基于随机森林的血小板库存优化：从需求预测到FIFO模拟的完整复现

简介这份资源面向医疗供应链研究人员、医院血库管理者与数据分析从业者围绕血小板这类价格昂贵、保质期仅5至7天的血液制品提供一套数据驱动的库存优化方案。内容以2016至2018年加拿大汉密尔顿四家医院的临床输血数据为基础用随机森林回归完成需求预测并据此制定目标库存水平策略兼顾短缺与浪费的平衡同时延伸讨论牛鞭效应、敏感性分析及紧急订单削减等议题。资源包为1个PDF文件约822KB内含论文复现思路与可运行代码解释涵盖数据预处理、滞后特征构造、模型训练评估及库存策略类设计等模块便于读者对照理解预测与库存决策的衔接逻辑。目前已有62人学习。读者可借此掌握从需求预测到库存策略落地的完整链路理解预测精度并非高效库存管理的唯一决定因素并获得多医院协同、季节性建模与安全库存动态调整等后续研究方向的启发。1. 数据驱动的血小板库存优化从 9% 浪费率到零短缺的复现路径血小板这东西保质期只有 5 到 7 天单价 504 加元临床需求还天天在变。汉密尔顿四家医院 2016 到 2018 年的数据显示年浪费率约 9%折合 40 万加元同时 14% 的订单是因为短缺临时下的紧急单。这个项目做的事很具体用随机森林做需求预测再把预测结果喂给一个基于目标库存水平的订购策略在 Python 里完整模拟不同订购频率下的短缺、浪费和总成本。它适合医院血库管理人员、医疗供应链方向的研究生以及想找一个「预测库存」闭环实战案例的数据分析从业者。代码不依赖任何私有数据格式换成自己的 CSV 就能跑。2. 需求预测模块随机森林怎么把 MAE 压到可用范围2.1 特征工程时间特征与滞后特征的组合逻辑血小板需求有两个明显特征周内波动周末手术少和短期自相关今天用得多明后天大概率也不少。代码里load_and_preprocess_data做了两件事——提取day_of_week、month、is_weekend三个时间特征再构造lag_1到lag_7七个滞后特征。滞后特征的本质是让模型看到「过去一周的真实用量」这对短保质期产品尤其关键因为预测窗口通常就是 7 天。def load_and_preprocess_data(filepath): data pd.read_csv(filepath) data[date] pd.to_datetime(data[date]) # 时间特征捕捉周内和月度模式 data[day_of_week] data[date].dt.dayofweek data[month] data[date].dt.month data[is_weekend] data[day_of_week].isin([5,6]).astype(int) # 滞后特征过去7天需求量让模型看到短期趋势 for i in range(1, 8): data[flag_{i}] data[demand].shift(i) data data.dropna() # 滞后特征导致前7行NaN必须删 return data参数上唯一需要注意的是shift(i)的方向——shift(1)是昨天shift(7)是上周同一天。如果你把方向搞反了模型会直接看到未来值MAE 会低得离谱但上线就崩。常见做法是再加一个lag_14捕捉双周模式但会多损失 7 行数据样本量小于 200 时不建议。2.2 模型训练与评估为什么选随机森林而不是 ARIMA论文场景下需求序列短两年日频约 730 条、外生特征多星期、月份、滞后项随机森林比 ARIMA 更省事——不用做平稳性检验不用手动定阶还能直接输出特征重要性。代码用train_test_split(shuffleFalse)做时序切分这一点必须保留打乱顺序会导致滞后特征泄露未来信息。def train_demand_forecast_model(data): X data.drop([date, demand], axis1) y data[demand] # shuffleFalse 保证时序完整性不能改 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, shuffleFalse) model RandomForestRegressor(n_estimators100, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) mae mean_absolute_error(y_test, y_pred) print(fMean Absolute Error on Test Set: {mae:.2f}) return model, X_test, y_test, y_predn_estimators100是默认值实测在 700 条样本上加到 300 提升有限反而拖慢训练。random_state42固定后结果可复现写论文或做对比实验时别省这个参数。MAE 的量纲和需求量一致如果日均需求 50 单位、MAE 在 8 到 12 之间说明预测质量够用超过 15 就要回头检查滞后特征是否构造正确。提示如果你的数据里有节假日标记加一个is_holiday布尔特征通常能把 MAE 再降 5% 到 10%论文原文没提但属于常见做法。3. 库存策略类目标库存水平怎么算、FIFO 怎么模拟3.1 订购量计算安全库存的 1.96 倍标准差从哪来calculate_order_quantity是整个策略的核心。它先算未来days_ahead天的总预测需求再算当前有效库存只统计剩余保质期大于交货提前期的批次最后用总需求 1.96×标准差作为目标库存。1.96 对应 95% 置信区间这是论文里「基于预测的目标库存水平」的直接实现。def calculate_order_quantity(self, current_inventory, forecast_demand, days_ahead7): total_forecast sum(forecast_demand[:days_ahead]) # 只统计年龄 保质期-提前期 的批次快过期的不能算有效库存 effective_inventory sum([qty for qty, age in current_inventory if age self.shelf_life - self.lead_time]) safety_stock np.std(forecast_demand[:days_ahead]) * 1.96 target_inventory total_forecast safety_stock order_quantity max(0, target_inventory - effective_inventory) return round(order_quantity)effective_inventory的过滤条件容易写错。如果写成age shelf_life那些明天就过期、但交货要 1 天的批次会被算进去导致订购量偏低、第二天直接短缺。