[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: آرشيو مقالات :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: جلد 14، شماره 4 - ( زمستان 1396 ) ::
جلد 14 شماره 4 صفحات 335-345 برگشت به فهرست نسخه ها
ارائه مدلی جهت پیش‌بینی تقاضا در زنجیره تامین پلاکت خون با رویکرد شبکه عصبی مصنوعی و مدل‌های آریما
دکتر فرزاد فیروزی جهانتیغ* ، بهاره فنودی، دکتر سهیلا خسروی
PhD مهندسی صنایع استادیار دانشکده مهندسی شهید نیکبخت ـ دانشگاه سیستان و بلوچستان
واژه‌های کلیدی: کلمات کلیدی: پلاکت‌های خون، آریما، انتقال خون
متن کامل [PDF 711 kb]   (445 دریافت)     |   چکیده (HTML)  (1101 مشاهده)
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
متن کامل:   (21 مشاهده)
ارائه مدلی جهت پیش‌بینی تقاضا در زنجیره تامین پلاکت خون با رویکرد
شبکه عصبی مصنوعی و مدل‌های آریما
 
فرزاد فیروزی جهانتیغ1، بهاره فنودی2، سهیلا خسروی3
 
چکیده
سابقه و هدف
یکی از مباحث عمده در سیستم­های بهداشت و درمان جهانی، مسئله بهبود عملکرد زنجیره تامین و عدم قطعیت موجود در تقاضا می­­باشد. هدف مطالعه حاضر، پیش بینی میزان تقاضای پلاکت خون با مدل­های شبکه عصبی مصنوعی و آریما، در زنجیره تامین سازمان انتقال خون استان سیستان و بلوچستان بود.
مواد و روش‌ها
در این مطالعه کاربردی، داده­های مربوط به تقاضا برای 8 نوع پلاکت خون در بازه زمانی سال‌های 1390 لغایت 1394 از مرکز انتقال خون زاهدان جمع‌آوری گردید. سپس با بهره‌گیری از مدل­های شبکه عصبی مصنوعی و آریما، پیش‌بینی تقاضای روزانه انجام پذیرفت. در انتها با توجه به معیار ارزیابی کارآیی MSE ، نتایج به دست آمده از روش­های مذکور با هم مقایسه شدند. تحلیل داده­ها با نرم‌افزارهای MatlabR2016b وEviews 6  انجام شد.
یافته‌ها
نتایج این مطالعه حاکی از دقت بالای مدل­های شبکه عصبی و سپس آریما نسبت به روند فعلی سازمان بود. دقت میانگین با توجه به MSE دو مدل مذکور برای انواع پلاکت عبارتند از: (0048/0 ± 0132/0)O+  ، (0041/0 ± 0115/0) O- ، (0043/0 ± 0205/0) A+ ، (0033/0 ± 01085/0) A- ،(0086/0 ± 0221/0)B+ ، (0009/0 ± 0045/0) B- ، (0031/0 ± 0136/0) AB+ و (0005/0 ± 0034/0) AB- که به ترتیب بیانگر میانگین و انحراف معیار خطا می­باشد.
نتیجه گیری
نتایج این مطالعه نشانگر دقت بالای مدل­های شبکه عصبی مصنوعی و سپس آریما در پیش‌بینی تقاضای پلاکت خون است. لذا استفاده از مدل­های شبکه عصبی مصنوعی جهت پیش‌بینی تقاضا به جای روش­های پیش‌بینی آماری رایج در مراکز انتقال خون قابل توصیه می‌باشد.
کلمات کلیدی: پلاکت‌های خون، آریما، انتقال خون
 
 
 
 
 
 
 
 
 
تاریخ دریافت: 13/4/96
تاریخ پذیرش: 17/7/96
 

1- مؤلف مسئول: PhD مهندسی صنایع ـ استادیار دانشکده مهندسی شهید نیکبخت ـ دانشگاه سیستان و بلوچستان ـ زاهدان ـ ایران ـ کدپستی: 1593915111
2- دانشجوی کارشناسی ارشد مهندسی صنایع ـ دانشکده مهندسی شهید نیکبخت ـ دانشگاه سیستان و بلوچستان ـ زاهدان ـ ایران
3- پزشک عمومی و MPH ـ مرکز تحقیقات انتقال خون ـ مؤسسه عالی آموزشی و پژوهشی طب انتقال خون و پایگاه منطقه‌ای آموزشی انتقال خون زاهدان ـ زاهدان ـ ایران
 

