本發明屬于材料調度領域，更具體地說，尤其涉及基于深度學習的醫藥冷鏈包材調度方法。同時，本發明還涉及基于深度學習的醫藥冷鏈包材調度系統。

背景技術：

1、隨著全球醫藥行業的發展，藥品的運輸和儲存要求變得越來越嚴格，特別是在冷鏈物流領域。醫藥產品對溫度、濕度環境參數極為敏感，任何微小的環境變化都可能導致藥品質量下降甚至失效。因此，確保醫藥產品在運輸和儲存過程中的穩定性和安全性是至關重要的。傳統的冷鏈物流管理主要依賴于人工監控和經驗判斷，這種方式存在諸多不足：實時性差：人工監控無法實現24小時不間斷監控，且反應速度慢；準確性低：依賴經驗的判斷容易受到主觀因素影響，導致決策不準確；效率低下：手動調整包材和調度策略耗時耗力，難以應對大規模和復雜的物流需求；數據利用不足：大量的歷史數據未被充分利用，無法為決策提供有力支持；

2、為了解決這些問題，近年來出現了一些基于物聯網(i?ot)技術的冷鏈監控系統，通過在冷藏車、倉庫關鍵位置安裝傳感器，實現環境參數的實時采集和監控。然而，這些系統仍然面臨以下挑戰：數據分析能力有限：雖然能實時收集數據，但缺乏有效的數據分析手段，難以從海量數據中提取有價值的信息；預測能力不足：現有的監控系統大多只能進行實時監控，缺乏對未來需求的預測能力，無法提前做好調度準備；智能化程度不高：系統的自動化和智能化水平較低，需要人工干預較多，影響了整體效率；

3、因此，我們提出基于深度學習的醫藥冷鏈包材調度方法和系統，有效解決上述問題。

技術實現思路

1、本發明的目的是為了解決現有技術中存在的缺點，而提出的基于深度學習的醫藥冷鏈包材調度方法和系統，通過實時監控冷鏈物流過程中的關鍵參數，結合歷史數據訓練深度學習模型，實現環境變化的準確預測和包材調度策略的動態優化。

2、為實現上述目的，本發明提供如下技術方案：

3、基于深度學習的醫藥冷鏈包材調度方法，包括如下步驟：

4、s1、實時監控冷鏈物流過程中的關鍵參數，在冷藏車、冷藏倉庫、包裝箱安裝溫度、濕度、壓力、震動傳感器，定期采集環境數據，通過無線通信將數據傳輸到中央監控系統；

5、s2、將監控數據輸入深度學習模型進行分析，中央監控系統根據接收到的數據建立深度學習模型，并使用歷史數據訓練深度學習模型，使其能夠準確預測環境變化對醫藥產品質量的影響；

6、s3、根據分析結果動態調整包材調度策略，將實時監控數據輸入訓練好的深度學習模型，進行實時分析和評估，根據深度學習模型的分析結果，自動生成包材調度指令；

7、s4、利用深度學習模型預測未來的需求和運輸環境，收集歷史銷售數據、市場趨勢、季節性變化、特殊事件信息，并對未來一段時間內的市場需求和運輸環境進行預測，通過加權計算方式計算各種包材配置方案的得分，并將得分最高的作為最優調度方法。

8、優選的，步驟s1中，中央監控系統接收到來自各傳感器的實時數據后，進行初步的處理和清洗，包括數據校驗、異常值檢測和數據格式轉換，以確保輸入深度學習模型的數據質量；

9、處理后的數據被存儲在中央數據庫中，便于后續的數據分析和查詢，數據存儲系統具備高可靠性和擴展性，支持實時訪問和歷史數據回溯。

10、優選的，步驟s2中，首先對監控到的溫度、濕度、壓力和震動環境數據進行歸一化處理，以便適應模型的輸入要求，n個傳感器收集的數據，每個傳感器收集的數據維度為d，則輸入數據矩陣表達式為：

11、x∈rn×d，式中，x表示數據矩陣，r表示數據集；

12、在模型中，第l層的卷積核大小為kl×kl，卷積核數量為ml，則該層的輸出特征大小為：

13、

14、式中，sl為步長，n和d分別是輸入特征圖的高度和寬度，kl是卷積核的大小。

15、優選的，所述中央監控系統根據接收到的數據建立深度學習模型，表達式為：

16、

17、式中，是模型預測的環境變化對醫藥產品質量的影響評分，x是輸入的環境監控數據，θ是模型參數，f表示模型的映射關系；

18、模型參數θ被調整以最小化損失函數l，表達式為：

19、

20、式中，y是實際的環境變化對醫藥產品質量的影響評分，θ*是最優的模型參數集合，l(f(x；θ)，y)表示使用模型參數θ和輸入數據x進行預測得到的結果f(x；θ)與實際的環境變化對醫藥產品質量的影響評分y之間的差異。

21、優選的，步驟s3具體為：

22、s31、根據深度學習模型的分析結果生成包材調度指令，指令包括調整包材的種類、數量或配送時間，以適應當前和未來的環境條件，確保醫藥產品的質量不受影響；

23、s32、生成的包材調度指令會被發送至相關的執行部門，包括倉庫管理部門，倉庫管理部門根據指令進行相應的操作，包括調整庫存、準備發貨或更改配送路線；

24、s33、在執行過程中，系統會持續收集反饋信息，包括實際的環境數據、包材使用情況以及醫藥產品的質量狀況，信息將被用于進一步優化深度學習模型的訓練和調度策略的制定，以提高整個系統的智能化水平和效率。