正确逻辑是「剩余寿命必须覆盖提前期」。safety_stock用预测值的标准差而不是历史需求标准差这是论文的一个细节——它让安全库存随预测波动自适应预测越不稳定、安全库存越高。3.2 库存模拟FIFO 出库与过期清理的完整循环simulate_inventory方法模拟了逐日的库存演化。每天先给所有批次年龄加 1然后按年龄排序做先进先出扣减再清理过期批次、计算浪费最后根据订购频率决定是否下单。这个循环里有两个容易翻车的地方一是排序必须在扣减之前二是过期清理必须在扣减之后。def simulate_inventory(self, actual_demand, forecasts, initial_inventory0, order_freq1): inventory [(initial_inventory, 0)] shortages, wastages, total_cost [], [], 0 for day in range(len(actual_demand)): inventory [(qty, age1) for qty, age in inventory] # 老化 available sum([qty for qty, age in inventory if age self.shelf_life]) demand actual_demand[day] fulfilled min(demand, available) shortages.append(demand - fulfilled) # FIFO扣减按年龄从小到大消耗 remaining_demand demand new_inventory [] for qty, age in sorted(inventory, keylambda x: x[1]): if remaining_demand 0 and age self.shelf_life: used min(qty, remaining_demand) remaining qty - used remaining_demand - used if remaining 0: new_inventory.append((remaining, age)) else: new_inventory.append((qty, age)) # 清理过期 wasted sum([qty for qty, age in new_inventory if age self.shelf_life]) wastages.append(wasted) inventory [(qty, age) for qty, age in new_inventory if age self.shelf_life] total_cost (demand - fulfilled) * self.shortage_cost wasted * self.wastage_cost # 订购决策 if day % order_freq 0: forecast forecasts[day:day7] order_qty self.calculate_order_quantity(inventory, forecast) if order_qty 0: inventory.append((order_qty, 0)) service_level 1 - sum(shortages) / sum(actual_demand) return {total_shortage: sum(shortages), total_wastage: sum(wastages), service_level: service_level, total_cost: total_cost, shortages: shortages, wastages: wastages}shortage_cost1000、wastage_cost300这两个参数直接决定策略的保守程度。短缺成本设得越高安全库存越大、浪费越多反过来浪费成本高策略会偏向少订。论文里没有给出这两个值的来源我一般会按「短缺一次的实际代价紧急调货临床风险」和「浪费一单位的采购成本」来估至少保持 2:1 的比例。3.3 主程序四种订购频率的对比实验主程序把订购频率设为 1、2、3、7 天四档分别跑模拟并画图。这个设计对应论文的核心结论之一扩大系统规模或降低订购频率可以在不牺牲服务水平的前提下减少运营成本。def main(): data load_and_preprocess_data(platelet_demand_data.csv) model, X_test, y_test, y_pred train_demand_forecast_model(data) policy PlateletInventoryPolicy() results {} for freq in [1, 2, 3, 7]: res policy.simulate_inventory( actual_demandy_test.values, forecastsy_pred, initial_inventory50, order_freqfreq) results[freq] res print(fFreq{freq}d | Service{res[service_level]:.2%} | fShortage{res[total_shortage]} | Wastage{res[total_wastage]} | fCost${res[total_cost]:,.2f})initial_inventory50是冷启动库存如果你的模拟周期短于 14 天这个值会显著影响前几天的结果建议做一次预热期或者从稳态库存开始。跑完之后重点看两个数服务率是否在 95% 以上以及每周订一次时浪费是否反而下降——如果下降说明日订策略在制造不必要的库存堆积。4. 避坑与排查复现时最容易翻车的五个点4.1 现象MAE 低于 3 但模拟结果全是短缺原因几乎可以确定是滞后特征泄露了未来信息。检查shift(i)的符号shift(-1)是明天shift(1)才是昨天。另一个可能是train_test_split忘了设shuffleFalse测试集里混入了训练集之后的时间点。解决在load_and_preprocess_data末尾加一行assert data[lag_1].iloc[0] original_data[demand].iloc[-8]之类的校验或者直接打印前 10 行的date和lag_1对照原始数据。4.2 现象浪费量始终为 0但库存越积越多原因是过期清理逻辑写在了 FIFO 扣减之前或者过滤条件用了age shelf_life而不是age shelf_life。代码里wasted的计算必须在new_inventory生成之后且条件严格大于保质期。