مقدمه
    یکی از مباحث عمده در سیستم­های بهداشت و درمان جهانی، مسئله بهبود عملکرد زنجیره تامین می­­باشد. نظام سلامت به دلیل ارتباط مستقیمی که با سلامتی و جان انسان­ها دارد، یکی از پیچیده‌ترین و چالش برانگیزترین زنجیره تامین­ها را داراست. مسایلی از قبیل عدم قطعیت در تقاضا، برنامه‌ریزی برای مدیریت موجودی و سفارش، تاریخ انقضاء و منابع محدود انسانی از جمله چالش­های اساسی در حوزه سلامت و به ویژه زنجیره تامین خون و فرآورده­های آن می­باشند(2، 1). از طرفی برنامه‌ریزی و مدیریت در زنجیره تامین فرآورده­های خونی با فسادپذیری بالا، به ویژه پلاکت خون یک مسأله ضروری برای حیات انسان‌ها محسوب می­شود(3). پلاکت پرهزینه‌ترین محصول خون است که با دارا بودن عمر مفید 3 روز و هزینه بالای تولید و نگهداری تعداد زیادی از آن در مراکز خون مقرون به صرفه نیست. تامین خون از طرف اهداکنندگان اغلب به صورت نامنظم و تقاضا برای فرآورده‌های آن تصادفی است، که این عدم قطعیت موجود در زنجیره تامین پلاکت، تصمیم گیرندگان و کارشناسان این حوزه را در زمان افزایش تقاضای پلاکت و یا کاهش مراجعه‌کنندگان به مراکز جمع آوری خون، با مشکل مواجه ساخته است؛ از طرفی در زمان کاهش تقاضای پلاکت و یا افزایش مراجعه کنندگان نیز، محدودیت­های بسیاری در مورد نگهداری پلاکت­ها و یا تولید بیش از تقاضای آن وجود دارد. به همین دلیل توجه به مسئله تطابق میزان تولید پلاکت در مراکز خون با تقاضای مورد نیاز بیمارستان‌ها و مراکز درمانی، بسیار حائز اهمیت است(3،4). کوپرا و میندل معتقدند پایه و بنیاد همه برنامه‌ریزی­ها وزمانبندی­ها در زنجیره تامین ، پیش بینی دقیق و اطلاع ازمیزان تقاضا می‌باشد(5). داشتن اطلاعات دقیق تقاضا به ویژه زمانی که عمر مفید محصول کوتاه است، منجر به تصمیم گیری صحیح در زمینه تامین مقدار سفارش مورد نیاز، کاهش ضایعات منابع، جلوگیری از کمبود وهزینه­های سلامت می­شود (6). لذا توجه به این مسئله امری ضروری در زنجیره تامین می­باشد. در پژوهش های پیشین، مطالعاتی در زمینه پیش بینی تقاضای خون با مدل­های ARIMA انجام شده است. امروزه شبکه عصبی مصنوعی(Artifitial Neural Nets = ANN) که یکی از مولفه­های هوش محاسباتی می­باشد، جایگاه ویژه ای در حوزه­های مختلف علوم و تحقیقات یافته­اند (7). این شبکه ها به دلیل هوشمند بودن، سرعت بالای پردازش داده‌ها، قابلیت تطبیق با تغییرات محیطی، قابلیت تعمیم و مدلسازی سیستم‌های غیر خطی با پیچیدگی های زیاد از جمله ابزارهای قوی، هوشمند و توانا  برای استفاده در مسائل تصمیم‌گیری‌ها مناسب می‌باشند(9، 8). روند فعلی برای پیش بینی تقاضای پلاکت در سازمان انتقال خون استان، استفاده از روش میانگین‌گیری می­باشد که نسبت به تغییرات تقاضا حساس نیست. بنابراین مطالعه حاضر با ارایه مدل­های کاربردی شبکه عصبی مصنوعی و اریما، جهت پیش بینی میزان تقاضادر زنجیره تامین پلاکت سازمان انتقال خون استان سیستان و بلوچستان، سعی در کاهش عدم قطعیت تقاضا دارد که نتیجه آن کاهش ضایعات، هزینه­های تولید و جلوگیری از کمبود است.
 
