链上镖师 / Chain Biaoshi
Omega|医院药品库存决策：预测与优化一体化框架
把需求历史、感染、天气、搜索指数和医院信息接入同一训练链路，直接面向缺货与积压成本生成订货量
这篇 Omega 论文把医院药品需求预测和订货决策放进同一个多通道神经网络，在北京医院真实数据上让 MC-IFO 的平均库存成本降到两阶段方法的 0.64。
- 01：研究对象是单医院单药品的周度订货问题，需求波动受采购历史、急性呼吸道感染、天气、百度搜索指数和人口密度共同影响。
- 02：模型用四个数据通道提取时序特征，再用门控网络分配权重，并把库存成本函数接入训练目标，直接输出订货量。
- 03：实验覆盖 22 家医院 52 周数据，测试集为 Hospital 19 至 Hospital 22，结果显示模型通过更主动的安全库存降低缺货成本。
研究背景
医院药房的药品库存管理同时牵涉服务连续性和成本控制。需求高估会带来药品积压和过期风险，需求低估会造成缺货、替代用药或紧急补货。论文把这一问题放在急性呼吸道感染、气象变化、线上搜索行为和区域人口差异共同作用的场景中分析。
传统药品需求预测常依赖历史采购记录，难以吸收流行病学、天气和公众行为信号。论文指出，疫情或季节性疾病高峰会让需求发生突变，单纯追求预测误差较低并不能保证订货策略的成本表现，因为库存决策面对的是缺货成本和超量持有成本的共同约束。
这项研究的主线很明确：医院需要的模型要同时读懂多源上下文，并把预测结果转化为成本可控的订货量。
核心问题
论文提出两个核心问题。第一，如何把历史订货、医院感染、天气、搜索指数和人口密度等异构数据合成一套可用于药品需求预测的信号系统。第二，如何把需求预测和订货量优化联动起来，使训练目标服务于最终库存成本。
测试数据范围
4家医院
测试集包括 Hospital 19 至 Hospital 22 的 52 周数据。
输入窗口
6周预测1周
实验采用 6-to-1 的历史输入和下一周需求输出结构。
模型处理的是单药品、单医院、离散周期的随机需求库存问题。每周开始前，医院根据期初库存和未来需求判断订货量；订得少会产生缺货或替代成本，订得多会产生持有成本，损失函数用不同参数刻画这两类代价。
1输入多源上下文：需求历史、天气、搜索指数、医院感染与人口信息。
2预测需求分布：多通道神经网络提取各类时序特征。
3嵌入订货决策：决策层根据成本函数输出订货量。
4用真实需求回传损失：模型围绕库存成本更新参数。
方法框架
Fig. 1：医院药品库存 MC-IFO 处方分析框架。图中把多源输入、MC-IFO 模型、决策层和订货输出连成端到端流程，来源：Fig. 1。
MC-IFO 的框架把多源数据先输入多通道模型，再经过决策层生成订货量。模型训练时使用决策导向损失，损失根据模型订货量和真实需求之间的差异计算库存成本，梯度沿决策层和预测网络回传，推动特征表示贴近成本最小化目标。
Fig. 2：MC-IFO 多通道集成预测与优化模型结构。图中展示需求、天气、搜索指数和医院四个通道、门控融合网络以及决策层，来源：Fig. 2。
四个通道分别处理历史需求、气象变量、症状相关搜索趋势和医院端流行病学数据。每个通道采用 GRU 捕捉时序依赖，门控网络用 softmax 给出动态权重，再把各通道预测合成为最终需求估计，并交给嵌入式优化层生成订货决策。
Fig. 3：预测空间与决策空间示意。图中说明 IFO 方法通过参数到决策的映射扩大可搜索空间，服务于库存成本目标，来源：Fig. 3。
案例或实验设置
Table 1：周度数据变量说明与分类。表中列出药品采购、急性呼吸道感染、人口密度、气象指标和百度搜索指数，来源：Table 1。
实证数据来自北京医院。日度原始记录经脱敏后聚合为周度数据，医院标识匿名化处理。需求和医院感染数据包含 22 家医院 52 周记录，共 1144 个观测；人口密度覆盖医院所在的 14 个区；气象和搜索指数按 52 周对齐。
变量分为四类：需求端使用医院药品采购量，医院端使用急性呼吸道感染报告数和人口密度，气象端包括平均气温、最高温、最低温、相对湿度、气压、PM2.5、PM10 和空气质量指数，搜索端包括流感、呼吸道感染、发热、咳嗽、咽痛等百度指数。
Fig. 4：两阶段方法在测试集上的预测、成本和订货决策分析。图中展示四家医院的需求预测、订货量和累计库存成本，来源：Fig. 4。
基准方法采用相同网络结构和超参数，先用 MSE 训练多通道神经网络预测需求，再把预测值输入外部 QP 求解器计算订货量。MC-IFO 则把 QP 求解器纳入学习过程，用库存成本作为训练目标，实验设计保证差异主要来自训练目标和决策集成方式。
结果分析
Fig. 5：MC-IFO 在测试集上的预测、成本和订货决策分析。图中展示模型在四家医院的订货策略和成本结构，来源：Fig. 5。
两阶段方法在测试集上容易形成偏保守的订货策略，库存成本主要由缺货导致的替代成本驱动。MC-IFO 在缺货惩罚更高的设定下提高订货量，形成适度安全库存，使成本结构从缺货主导转向超量持有主导。
Table 3：两阶段方法与 MC-IFO 的缺货、超量需求累计成本占比。表中显示 MC-IFO 平均成本比为 0.64，来源：Table 3。
Table 3 给出的平均结果很直接：两阶段方法 92.29% 的成本来自未满足需求，MC-IFO 的未满足需求成本占比降至 41.99%，超量需求成本占比升至 58.01%。从总成本看，MC-IFO 的平均成本为两阶段方法的 0.64，相当于平均降低 36%。
Fig. 6：两阶段方法与 MC-IFO 的订货量分布比较。箱线图显示 MC-IFO 的订货量中位数、均值和高值订单分布特征，来源：Fig. 6。
管理启示
Table 4：不同损失参数对两阶段方法和 MC-IFO 库存管理表现的影响。表中比较总成本、缺货损失占比、超量损失占比、服务水平和成本比，来源：Table 4。
敏感性分析显示，在五组 b 大于 h 的成本参数下，MC-IFO 的总成本均低于两阶段方法，成本比范围为 0.64 至 0.88。以 b=20、h=2 为例，两阶段方法总成本为 6685.78，服务水平为 90.54%；MC-IFO 总成本降至 4311.14，服务水平升至 99.92%。
Fig. 8：不同惩罚配置下总成本与服务水平的权衡。图中箭头从两阶段方法指向 MC-IFO，展示成本下降和服务水平提升的共同移动，来源：Fig. 8。
对医院药房管理者来说，关键启示是把缺货风险参数明确写入模型训练目标。论文结果表明，当未满足需求代价高于持有成本时，MC-IFO 会主动提高安全库存，以较高服务水平换取更低总成本，这符合关键药品保障的运营逻辑。
这篇论文的可用价值在于把药品库存从预测准确率考核推进到订货成本考核：多源数据负责识别需求变化，决策导向训练负责把这种识别能力转成可执行的订货量。
论文：Prescriptive analytics for hospital drug inventory: A context-aware multi-channel neural network for integrated forecasting and optimization
作者：Jie Chen，Zeshui Xu，Bin Zhu
期刊：Omega
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