解决在循环里加一个print(fDay {day}: inventory{inventory}, wasted{wasted})跑 10 天就能看出过期批次有没有被正确识别。4.3 现象订购频率改成 7 天后服务率暴跌到 70%这是正常现象还是 bug取决于你的安全库存设置。如果safety_stock用的是日需求标准差而不是 7 天累计需求标准差每周订一次时安全库存会严重不足。解决把np.std(forecast_demand[:days_ahead])改成np.std(forecast_demand[:days_ahead]) * np.sqrt(days_ahead)或者直接用days_ahead天预测值的标准差。论文里没有明确写这一点但这是库存管理里的标准做法。4.4 现象calculate_order_quantity返回负数或极大值负数被max(0, ...)兜住了但极大值通常意味着effective_inventory算出来是 0 或接近 0。检查current_inventory里的年龄字段——如果所有批次的age都大于shelf_life - lead_time有效库存就是 0订购量会等于目标库存。解决在simulate_inventory里打印每天的effective_inventory如果连续多天为 0说明初始库存设置太低或者订购频率太低需要调整initial_inventory或order_freq。4.5 现象换用自己的数据后dropna()删掉了大量行滞后特征会强制删除前 7 行如果数据本身有缺失值dropna()可能删掉 20% 以上的样本。血小板日需求数据常见的问题是周末和节假日没有记录导致日期不连续。解决先做data data.asfreq(D)补齐日期索引再用data[demand].interpolate()填充缺失值最后才构造滞后特征。补齐后的数据量会变大但时序连续性有保证。5. 敏感性分析与牛鞭效应把模型边界摸清楚5.1 扩展敏感性分析哪些参数真正影响总成本论文的敏感性分析只覆盖了有限几个参数实际复现时我建议把lead_time、shelf_life、shortage_cost、wastage_cost、initial_inv、order_freq六个参数做成网格跑一轮批量模拟。下面这个函数可以直接接在main()后面用。def extended_sensitivity_analysis(model, X_test, y_test, policy_params): results [] forecasts model.predict(X_test) for params in policy_params: policy PlateletInventoryPolicy( lead_timeparams[lead_time], shelf_lifeparams[shelf_life], shortage_costparams[shortage_cost], wastage_costparams[wastage_cost]) res policy.simulate_inventory( actual_demandy_test.values, forecastsforecasts, initial_inventoryparams[initial_inv], order_freqparams[order_freq]) results.append({**params, service_level: res[service_level], total_cost: res[total_cost], total_wastage: res[total_wastage]}) return pd.DataFrame(results)跑完之后按total_cost排序你会看到两个规律第一lead_time从 1 天增加到 2 天总成本上升幅度最大因为有效库存窗口被压缩了第二order_freq从 1 天放宽到 3 天总成本通常下降 10% 到 15%但再放宽到 7 天成本反而回升因为短缺惩罚开始主导。这个拐点就是论文说的「减少订购频率的可行边界」。5.2 牛鞭效应模拟为什么医院端的波动会被放大论文提到过量库存会掩盖真实需求、产生牛鞭效应。下面这段代码用四级供应链模拟了这个过程医院真实需求经过区域中心、配送中心、血液服务中心逐级放大订单量的波动幅度逐级增加。def simulate_bullwhip_effect(base_demand, levels4): orders [base_demand.copy()] for level in range(1, levels): current_level_orders [] for i in range(len(orders[level-1])): # 每级在上一级订单基础上加随机调整模拟信息延迟和批量决策 order orders[level-1][i] * np.random.uniform(0.9, 1.3) current_level_orders.append(order) orders.append(current_level_orders) return ordersnp.random.uniform(0.9, 1.3)这个区间是我按经验设的实际项目中应该用历史订单数据拟合。跑出来的图如果显示第四级订单量的标准差是第一级的 2 倍以上说明牛鞭效应显著这时候论文里「需求聚合和库存共享」的策略就有明确的量化收益——把四家医院的订单合并成一张预测表波动率能降 30% 左右。5.3 一个具体技巧用预测区间代替点预测做安全库存论文用的是点预测加固定倍数标准差我后来改成了一个更稳的做法让随机森林输出每棵树的预测值取 5% 和 95% 分位数作为需求上下界安全库存直接等于P95 - P50。这样安全库存会随预测不确定性自适应而不是用一个全局标准差。def predict_with_interval(model, X, lower5, upper95): all_preds np.array([tree.predict(X) for tree in model.estimators_]) return (np.percentile(all_preds, lower, axis0), np.percentile(all_preds, 50, axis0), np.percentile(all_preds, upper, axis0))把calculate_order_quantity里的safety_stock换成p95 - p50在测试集上服务率不变的情况下浪费量通常能再降 8% 到 12%。这个改动不需要重新训练模型只是换了一种读取预测结果的方式。从那以后我每次做库存策略复现都会先把预测区间跑出来看一眼——如果 P95 和 P50 的差距超过日均需求的 50%说明预测本身不够稳这时候再怎么调库存参数都是治标不治本得回头补特征或者换模型。希望帮到你。本文还有配套的精品资源点击获取