مواد و روش‌ها
معرفی داده­ها:
    مطالعه حاضر از نوع کاربردی بود و به منظور بررسی مدل­­های شبکه عصبی مصنوعی و آریما، داده­های روزانه مربوط به میزان تقاضای بیمارستان­ها و مراکز درمانی برای 8 نـوع پـلاکت خون(O+ ,O-, A+, A-, B+ , B-, AB+, AB-)، از سازمان انتقال خون استان سیستان و بلوچستان پایگاه منطقه‌ای آموزشی زاهدان جمع‌آوری گردید. با توجه به این که روش نمونه‌گیری تصادفی ساده بود، بنابراین از بین داده­های روزانه ثبت شده در پایگاه داده سازمان، بازه زمانی سال‌های 1390 لغایت 1394 به صورت تصادفی انتخاب شدند.
 
مدل ARIMA :
    سری زمانی، دنباله­ای از مشاهدات متوالی است که بر حسب زمان مرتب شده­اند. مهم‌ترین قدم در تحلیل این سری­ها، یافتن مدل مناسب می­باشد، که معروف­ترین روش یـک استراتـژی چنـد مرحلـه­ای با نام آریما است و توسط
 

باکس و جنکینز(Box-Jenkins) در سال 1970 ارایه شد (11، 10).  یک مدل آریما ترکیب خطی از خطاهای گذشته و مقادیر گذشته­ یک سری ایستا می­باشد. این مدل با 3 پارامتر p، q وd معرفی می­شود که به ترتیب عبارتند از: مرتبه مؤلفه اتورگرسیو، مرتبه مؤلفه میانگین متحرک و مرتبه تفاضل‌گیـری لازم بـرای ایستایـی و در صورتی که 0 d= باشد، مدل ARIMA(p,d,q) به مدل ARMA(p,q) تبدیل می­شود. مدل کلی اریما به صورت معادله(1) می‌باشد(13، 12):
 
 
 
فرمول 1: مدل کلی آریما
 
    که در آن ، c، ، ، ،  و  به ترتیب نمایانگر سری زمانی، ضریب ثابت، پارامتر­های مدل اتورگرسیو، پارامتر­های مدل میانگین متحرک، وقفه­های p ام متغیر وابسته، وقفه­های q ام خطای گذشته و خطای پیش‌بینی مدل می­باشد(11). در این پژوهش از روش مدلسازی آریما که شامل سه مرحله­ شناسایی مدل، تخمین و بازبینی تشخیص مدل می­باشد استفاده شد. در مرحله شناسایی، پس از پردازش و بررسی اطلاعات، باید نسبت به ایستایی(stationary) داده­ها اطمینان حاصل کرد. لذا ابتدا فرض ایستایی داده­ها با استفاده از آزمون­های مرسوم دیکی - فولر تعمیم یافته (Augmented Dicky- Fuller) و فیلیپس پرون (Philips-Perron) انجام پذیرفت. جهت شناسایی نوع و مرتبه مدل، نمودار­های خود همبستگی (Autocorrelation =AC)و خود همبستگی جزیی(Autocorrelation =PAC Partial­) به کار می­رود. در مرحله تخمین و آزمون پارامترهای مدل­ نیز از روش حداقل مربعات(Least Squares = LS) استفاده شد و معنادار بودن ضرایب در سطح اطمینان 95% بررسی گردید و سپس جهت انتخاب مدل مناسب معیارهای اطلاعات آکائیک(Akaike info criterion = AIC)، معیار اطلاعات شوارتز (criterion = SC Schwartz)، مجموع مربعات خطا (=  SSE Square Error Sum) و آمـاره دوربیـن واتســون ( = DW Durbin-watson stat) به کارگرفته شدند. در مرحله بازبینی تشخیص مدل، جهت بررسی کفایت و مناسب بودن مدل انتخابی از آزمون الجانگ ـ باکس(Ljung-Box) استفاده گردید و درصورتی که مدل انتخابی نامناسب باشد، باید مورد تعدیل و اصلاح قرار گرفته و به مراحل قبل بازگردد. در انتها پس از تشخیص بهترین مدل­های اریما، به پیش‌بینی میزان تقاضای پلاکت برای دوره بعد پرداخته می­شود(14، 8). تمامی تنظیمات مربوط به مدل آریما با نرم افزار Eviews انجام پذیرفت.
 
