互联网、大数据、人工智能等技术的应用正在深刻地改变医药产业。论文研究依托在重庆建设试点的国内首个医药智能物流公共信息服务平台(以下简称“平台”),平台旨在积极推进药品、医疗器械从生产源头到终端销售的供应链整体协同与降本增效。平台在药械统一编码标准、电子交易、物流配送和在线结算基础上,实现医药供应链纵向、行业横向的互联互通与信息共享,经过5年的运营,沉淀了海量药械基础数据与业务数据,如何有效利用这些数据、增值数据价值并拓展延伸平台服务是论文的主要研究课题。论文以药品销量的精准预测为切入点,研究并设计了基于计算智能的算法模型,有针对性的为医药企业、医疗机构和监管部门提供重点品种用药预警、库存预警、流向预测、柔性生产决策等延伸应用服务。论文首先从思想导出、实施步骤、应用等方面,对典型解决药品预测问题的模型进行分析,为实现基于计算智能的新型药品销量预测模型的研究和设计奠定理论基础。从分析结果上看药品销量数据规律性不强,易受政策变化、突发性卫生事件、季节等诸多因素影响,导致预测效果不理想。因此,为解决这些问题,论文在平台沉淀的海量数据基础上,提出了基于萤火虫算法优化的支持向量机药品销量预测模型以及基于花朵授粉算法优化的支持向量机药品预测模型,形成了如下内容和创新:(1)基于反比例多项式函数萤火虫优化算法的支持向量机药品预测模型——IPPFA-SVM(Inverse Proportion Polynomials Firefly Algorithm-Support Vector Machine)。论文研究发现经典萤火虫算法中发光强度和吸引力强度在距离达到一定程度时,会导致目标函数值以指数级速率单调递减,收敛速度过快,从而使得最终输出值不准确,为了克服上述缺点,论文利用反比例多项式函数优化萤火虫算法,并与SVM相结合,提出了IPPFA-SVM。在算法实验中,选取了平台上销量最大与用量最广的两类药品的交易数据作为实验数据,通过对比经典支持向量机、多项式回归、ARIMA和混合预测模型等相关预测模型,发现IPPFA-SVM在预测药品销量方面具有更好的稳定性和可靠性,且预测误差率低于上述预测模型;SVM、BP、多项式回归、ARIMA、和混合预测模型(2)论文在研究花朵授粉算法的过程中,通过引入混沌正弦映射函数,利用中间过程混沌状态的动力学特性使经典花朵授粉算法逃离局部极小点,改善了花朵授粉算法中出现的寻优精度低、收敛速度慢、易陷入局部极小值等问题,并与SVM相融合,提出了CSMFPA-SVM(Chaotic Sine Map Flower Pollination Algorithm-Support Vector Machine)。通过选择平台交易数据中具有销量最大与用量最广的两类代表性药品数据作为模型的训练基础,按周、月、季度、年对其进行训练和验证,并将预测结果与经典支持向量机、多项式回归、ARIMA和混合预测模型预测结果进行比较。结果表明,此算法模型在预测药品销量方面具有更好的稳定性和可靠性,且预测误差率小于10%,同时较IPPFA-SVM具有更好算法复杂度;(3)将论文提出的IPPFA-SVM和CSMFPA-SVM与平台功能相结合,在重点监控品种合理用药预警、药品库存预警、药品销售流向预测、药品柔性生产决策等方面进行应用研究。在重点监控品种合理用药预警方面,运用IPPFA-SVM对比监控品种的实际用药量与预测用药量,当偏离值超过20%,则会向医疗机构和监管部门发布预警信息,有效控制药物滥用,对药物使用的合理性进行客观评价和监控;在药品库存预警方面,以CSMFPA-SVM预测单医疗机构的全品类药品销量为基础,自定义设置上下浮动比例作为库存预警上下限,并自动生成库存数据报告,实现差量自动补单,最大程度上实现库存管理的自动化与精细化;将IPPFA-SVM和CSMFPA-SVM用于药品销售流向预测,使重庆药械市场整体生产与配送数据相融合,为生产与经营企业提供精准化终端销售流向预测,实现资源合理化配置;将IPPFA-SVM和CSMFPA-SVM用于医药企业柔性生产辅助决策中,在历史交易数据基础上对生产的药品数量进行预测,完成生产要素的调度和生产过程控制。论文在综合考量政策、季节、气候等诸多影响因素,在药理分类、药品属性和用药特征基础上提出了两种新型药品预测模型——IPPFA-SVM和CSMFPA-SVM,在药品销量预测的稳定性和可靠性方面明显优于SVM、BP、多项式回归、ARIMA和混合预测模型等药品预测模型,在重点监控品种用药合理性的智能化预警、药品库存的精细化管理、药品销售流向的全局性预测、药品柔性生产的科学性决策等方面进行了有益的探索和应用,随着两种预测模型在医药智能物流公共信息服务平台中的不断深化和拓展,将充分释放信息高效协同的价值,改善医药产业从产品研发、销售、追溯、监管到反馈的全产业链的运作模式。