摘 要：文章基于LSTM模型預(yù)測(cè)感染人數(shù)，構(gòu)建了物資需求模型，推導(dǎo)出應(yīng)急倉(cāng)庫(kù)訂貨數(shù)量。文章首先從應(yīng)急物資分類入手，為構(gòu)建訂貨模型鋪墊。然后，針對(duì)預(yù)測(cè)感染人數(shù)這一問(wèn)題的特點(diǎn)選定LSTM作為預(yù)測(cè)模型，并搭建LSTM模型網(wǎng)絡(luò)。最后綜合各方面影響因素，建立訂貨數(shù)量計(jì)算公式。文章提供了重大突發(fā)公共衛(wèi)生事件下單周期應(yīng)急倉(cāng)庫(kù)訂貨數(shù)量量化方法，為應(yīng)急物資供應(yīng)鏈倉(cāng)儲(chǔ)訂貨提供了科學(xué)的數(shù)據(jù)支撐。

關(guān)鍵詞：應(yīng)急倉(cāng)庫(kù)訂貨；應(yīng)急物資；LSTM模型；感染人數(shù)預(yù)測(cè)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）17-0134-06

0 引 言

應(yīng)急倉(cāng)庫(kù)訂貨是指在突發(fā)公共衛(wèi)生事件或其他緊急情況下，為了有效地應(yīng)對(duì)災(zāi)害或緊急情況，準(zhǔn)備和儲(chǔ)備必要的物資和資源。在面臨突發(fā)事件時(shí)，快速、準(zhǔn)確地補(bǔ)給所需物資對(duì)于保障人員安全和救治工作的順利進(jìn)行至關(guān)重要。通過(guò)科學(xué)的數(shù)量設(shè)定，可以確保應(yīng)急倉(cāng)庫(kù)中始終保持足夠的儲(chǔ)備物資，以應(yīng)對(duì)各種突發(fā)情況，保障社會(huì)的安全和穩(wěn)定

目前倉(cāng)儲(chǔ)領(lǐng)域的研究主要集中在倉(cāng)庫(kù)補(bǔ)貨問(wèn)題，對(duì)于研究訂貨數(shù)量可以作為參考。Baller等[1]提出一個(gè)動(dòng)態(tài)需求聯(lián)合補(bǔ)貨模型（DJRP），將傳統(tǒng)的DJRP擴(kuò)展為考慮運(yùn)輸成本的DJRP（DJRP-AT）。Braglia等[2]提出具有隨機(jī)需求和缺貨-丟失銷售混合周期審查聯(lián)合補(bǔ)貨問(wèn)題，使用極小極大分布無(wú)關(guān)方法應(yīng)對(duì)缺乏有關(guān)需求分布完整信息的情況。Chen等[3]提出一種帶有短缺和部分需求代替的聯(lián)合補(bǔ)貨問(wèn)題（JRP），以預(yù)算、運(yùn)輸能力和裝運(yùn)要求等為約束條件構(gòu)建模型算法。Wang等[4]將傳統(tǒng)的模糊模擬（FS）方法和差分進(jìn)化算法（DE）相結(jié)合，提出具有模糊次要補(bǔ)貨成本和模糊庫(kù)存持有的聯(lián)合補(bǔ)貨模型（JRP）。

在應(yīng)急倉(cāng)庫(kù)訂貨數(shù)量確定過(guò)程中，受多方面因素影響，主要包括物資需求預(yù)測(cè)、倉(cāng)庫(kù)儲(chǔ)存成本以及物資運(yùn)輸成本。在重大突發(fā)公共衛(wèi)生事件中，物資需求預(yù)測(cè)主要體現(xiàn)在感染人數(shù)的預(yù)測(cè)上。因此，文章研究首先聚焦于重大突發(fā)公共衛(wèi)生事件中感染人數(shù)的預(yù)測(cè)問(wèn)題。隨后就是將儲(chǔ)存成本和交通成本考慮其中，構(gòu)建出訂貨模型。最后，選取某地區(qū)作為案例，利用現(xiàn)有資料查詢相關(guān)數(shù)據(jù)，計(jì)算驗(yàn)證模型。

1 前期相關(guān)研究

1.1 重大突發(fā)公共衛(wèi)生事件下應(yīng)急物資分類

應(yīng)急物資是指為了應(yīng)對(duì)用于應(yīng)急突發(fā)事件所需的各種物資，涵蓋了應(yīng)急救援演練、災(zāi)后恢復(fù)、醫(yī)療救治等各個(gè)環(huán)節(jié)所需的基礎(chǔ)保障設(shè)施、生活救援物資以及生命救助物資等[5]。國(guó)家發(fā)展和改革委員會(huì)主任急物資的分類，應(yīng)急物資按照用途分類可分為13類，即防護(hù)用品類、生命救助類、生命支持類、救援運(yùn)載類、臨時(shí)食宿類、污染清理類、動(dòng)力燃料類、工程設(shè)備類、器材工具類、照明設(shè)備類、通信廣播類、交通運(yùn)輸類、工程材料類[6]。