مدل شبکه عصبی مصنوعی:
    شبکه عصبی شامل شبکه‌ای از عناصر پردازشی ساده به نام نورون است، که می‌تواند رفتار پیچیده کلی تعیین شده‌ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. از کنار هم قرار گرفتن مجموعه نورون‌های سطری، یک لایه ایجاد می­شود و مجموعه چند لایه باهم تشکیل یک شبکه می­دهد(15).
    برای طراحی شبکه­ عصبی مصنوعی، علاوه بر انتخاب مجموعه­ای از متغیرهای ورودی، باید ساختمان شبکه­ای با بهتریـن پیش­بینی را بـا آزمـون و خـطا شناسایــی کرد(16).
    در مطالعه حاضر از شبکه عصبی پرسپترون چند لایه(Multi Layer Perceptron = MLP) با قانون یادگیری پس انتشار(Back-Propagation)  استفاده شده است(شکل1). این شبکه عصبی از سه لایه شامل: لایه ورودی(Input Layer)، لایه مخفی(Hidden Layer) و لایه خروجی(Output Layer) تشکیل شده است که در آن R، S، f، a، b وW به ترتیب بیانگر تعداد ورودی‌ها(P)، تعداد نورن­ها(n) در هرلایه، تابع فعال‌سازی، خروجی هرلایه، جمله اریب و بردار وزن­ها است(شکل1)(17).
    با کمک نرم‌افزار MATLABR2016b ساختارهای متعددی از نوع پرسپترون به منظور پیش‌بینی تقاضا طراحی شد.
از آن جا که میزان تقاضای پلاکت در ایام هفته متفاوت است و این تغییرات روند تاریخی خاصی را طی می­کنند،    بنابراین لازم است تغییرات تقاضا در شبکه لحاظ گردد،
 


شکل 1: ساختار شبکه عصبی مصنوعی با قانون یادگیری پس انتشار
 
 
 
لذا لایه ورودی، مربوط به اطلاعات سری زمانی تقاضا در زمان­های قبل می­باشد. لایه خروجی، میزان تقاضای پلاکت روزانه را پیش‌بینی می­کند. لایه مخفی(پنهان) شامل تعداد مناسبی نورون می­باشد که این نورون‌ها بر مبنای کمترین میزان میانگین مربعات خطا(MSE) انتخاب می‌شود. از مجموع داده­های موجود در بازه زمانی فوق برای هر نوع پلاکت، 70% داده­ها برای آموزش (Training) شبکه عصبی ،15%  برای اعتبارسنجی(Validation) و 15%  دیگر برای آزمون(Test) شبکه استفاده گردیده است. تنظیمات مربوط به  تابع محرک(Transfer Function) در لایه مخفی و لایه خروجی برای هر نوع پلاکت به ترتیب تابع سیگموئید (Sigmoid) و تابع خطی(Purelin) می­باشد.
 
یافته‌ها
    نمودار سری زمانی مورد استفاده در مدل آریما جهت پیش‌بینی تقاضای پلاکت خون نوع O+ در شکل 2 نشان داده شده است. به دلیل زیاد بودن انواع پلاکت و محدودیت فضا، در این مقاله تنها محاسبات مربوط به پلاکت نـوع O+ آورده شده است و بقیه محاسبات به طور مشابه می­باشد. ابتــدا ایستایـی سری­ها توسط آزمون­های دیکی فولر و فیلیپس پرون برای پلاکت O+ محاسبه شد. مقدار قدر مطلق آماره t در هر دو آزمون به ترتیب 347/11 و 687/41 می­باشد که از مقدار بحرانی آزمون(862/2) در سطح اطمینان 95% بیشتر است. بنابراین می‌توان فرض صفر را رد کرد لذا سری مربوط به پلاکت O+ دارای ریشه واحد نیست و ایستا می­باشد. به طور مشابه ایستایی دیگر پلاکت­ها نیز بررسی شد و کلیه آ­ن‌ها در سطح ایستا بودند، لذا سری‌ها نیاز به تفاضل‌گیری نداشته و مرتبه تفاضل‌گیری برای همه موارد صفر می­شد(0 d=)، بنابراین مدل­های ARIMA(p,d,q) به مدل­هایARMA(p,q)  تبدیل شدند. برای شناسایی نوع و مرتبه مدل مربوط به پلاکت O+ نمودار­های AC وPAC هردو دارای روند کاهشی نمایی می­باشند، لذا مدل مربوط به این نوع پلاکت به ARMA(p,q) بسیار نزدیک است(شکل 3).
    برای بررسی صحت و درستی این موضوع، ترکیبات مختلف از وقفه‌های MA وAR بررسی شد. با توجه به شکل 3 ، برای پلاکت O+ تعداد وقفه های 7،...،1،2، p= ، 10،...2،1 =q  و 0d =  در نظر گرفته شد که در مجموع شامل 87 مدل می‌باشد. در مرحله تخمین و آزمون پارامترهای تعیین شده، از بین 87 مدل موجود برای پلاکت O+ ، تنها مدل‌های معنا­دار را پذیرفتیم. مدل­هایی معنادار می­باشند که دو شرط لازم برای پذیرفته شدن را دارند، یعنی هم ضرایب مدل‌ها در بازه ]1و1-[ قرار دارند و هم ضرایب آن‌ها معنادار و لذا مخالف صفر می‌باشند(05/0 p) (8).  به این صورت مدل­های پذیرفته شده و رد شده از هم تفکیک شدند. از میان مدل‌های پذیرفته شده، کوچک بودن معیارهای اطلاعاتیAIC وSC ، مقدار کوچک SSE و نزدیک بودن معیار DW به عدد2 ، مبـنای انتخــاب
 

