[发明专利]一种用于血液需求量预测方法以及血液动态库存预警系统

权利要求书

1.一种用于血液需求量预测方法，其特征在于，该方法包括：

从历史用户数据集中获取原始特征，将原始特征通过梯度提升决策树GBDT算法进行训练得到对应的组合特征，或者利用梯度提升决策树算法重构更加有效的特征；

把原始特征和组合特征或者新特征一起进行模型训练，根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户输血量的特征参数集来训练输血量预测模型；

根据当前患者输血相关信息、输血量预测模型，确定患者个体的输血量。

2.根据权利要求1所述的方法，其特征还在于，该方法还包括：

以预定科室的历史血液用量历史信息作为输入，形成按时间排列的离散值构成的曲线；

判断曲线是否出现波动，如果出现波动，则使用多阶差分进行平稳化调整，直到曲线稳定差分参数为零；

根据平滑的时间序列信息建立自回归移动平均时序模型，并确定阶数；

根据各科室的历史信息对所述模型参数进行估计和检测；

根据所建立的模型以及参数，当前预定科室患者对应的输血信息对一段时间内的输血量进行预测。

3.根据权利要求2或3所述的方法，其特征还在于，当前患者输血信息包括输血时间信息。

4.根据权利要求2所述的方法，其特征还在于，分别以历史的手术用血、治疗用血的输注量历史信息作为输入，结合时间信息，建立第一时序模型、第二时序模型，根据所述第一时序模型、第二时序模型确定未来几天的供血量。

5.根据权利要求2所述的方法，其特征还在于，将各个患者个体的输血量进行累加，再将累加的结果与预定科室预测的输血量进行求和，确定未来几天内的用血需求量；

根据所述用血需求量与供血量建立血液库存预警模型；

根据当前求和的输血液需求量、血液库存预警模型进行库存血量预警。

6.一种血液动态库存预警系统，该系统包括：

单体特征构建模块，用于从历史用户数据集中获取原始特征，将原始特征通过梯度提升决策树GBDT算法进行训练得到对应的组合特征，或者利用梯度提升决策树算法重构更加有效的特征；

单体输血量预测模型模块，用于把原始特征和组合特征或者新特征一起进行模型训练，根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户输血量的特征参数集来训练输血量预测模型；

第一输血量计算模块，根据当前患者输血信息、输血量预测模型，确定患者个体的输血量。

7.根据权利要求1所述的系统，其特征还在于，该系统还包括：

科室特征构建模块，用于以预定科室的历史血液用量历史信息作为输入，形成按时间排列的离散值构成的曲线；判断曲线是否出现波动，如果出现波动，则使用多阶差分进行平稳化调整，直到曲线稳定差分参数为零；

科室输血模型模块，用于根据平滑的时间序列信息建立自回归移动平均时序模型，并确定阶数；

模型自适应单元，用于根据各科室的历史信息对所述模型参数进行估计和检测；

第二输血量计算模块，用于根据所建立的模型以及参数，当前预定科室患者对应的输血信息对一段时间内的输血量进行预测。

8.根据权利要求6或7所述的系统，其特征还在于，当前患者输血信息包括输血时间信息。

9.根据权利要求7所述的系统，其特征还在于，该系统还包括供血模型模块，用于分别以历史的手术用血、治疗用血的输注量历史信息作为输入，结合时间信息，建立第一时序模型、第二时序模型，根据所述第一时序模型、第二时序模型确定未来几天的供血量。

10.根据权利要求7所述的系统，其特征还在于，该系统还包括总血量确定模块，用于将各个患者个体的输血量进行累加，再将累加的结果与预定科室预测的输血量进行求和，确定未来几天内的用血需求量；

血液库存预警模型模块，用于根据所述用血需求量与供血量建立血液库存预警模型；

实时预警模块，用于根据当前求和的输血液需求量、血液库存预警模型进行库存血量预警。