道的特殊性，醫療器械物流一直未能受到廣泛重視，專業的第三方醫療器械物流企業數量寥寥無幾，主要原因在于行業監管松散和技術應用落后[1]。隨著信息技術及互聯網的飛速發展，各種信息數據正在快速的增長，電子商務也在經歷飛速的發展，醫療器械電商配送漸成體系[2]，訂單數量急劇增長。倉庫中需要大量重復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節省配貨效率的方法。

本文利用數據挖掘相關技術設計一套企業預配貨模板，利用關聯規則分析器械之間的關聯關系，而Apriori算法是數據挖掘中進行關聯規則挖掘的經典算法。如文獻[3]利用Apriori算法挖掘高校學生成績，文獻[4]利用該算法挖掘高校Web日志，文獻[5]分析航空設備故障關聯關系，文獻[6]利用數據挖掘技術分析研究了電力系統二次設備缺陷等等。

利用關聯規則挖掘技術可以發現許多隱藏在數據背后的信息，如發現訂單的醫療器械之間相互關聯關系。本文利用關聯挖掘技術計算出訂單中相關的預配貨模板，使得系統管理員可以在供應鏈平臺中添加預配貨模板，從而使倉庫人員提前通過預配貨模板在倉庫中裝配好與預配貨模板對應的多個預配貨箱子，使得每次發貨時直接將預配貨箱子運送給客戶，達到減少配貨時間、提高發貨效率的功能。

1 相關分析

1.1 關聯規則

如果2個或多個變量的取值之間存在某種規律性，則稱為關聯。關聯規則是尋找在同一個事件中出現不同項的相關性，在機器學習研究領域，學者們已經提出多種關聯規則的挖掘算法，如Apriori、FP-growth、Eclat算法等，本文主要使用的是Apriori算法。

1.1.1 關聯規則相關定義

定義3 關聯規則的支持度。關聯規則的支持度是指事務數據庫D中，蘊含有X以及Y事務占據全部事務的百分比，即：

一般將其看成是最小置信度，記為min_conf。

定義5 頻繁項集。滿足最小支持度的項集即為頻繁項集，記為Lk。

定義6 強關聯規則。強關聯規則指的是滿足最小支持度和最小置信度的規則。關聯規則挖掘過程分為2個步驟：找出事務數據庫中所有頻繁項集;由頻繁項集產生強關聯規則。

1.1.2 Apriori算法

Apriori算法[3]是關聯規則中經典算法之一。要想獲得頻繁k項集，必須通過頻繁k-1項集迭代得到，以此類推，得到全部項集。Apriori算法主要步驟如下：

（1）連接

（2）剪枝

（3）產生強關聯規則

通過（1）和（2）步驟找出事務數據庫D中的頻繁項集Lk，通過以下步驟得到滿足最小支持度和最小置信度的關聯規則：

①計算出每個頻繁項集l的所有非空子集;

1.2 泊松分布

2 基于關聯規則的醫療器械預配貨模板的設計

本功能模塊通過分析大量相同手術部位的訂單信息，發現大部分訂單會搭配使用一些醫療器械。經過分析與整理每一筆訂單里經常會搭配出現的醫療器械，將這些醫療器械組合起來，形成一個預配貨模板。本文主要通過3個步驟設計企業預配貨模板：

（1）給每種器械進行編號，通過關聯規則計算出搭配使用的醫療器械的編號;

（2）通過泊松分布計算出相應器械數量存在于訂單中的大概率區間;

（3）通過關聯規則分析各器械數量的大概率區間是否相關，若相關則各器械取能夠滿足大部分訂單的數量;若無關則取其中一個器械的大概率區間，分析出與之相關器械的取值區間，最后取這些區間里的中位數為預配貨模板里對應器械的數量。

2.1 利用Apriori算法找出搭配使用的器械編號

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

2.2.1 利用泊松分布計算出模板中器械數量的大概率分布區間

分別計算出當x，y和z這3種類型器械進行組合時，每種器械數量的概率分布：

3 實 現

3.1 基于關聯規則的醫療器械預配貨模板的實現

本文使用python實現Apriori算法計算預配貨模板，主要代碼如圖1所示。

圖1中有一個關鍵函數aprioriGen，主要用于生成候選項集，該函數主要功能為：

3.2 添加預配貨模板的實現

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

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

4 結束語

本文通過分析企業大量訂單信息，為減少企業配貨時間，提高企業配貨效率，結合數據挖掘中關聯挖掘的相關知識，利用Apriori算法和泊松分布為企業計算出與訂單相匹配的預配貨模板，使企業在下單之前通過該模板裝配好對應器械和數量的預配貨箱子，從而通過訂單中商品信息直接進行發貨操作。本方法經過用戶的實際使用能夠滿足業務需求，并為其它類似系統的研發提供了借鑒。

參考文獻

[1]崔忠付. 我國醫療器械物流發展問題與趨勢分析[J]. 物流技術與應用， 2015， 20 （11） ：50-51.

[2]葉楠. 醫療器械電商轉型的全渠道戰略—康復之家案例研究 [D]. 北京：北京外國語大學，2017.

[3]吳小東，曾玉珠. 基于Apriori算法的高校學生成績數據挖掘[J]. 廊坊師范學院學報（自然科學版），2019，19（1）：31-36.

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

[5]陳秀秀，劉凱，馬雙濤，等. 基于Apriori算法的航空設備故障關聯分析[J]. 山東師范大學學報（自然科學版），2019，34（1）：48-53.

[6]皇甫漢聰，肖招娣. 基于Apriori算法的電力系統二次設備缺陷數據挖掘與分析研究[J]. 電子設計工程，2019，27（5）：6-9，15.

[7]TAN Pangning， STEINBACH M， KUMAR V. 數據挖掘導論[M]. 范明， 范宏建， 譯. 北京：人民郵電出版社，2010 .

[8]趙瑛. 關于泊松分布及其應用[J]. 遼寧省交通高等專科學校學報，2009，11（2）：77-78.