شکل 2: نمودار سری زمانی برای پلاکت نوع O+
 
 

شکل 3 : نمودار خود همبستگی و خود همبستگی جزیی برای پلاکت نوع O+
 
 
بهترین مدل آریما می‌باشد، که در اینجا مدل (1،0،1) ARIMA برای تمامی معیارهای ذکر شده  با دارا بودن 2519/1- AIC = ، 2429/1- SC = ، 3779/30 SSE = ، 999/1 DW = ارجح است. برای بررسی صحت این موضوع، تشخیص استقـلال پسمانـد مـدل انتخابـی توسط آزمون Ljung-Box انجام پذیرفت(18)(جدول1). در هر سه وقفه 12/24 و 36 مقدار آماره Q محاسبه شده از مقدار کای‌دوی جدول کوچکتر می­باشد و یا به عبارت دیگر، احتمال آن از سطح اطمینان در نظر گرفته شده بالاتر است، بنابراین همبستگی بین اجزای اخلال مدل وجود ندارد(19). پس مدل  (1،0،1) ARIMA صحیح انتخاب شده است و بهترین مدل برای پیش‌بینی پلاکت O+ می‌باشد(جدول1). به طور مشابه برای انواع دیگر پلاکت‌ها همین روند طی شده و مدل نهایی برای هر نوع ثبت گردید(جدول2). برای انتخاب مناسب‌ترین مدل شبکه عصبی برای پیش‌بینی تقاضای پلاکت، معماری­های متفاوتی از شبکه با تعداد لایه­های پنهان(بین 2 تا 15 نورون)، 13 متغیر ورودی و 1 متغیر خـروجی بـررسی شدند و در نهایت مدلی با کمترین
 
 

جدول 1: آزمون Ljung-Box برای تشخیص پسماند مدل ARIMA(1,0,1) برای پلاکت نوع O+
 
مدل وقفه آماره Q کای دو درجه آزادی p-value
(1،0،1) ARIMA 12 348/14 7/14 9 099/0
24 840/26 1/27 21 168/0
36 437/35 8/35 33 340/0
 
جدول 2: بهترین مدل­های ARMA جهت پیش بینی تقاضای انواع پلاکت خون
 
نوع پلاکت بهترین مدل MSE پارامترهای مدل
O+ (1،1)ARMA 0166/0 yt = 205/0 + 923/0yt-1 – 820/0 Ut-1+ 133/0
O- (4،4)ARMA 0144/0 yt =072/0  - 462/0yt-1 – 074/0 yt-2 +429/0  yt-3 +911/0 yt-4 + 496/0 Ut-1 + 147/0 Ut-2 – 368/0 Ut-3 -848/0 Ut-4 +122/0
A+ (5،3)ARMA 0236/0 yt =178/0  - 313/0yt-1 + 436/0 yt-2 +976/0  yt-3 095/0 yt-4 – 083/0 yt-5  + 432/0Ut-1 264/0 Ut-2 – 921/0 Ut-3 + 160/0
A- (1،1)ARMA 0132/0 yt =044/0  + 846/0yt-1 782/0 Ut-1  + 116/0
B+ (2،2)ARMA 0282/0 yt =194/0  - 107/0yt-1 + 867/0 yt-2  + 240/0 Ut-1 755/0 Ut-2 + 174/0
B- (1،1)ARMA 0052/0 yt =022/0  + 894/0yt-1 821/0 Ut-1  + 073/0
AB+ (1،1)ARMA 0159/0 yt = 0782/0  + 905/0yt-1 828/0 Ut-1  + 128/0
AB- (1،1)ARMA 0038/0 yt = 019/0  - 972/0yt-1 + 984/0 Ut-1  + 062/0
 