25、優選的，所述步驟s31中，還包括人工對生成的調度指令進行審核，具體為：

26、初步評估與準備，在執行指令前，倉庫管理部門需進行初步評估和準備工作，包括檢查現有庫存情況、確認所需包材的可用性以及準備物流資源；

27、實施人工微調，根據實際工作情況，倉庫管理部門會進行人工微調，當發現某些包材的實際需求與指令存在差異時，根據實際情況進行調整，以確保調度策略更加科學合理。

28、優選的，步驟s4中，利用深度學習模型預測未來的需求和運輸環境，收集歷史銷售數據、市場趨勢、季節性變化、特殊事件信息，并對未來一段時間內的市場需求和運輸環境進行預測，具體為：

29、收集市場反饋數據，包括歷史銷售量、歷史銷售額、客戶反饋、市場調研報告，特殊事件報告；其中特殊事件報告包括節假日、促銷活動、自然災害的數據；

30、根據數據建立長短期記憶網絡模型并訓練，所述訓練將收集到的歷史數據劃分為訓練集和測試集，訓練集占總數據的70％-80％，測試集占20％-30％；

31、將當前已知的市場數據和特征輸入到訓練好的模型中，模型根據輸入的數據，計算出未來一段時間內市場需求和運輸環境的預測值。

32、優選的，步驟s4中所述的通過加權計算方式計算各種包材配置方案的得分，并將得分最高的作為最優調度方法，具體為：

33、加權項包括，產品保質期，權重為ωsl；保藏溫度，權重為ωst：冷鏈倉儲與目標地之間的距離，權重為ωd：運輸路線復雜程度，權重為ωrc；

34、對于每種包材配置方案i，定義一個綜合得分si，表達式為：

35、si＝wsl·sli+wst·sti+wd·(1-di)+wrc·(1-rci)；

36、式中，sli，sti，di，rci分別代表第i種包材配置方案在產品保質期、保藏溫度、距離和路線復雜程度上的評分，評分是標準化后的值，范圍從0到1，其中1表示最優，ωsl+ωst+ωd+ωrc＝1。

37、優選的，評分值標準化是將任意一個變量x，即實際值，其最小值為xmin，最大值為xmax，最小-最大規范化后的值x′，表達式為：

38、

39、通過將原始數據線性轉換到0到1之間，從而消除不同量綱和量級的影響，使得數據之間具有可比性。

40、基于深度學習的醫藥冷鏈包材調度系統，所述系統用于實現上述方法，包括：

41、數據采集層，在冷藏車、冷藏倉庫、包裝箱關鍵位置安裝溫度、濕度、壓力、震動傳感器，通過無線通信技術將傳感器數據實時傳輸到中央監控系統；

42、數據處理與存儲層，接收到的數據進行初步處理和清洗，包括數據校驗、異常值檢測和數據格式轉換，處理后的數據存儲在高可靠性和可擴展性的中央數據庫中，支持實時訪問和歷史數據回溯；

43、模型訓練與分析層，根據監控數據建立深度學習模型，使用歷史數據進行訓練，將實時監控數據輸入訓練好的深度學習模型，進行實時分析和評估，利用深度學習模型預測未來的需求和運輸環境，收集相關數據并進行分析；

44、調度策略生成層，根據深度學習模型的分析結果，自動生成包材調度指令，包括調整包材的種類、數量或配送時間，通過加權計算方式計算各種包材配置方案的得分，選擇得分最高的作為最優調度方法，

45、執行與反饋層，將生成的包材調度指令發送至執行部門，進行相應的操作，在執行過程中持續收集反饋信息，包括實際的環境數據、包材使用情況以及醫藥產品的質量狀況：利用收集到的反饋信息進一步優化深度學習模型的訓練和調度策略的制定。

46、本發明的技術效果和優點：本發明提供的基于深度學習的醫藥冷鏈包材調度方法和系統，與傳統的技術相比，本發明有如下優點：

47、通過實時監控和預測環境變化，能夠及時調整包材和調度策略，確保醫藥產品在運輸和儲存過程中的穩定性和安全性，減少因環境變化導致的藥品質量下降或失效的風險，提高藥品的整體質量水平；同時，自動化的包材調度指令生成和執行減少了人工干預的需求，提高了操作的效率和準確性，動態調整包材的種類、數量或配送時間，優化物流資源的配置，降低物流成本；

48、其次，利用深度學習模型進行數據分析和預測，提供科學的決策依據，避免了依賴經驗判斷帶來的主觀誤差，通過歷史數據的訓練和實時數據的輸入，模型能夠不斷學習和優化，提高預測的準確性和可靠性，系統集成了數據采集、處理、分析和執行反饋多個環節，形成了閉環的智能化管理系統，持續收集反饋信息并用于模型優化，使得系統能夠不斷自我完善，提高整體智能化水平

49、最后，深度學習模型具有較強的泛化能力，能夠適應不同的運輸環境和條件，提高系統的適應性和魯棒性，通過預測未來的需求和運輸環境，提前做好調度準備，有效應對市場波動和突發事件，充分利用歷史數據和實時數據，挖掘潛在的關聯和規律，為包材調度策略的制定提供有力支持，通過加權計算方式選擇最優的包材配置方案，實現資源的最優化配置。