研究人员针对受监管市场中药品需求易受季节波动、流行病暴发及政策调整影响而呈现非平稳性的问题，提出了一种用于土耳其药品需求预测的混合残差学习框架。该方法采用支持向量回归（SVR）捕捉需求的基线趋势，并利用深度神经网络（DNN）学习剩余的非线性残差波动。研究基于某国家级药品分销商的真实ERP数据，涵盖10种关键药品的24个月历史需求记录，并通过时间保持（temporal holdout）测试与ARIMA、Prophet、随机森林、XGBoost及长短期记忆网络（LSTM）进行对比验证。统计检验采用配对t检验与Diebold-Mariano检验。结果表明，该SVR-DNN混合模型在预测误差与解释力上均优于单一模型及传统基准模型。通过分离基线估计与残差校正，并结合SHAP（SHapley Additive exPlanations）分析，该框架在扰动敏感的药品需求场景下实现了高精度与可解释性的平衡，为监管环境下的药品供应链管理提供了情境感知的预测工具。
该研究发表于《Frontiers in Artificial Intelligence》。研究背景聚焦于制药供应链在医疗体系中的核心地位，其药品可得性、库存周转及配送可靠性直接关联公共卫生安全。在土耳其这一新兴且高度管制的市场，药品需求受到集中定价、报销制度及采购流程的多重约束，导致传统依赖线性与平稳假设的统计模型（如ARIMA）难以应对非线性扰动。现有机器学习研究虽能捕捉非线性关系，但多孤立使用单一模型，缺乏对基线需求与不规则扰动的显式分离，且在解释性上存在不足。为此，研究人员开发了一种基于残差学习的混合SVR-DNN框架，旨在提升在监管与季节性双重扰动下的预测精度与可解释性。
研究人员采用了几项关键技术方法。数据来源于土耳其一家全国性药品分销商的ERP系统，选取10种高周转药品（包括抗生素、止痛药、抗组胺药等）共24个月的月度需求数据。在特征工程方面，构建了滞后3个月的需求特征，并引入了月份变量、公共假期及流感季（11月至次年2月）作为情境变量。模型架构采用两阶段设计：第一阶段利用SVR（径向基核函数）拟合需求基线；第二阶段利用全连接DNN（两层隐藏层，神经元数分别为64和32，激活函数为ReLU）学习SVR预测残差。为防止过拟合，采用了时间感知的交叉验证、早停法（patience=10）及Dropout（率=0.2）技术。模型评估采用MSE、MAE、MAPE及R2 ，并通过配对t检验和Diebold-Mariano检验验证统计显著性。此外，引入SHAP（KernelExplainer）进行模型解释，量化各特征对预测结果的贡献。
研究结果如下：
4.1 跨多种产品的预测准确性
通过对扑热息痛（季节性）、依那普利（慢性用药）和氯雷他定（促销敏感型）三种代表性产品的测试，混合模型表现出最强的适应性。DNN虽能捕捉时间模式但易对短期波动反应过度，SVR则因平滑效应低估季节性峰值。混合模型有效结合了SVR的稳定性与DNN的灵敏度，在扑热息痛的流感高峰期（11月-12月）显著减少了单一模型的预测偏差。
4.2 预测可视化与时间趋势
可视化分析进一步证实，混合模型在追踪季节性峰值（OTC药物）、稳定需求（慢性病药物）及促销引发的波动方面均表现最佳。DNN的训练损失曲线显示模型收敛良好，且训练集与测试集表现接近，表明无严重过拟合现象。
4.3 误差指标
在包含ARIMA、Prophet、Random Forest、XGBoost及LSTM在内的广泛基准测试中，混合模型取得了最优指标：MSE为972.4，MAE为23.8，MAPE为7.8%，R2 达到0.935。相比单一SVR，MSE降低了77.6%；相比单一DNN，MSE降低了14.5%。配对t检验显示所有比较的p值均小于0.001，证明性能提升具有统计学显著性。
4.4 预测区间与不确定性
混合模型不仅点预测最准，其基于残差的95%预测区间宽度（±61.11）也是最窄的，优于SVR（±129.09）和DNN（±66.11）。这表明该模型在提供精确预测的同时，能有效降低需求不确定性，有助于优化安全库存决策。
4.5 预测准确性的统计显著性
Diebold-Mariano（DM）检验在10个SKU层面的结果显示，混合模型在9个SKU上显著优于SVR（p<0.05），在8个SKU上显著优于DNN。所有10个SKU的DM统计量均为正值，表明混合模型的预测损失一致低于基准模型。
4.6 鲁棒性检查：滚动前向验证
针对SKU-01和SKU-05的滚动前向验证显示，随着训练窗口的扩大，混合模型的MAE保持在静态分割结果附近（SKU-01平均为24.16，静态为24.20），证明了模型在不同预测起点下具有稳定的时间鲁棒性。
4.7 预测行为讨论
讨论指出，SVR擅长捕捉长期稳定趋势但在波动期表现欠佳；DNN虽能学习非线性关系但对噪声敏感。混合模型通过SVR提取基线、DNN校正残差的结构，成功平衡了偏差与方差。这种显式的结构分离不仅提升了预测性能，还增强了模型对监管与季节性扰动的解释能力。
4.8 运营启示
该框架为土耳其药品分销商提供了实际运营优势。更高的预测精度优化了库存管理，减少了紧急采购与产品过期损耗。结合SHAP的可解释性增强了供应链规划师、药剂师及医院管理者对模型建议的信任，有助于满足监管审计要求。
4.9 土耳其制药背景的特定案例分析
混合模型特别契合土耳其市场的动态特性。模型将流感季、公共假期作为外生变量，有效应对了媒体发布的公共卫生预警引发的全国性需求激增，以及集中式官僚采购体系带来的区域性短缺风险。
4.10 对预测时长的敏感性
实验表明，混合模型在单月和三月预测跨度下均保持稳定性能。相比之下，SVR在长期预测中表现下降，DNN则因时间滞后误差累积而精度降低。混合模型的残差学习机制使其能同时兼顾短期波动与长期趋势，适用于医疗保健物流的多周期规划。
5. 敏感性与鲁棒性分析
敏感性分析表明，3个月的滞后长度（Lag=3）为最佳设置。鲁棒性测试显示，加入高斯噪声后，DNN和混合模型的MSE增幅不到7%，远优于SVR的20%增幅。在不同产品类别（慢性病药、OTC药、季节性药）的一致性评估中，混合模型在所有类别中均优于单一模型，证明了其广泛的适用性。
研究结论部分总结如下：研究人员提出的SVR-DNN混合框架在土耳其药品需求预测中显著优于现有模型，通过显式分离基线需求与扰动驱动的残差变化，实现了高精度与强解释性的统一。该方法不仅降低了预测误差，还通过更窄的预测区间提升了库存管理的确定性。尽管受限于24个月的数据时长及单一国家分销商的数据来源，该框架为高度管制和扰动敏感的制药环境提供了一种有效的预测范式。未来的研究应扩展至更长的时序数据、独立的分销网络，并探索LSTM或Transformer等序列模型在残差学习中的应用潜力。
打赏