 

 















شکل 4: معماری مدل شبکه عصبی(13:7:1) برای پلاکت نوع
O+
 
 
جدول 3: بهترین مدل شبکه عصبی برای انواع پلاکت خون بر حسب معیار MSE
 
مشخصات O+ O- A+ A- B+ B- AB+ AB-
معماری شبکه (13:7:1) (13:5:1) (13:8:1) (13:5:1) (13:7:1) (13:9:1) (13:8:1) (13:5:1)
MSE 0098/0 0086/0 0175/0 0085/0 0160/0 0039/0 0114/0 0030/0

 
 
 
 
 
 
 
 
شکل 5. مقایسه روش­های بیان شده برای پیش بینی پلاکت نوع+ O
 
 
مقدار MSE انتخاب گردید(جدول3). معماری مدل شبکـه عصبـی(13:7:1) بـرای پـلاکت نوع O+ در شکل 4 نشان داده شده است.
    نتایج به دست آمده نشان می­دهد که دقت پیش‌بینی مدل­های فوق با توجه به معیار MSE در شبکه عصبی بالاتر از سایر روش­ها می­باشد جداول(2 و 3)و شکل(5).  همان طور که مشاهده می­شود، شبکه عصبی برخلاف روش ARIMA و روند فعلی سازمان، نسبت به تغییرات موجود در روند تقاضا بسیار حساس بوده و پیش‌بینی را با دقت بالاتری انجام می‌دهد(شکل5). در همه گروه­های پلاکت، به استثناء نوعAB-  که در آن هر دو مدل ANN و ARIMA دقـت تقریبـاً یکسانـی داشتنـد، در بـاقی گروه­ها
برتری روش ANN نسبت به ARIMA ثابت شد. دقت میانگین مربوط به MSE دو مدل ANN و ARIMA ، برای انواع پلاکت عبارتند از:  O+(0048/0 ± 0132/0)، O- (0041/0 ± 0115/0)،A+   (0043/0 ± 0205/0) ،A-  (0033/0 ± 01085/0)، B+  (0086/0 ± 0221/0) ، B- (0009/0 ± 0045/0)، AB+ (0031/0 ± 136/0) ، AB- (0005/0 ± 0034/0) که عدد اول بیانگر میانگین خطا و عدد دوم نشان‌دهنده انحراف معیار خطای دو مدل می­باشد. با توجه به دقت میانگین پایین ذکر شده مشخص می­شود که  هر دو مدل ANN و ARIMA  با دقت خوبی پیش‌بینی تقاضا را انجام می­دهند اما باز هم با توجه به ماهیت ذاتی و قابلیت یادگیری تطبیقی و تعمیم شبکه عصبی مصنوعی، این روش تغییرات تقاضا را بهتر لحاظ نموده و پیش‌بینی را
بیشتر مطابق با روند واقعی داده­ها انجام می­دهد.
 
بحث
    مطالعـه حاضـر بـا به کارگیری مدل­های کاربردی شبکه
عصبی مصنوعی و آریما، سعی در پیش‌بینی دقیق میزان تقاضا و متعاقباً کاهش عدم قطعیت موجود در آن دارد. در ابتدا برای مدلسازی با روش آریما، پس از بررسی فرض ایستایی داده­ها توسط آزمون­های دیکی فولر و فیلیپس پرون، هر 8 نوع پلاکت خون در سطح ایستا شدند و مرتبه تفاضل‌گیری آن­ها صفر بود. در مرحله تعیین نوع و مرتبه مدل با استفاده از نمودارهای AC و PAC و ترکیب مناسب تعداد وقفه ها، تعداد کل مدل­های موجود برای هر نوع پلاکت محاسبه گردید. در مرحله تخمین و آزمون پارامترها از میان کل مدل­های موجود، تنها مدل‌های معنادار که هم ضرایب آن­ها در بازه ]1و1-[ و هم (05/0 p) پذیرفته شدند.
    سپس از میان مدل­های پذیرفته شده با توجه به معیارهای AIC، SC، SSE، DW و آزمون Ljung-Box  بهترین مدل آریما برای هر نوع پلاکت مشخص گردید(جدول2). در ادامه ساختارهای متعدد شبکه عصبی پرسپتـرون چنـد لایـه بـرای هر نوع پلاکت، با تغییر تعداد نورون­های لایه پنهان از 5 تا 15نورون، 13 متغیر ورودی، 1 متغیر خروجی و استفاده از 75% داده­ها برای فرآیند آموزش شبکه و 15% داده­ها برای آزمون شبکه مورد ارزیابی قرار گرفت و مدلی با کمترین میزان MSE به عنوان
 

