پيش‌بيني تقاضاي تجهيزات پزشكي (سي تي اسكن) بر اساس شبكه‌هاي عصبي مصنوعي و روش ARIMA

Demand Forecasting Medical Equipment Based on Artificial Neural Networks and ARIMA Methods

بخش بهداشت و درمان و زيرساخت‌هاي مورد نياز آن هم در بخش نرم‌افزاري و هم در بخش سخت‌افزاري همواره مورد توجه بوده است. در اين ميان اهميت تجهيزات و اقلام پزشكي در سيستم سلامت كشور بر هيچ‌كس پوشيده نيست. سازمان‌ها و شركت‌هاي فعال در اين بخش بايد بتوانند تصميمات صحيح را با توجه به اطلاعات موجود در محيط پر‌نوسان كسب و كار امروز اخذ نمايند. بنابراين، تخمين مقدار تقاضا در دوره‌هاي آتي موضوعي حياتي به نظر مي‌رسد. روش و ابزارهاي مختلفي براي انجام پيش‌بيني تقاضا وجود دارد كه هر يك مزيت‌ها و نقاط ضعف مخصوص به خود را دارند. در اين مقاله با استفاده از يك شبكه عصبي مصنوعي چند لايه پيشخور با دو لايه پنهان كه با الگوريتم ژنتيك به عنوان الگوريتم يادگيري آموزش داده شده است، سيستمي مقايسه‌اي با روش رايج مورد ‌استفاده در ‌پيش‌بيني (روش باكس – جنكينز) با مدل ARIMA(2,1,1) براي ‌پيش‌بيني تقاضاي دستگاه سي‌تي‌اسكن ارايه شده است كه با توجه به معيار سنجش دقت مدل‌ها يعني ميانگين مجذور خطا (MSE)، مدل شبكه عصبي اثربخشي و كارايي بيشتري را در مقابل با روش آريما در ‌پيش‌بيني تقاضاي دستگاه سي‌تي‌اسكن با توجه به داده‌ها و اطلاعات موجود از خود نشان داده است.

Health sector and its infrastructure needs in both software and hardware sector has always been emphasized. Among importance of the medical equipment and items in the health system of the country is not covered on any one. Organizations and companies active in this sector should be able to take correct decisions with regard to information in the volatile business environment today on time. Thus, estimating demand in future periods seems vital. There are various methods and tools for forecasting demand that each have advantages and disadvantage its own special. In this paper, using a multilayer neural network with two hidden layers that has been learned with genetic algorithm as the learning algorithm, the comparative system with Common method used in the prediction (Box - Jenkins Method) with model ARIMA (2,1,1) has been presented for the forecasting demand CT-Scan set, that According to the measure of the accuracy of models, the mean squared error (MSE), the neural network model shown of the more effectiveness and efficiency as compared to ARIMA method according to the data and information in forecasting demand CT-Scan set.