جدول 4: مقایسه میزان MSE روش­های مذکور
 
نوع پلاکت میزان MSE
ANN ARIMA روند فعلی سازمان
O+ 0098/0 0166/0 163/0
O- 0086/0 0144/0 541/0
A+ 0175/0 0236/0 821/0
A- 0085/0 0132/0 335/0
B+ 0160/0 0282/0 669/0
B- 0039/0 0052/0 303/0
AB+ 0114/0 0159/0 545/0
AB- 0030/0 0038/0 292/0
 
 
 
 
 
 
 
 
 
 

مدل بهینه انتخاب گردید(جدول3). نتایج MSE روش­های مذکور در جدول 4 ادغام شده است.
    نتایج به دست آمده نشانگر دقت بالای مدل­های شبکه عصبی مصنوعی و سپس آریما نسبت به روند فعلی سازمان می­باشد. در همه گروه­های پلاکت، به استثناء نوعAB-  که در آن دو مدل ANN و ARIMA دقت تقریباً یکسانی داشتند، در باقی گروه­ها برتری روش ANN نسبت به ARIMA و روند فعلی ثابت شد(جدول4 ). دقت میانگین با توجه به MSE برای دو مدل ANN و ARIMA نیز نمایانگر دقت پایین و کارایی خوب این دو مدل در پیش‌بینی میزان تقاضا می­باشد، که عبارتند از: O+ (0048/0 ± 0132/0) ، O- (0041/0 ± 0115/0) ، A+  (0043/0 ± 0205/0) ،A-  (0033/0 ± 01085/0) ، B+ (0086/0 ± 0221/0) ، B- (0009/0 ± 0045/0) ، AB+ (0031/0 ± 0136/0)، AB- (0005/0 ± 0034/0). همان طور که ذکر شد، روند فعلی برای پیش‌بینی تقاضای پلاکت در سازمان انتقال خون استان استفاده از روش میانگین‌گیری می­باشد، که یکی از معایب استفاده از این روش حساس نبودن آن نسبت به تغییرات تقاضا است. در واقع این روش تغییرات تقاضا را درگذشته دور و نزدیک یکسان در نظر می‌گیرد که این مسأله در شکل 5 کاملاً مشهود است(20). روش­ آریما با وجود این که مانند روند فعلی سازمان سیر خطی را طی می­کند اما عملکرد بهتری نسبت به روند فعلی سازمان دارد(شکل5 و جدول4). در میان روش­های مذکور، روش شبکه عصبی مصنوعی حساسیت بالاتری را نسبت به تغییرات تقاضا و روند واقعی داده­ها نشان می­دهد (شکل 5). علت این امر ماهیت و ویژگی­های منحصر به فرد روش شبکه عصبی مصنوعی به خصوص قابلیت یادگیری تطبیقی و تعمیم آن می­باشد، که پس از آموزش، شبکه می‌تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید(7).
    فورچ و کاپلیو (2016) در پژوهش خود به پیش‌بینی تقاضای ماهانه خون در مرکز خون نیویورک پرداختند. با استفاده از مدل­های MA ، ES ، ARMA و VARMA  روش بهینه برای پیش‌بینی تقاضای ماهانه خون را تعیین کردند، نتایج نشان داد دقت مدل­های ARMA و سادگی این روش نسبت به VARMA ، بهترین مدل جهت پیش‌بینی تقاضای خون می­باشد(6). فیلو و همکاران(2013) جهت بهبود برنامه‌ریزی و ایجاد روند موجودی متعادل، به پیش‌بینی تقاضا برای توزیع اجزای خون یک زنجیره تامین پرداختند. آن‌ها برای پیش‌بینی اجزای خون از مدل­های BJ-SARIMA استفاده نمودند. مدل­های BJ-SARIMA نشان‌دهنده مدل تک متغیره ضربی فصلی از روش BOX-Jenkins و ARIMA است.
    نویسندگان مقاله معتقدند استفاده از مدل­های BJ-SARIMA به جای روش­های سنتی میانگین متحرک با وقفه هفته­ای، کارآیی و دقت برنامه‌ریزی‌ها را بهبود می‌‌دهد(21). فیلو و همکاران (2012) در پژوهش خود با ارایه یک ابزار محاسباتی، به پیش‌بینی تقاضای اجزای خون در زنجیره تامین پرداختند. در این مطالعه به جای اتخاذ روش میانگین متحرک بر پایه هفته­ای، یک مدل پارامتری پیچیده‌تر بر اساس BOX-Jenkins پیشنهاد شد. نتایج این مقاله بر بهتر بودن روش اتخاذ شده نسبت به میانگین متحرک تاکید دارد(22). در مقایسه با تحقیقات فیلو و همکاران (2013 و2012) و کاپلیو و همکاران (2016) که پیش‌بینی تقاضای خون را با روش­های خطی آماری و مدل­های BOX-Jenkins انجام داده­اند، مطالعه حاضر با بهره­گیری از مدل‌های ARIMA و به ویژه شبکه عصبی مصنوعی به پیش‌بینی دقیق‌تر میزان تقاضای پلاکت پرداخته و نتایج نشان می­دهد که هر دو مدل از دقت بالایی برخوردارند و به ویژه شبکه عصبی مصنوعی حساسیت بالاتری نسبت به تغییرات تقاضا و روند تاریخی موجود در داده­ها دارد. بنابراین از آن جایی که هر چه پیش‌بینی تقاضا دقیق‌تر باشد، میزان عدم قطعیت موجود در تقاضا کاهش می­یابد، لذا این روش ها می­توانند جایگزین مناسبی به جای روش­­های رایج در مرکز انتقال خون ­باشند و میزان تقاضا را با دقت بهتری پیش بینی نمایند.
    مدل­های نهایی و پارامترهای موجود در این پژوهش صرفاً برای مرکز خون مورد مطالعه می­باشد. نتایج این مطالعه برای سایر مراکز خون قابل استفاده نیست و تنها  می­توان با تعمیم این مدل­ها به دیگر مراکز، نتایج خاص هر
مرکز را محاسبه نمود. مطالعه حاضر را می­توان با سایر روش­های شبکه عصبی، شبکه عصبی پویا(
NARX)، شبکه عصبی فازی (ANFIS)، و هم چنین ترکیب این شبکه با الگوریتم­های فرا ابتکاری نیز بررسی کرد. در مواردی که رابطه میان تقاضاهای انواع  پلاکت(نوع پلاکت جایگزین) مطرح باشد، به خصوص در بیمارستان ها که این جایگزینی‌ها بسیار بیشتر است، می‌توان از مدل­های پیش‌بینی چند متغیره VARMA استفاده نمود.
 
 
نتیجه‌گیری
    نتایج این مطالعه نشانگر دقت بالای مدل­های شبکه عصبی مصنوعی و سپس آریما در پیش‌بینی تقاضای پلاکت خون می­باشد. لذا استفاده از این مدل­ها و به ویژه مدل شبکه عصبی مصنوعی به دلیل حساسیت بالاتر آن نسبت به تغییرات تقاضا، جهت پیش‌بینی تقاضا به جای روش­های پیش‌بینی آماری رایج در مراکز انتقال خون توصیه می­شود.
 
تشکر و قدردانی 
    در پایان از آقای دکتر صانعی مقدم و پرسنل محترم سازمان انتقال خون استان سیستان و بلوچستان که ما را در انجام این مطالعه یاری دادند، صمیمانه تشکر و قدردانی می‌نماییم.
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

کد امنیتی را در کادر بنویسید >


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Firouzi jahantigh F, Fanoodi B, Khosravi S. A Demand Forcasting Model for the Blood Platelet Supply Chain with Artificial Neural Network Approach and Arima Models . Sci J Iran Blood Transfus Organ. 2017; 14 (4) :335-345
URL: http://bloodjournal.ir/article-1-1133-fa.html

فیروزی جهانتیغ فرزاد، فنودی بهاره، خسروی سهیلا. ارائه مدلی جهت پیش‌بینی تقاضا در زنجیره تامین پلاکت خون با رویکرد شبکه عصبی مصنوعی و مدل‌های آریما . فصلنامه پژوهشی خون . 1396; 14 (4) :335-345

URL: http://bloodjournal.ir/article-1-1133-fa.html



جلد 14، شماره 4 - ( زمستان 1396 ) برگشت به فهرست نسخه ها
فصلنامه پژوهشی خون Scientific Journal of Iran Blood Transfus Organ
The Scientific Journal of Iranian Blood Transfusion Organization - Copyright 2006 by IBTO
Persian site map - English site map - Created in 0.1 seconds with 32 queries by YEKTAWEB 3708