重大突發(fā)公共衛(wèi)生事件具有嚴(yán)重性、復(fù)雜性、不確定性、傳播性、階段性和持續(xù)性等特點(diǎn)。由于其嚴(yán)重性，會(huì)導(dǎo)致大量病患，因此需要充足的疫苗、藥品和醫(yī)療消耗器材等。傳播性使得醫(yī)療工作者和公眾都需要大量醫(yī)療防護(hù)用品。事件的復(fù)雜性和階段性不僅涉及醫(yī)療領(lǐng)域，還涉及社會(huì)治安等方面，需要為隔離區(qū)域的居民提供必要的生活物資。重大突發(fā)公共衛(wèi)生事件存在幾個(gè)階段：初期階段、爆發(fā)階段、相持階段和恢復(fù)階段[7]。從事件的不同階段來(lái)看，初期階段傳播速度快，病情難以控制，因此需要大量藥品，特別是消毒殺菌類藥品的需求會(huì)急劇增加。爆發(fā)階段感染人數(shù)激增，需求進(jìn)一步增加，消毒殺菌類藥品和醫(yī)療防護(hù)用品的需求急劇上升，同時(shí)需要保障隔離區(qū)的正常生活物資供應(yīng)。相持階段疫情得到控制，但仍需消毒殺菌類藥品和醫(yī)療防護(hù)用品，同時(shí)需要繼續(xù)保持隔離區(qū)的物資供應(yīng)?；謴?fù)階段感染人數(shù)逐漸減少，各類物資需求量下降，居民生活逐漸恢復(fù)正常。

綜合上述分析，在重大突發(fā)公共衛(wèi)生事件下，所需的應(yīng)急物資種類可大致可分為兩類，一類為醫(yī)療處置及救護(hù)物資，另一類為基本生活保障物資兩大類。醫(yī)療處置及救護(hù)物資又細(xì)分救治藥品、救治物品和消殺物資。 根據(jù)《應(yīng)急保障重點(diǎn)物資分類目錄》，常見(jiàn)的醫(yī)療處置及救護(hù)物資有抗病毒藥物、抗生素、止痛藥、消炎藥、呼吸機(jī)、心電監(jiān)護(hù)儀、口罩、防護(hù)服、護(hù)目鏡、酒精等；常見(jiàn)的基本生活保障物資有棉被、飲用水方便食品等。

1.2 感染人數(shù)預(yù)測(cè)

對(duì)于重大突發(fā)公共衛(wèi)生事件的物資需求預(yù)測(cè)，主要體現(xiàn)在對(duì)感染人數(shù)的預(yù)測(cè)。近幾年基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的深度學(xué)習(xí)模型被廣泛應(yīng)用，其中具有代表性的為長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）。LSTM擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)，能夠捕捉感染人數(shù)隨時(shí)間變化的規(guī)律。其靈活的時(shí)間間隔處理能力使其適用于不同時(shí)間尺度下的數(shù)據(jù)模式學(xué)習(xí)。此外，LSTM能夠處理復(fù)雜的非線性關(guān)系，更準(zhǔn)確地預(yù)測(cè)感染人數(shù)的變化趨勢(shì)。通過(guò)門控單元的設(shè)計(jì)，LSTM具有優(yōu)秀的長(zhǎng)期記憶能力，能夠有效保留過(guò)去較長(zhǎng)時(shí)間內(nèi)的信息，從而提高對(duì)未來(lái)感染人數(shù)走勢(shì)的預(yù)測(cè)準(zhǔn)確性和可靠性。Shahid等[8]等人評(píng)估了自回歸綜合移動(dòng)平均（ARIMA）、支持向量回歸（SVR）、長(zhǎng)短期記憶（LSTM）、雙向長(zhǎng)短期記憶（Bi-LSTM）在內(nèi)的預(yù)測(cè)模型，得出測(cè)試結(jié)果排名順序?yàn)锽i-LSTM、LSTM、GRU、SVR和ARIMA。綜合考慮模型計(jì)算速度以及模型性能，本文將采用LSTM模型進(jìn)行感染人數(shù)預(yù)測(cè)。

1.2.1 LSTM模型結(jié)構(gòu)

LSTM結(jié)構(gòu)如圖1所示，LSTM通過(guò)三個(gè)門，即遺忘門、輸入門、輸出門控制信息量的傳入過(guò)程，并通過(guò)引入“記憶細(xì)胞狀態(tài)”對(duì)其進(jìn)行長(zhǎng)期保存[9]。

圖1中，ft為遺忘門的控制函數(shù)，如式（1）所示。Wf為遺忘門染疫人數(shù)實(shí)際值的權(quán)重矩陣，ht-1隱藏層為前一天的染疫情預(yù)測(cè)值，bf為遺忘門偏差向量。參數(shù)it為輸入門的控制函數(shù)，與ft類似，通過(guò)改變權(quán)重矩陣的值用于對(duì)新輸入的新冠染疫數(shù)據(jù)進(jìn)行選擇，以避免相關(guān)性較低的數(shù)據(jù)數(shù)值加入記憶細(xì)胞，如式（2）所示，其中，Wi為輸入門新冠染疫真實(shí)值的權(quán)重矩陣，ht-1為上一時(shí)刻隱藏層狀態(tài)，[ht-1，xt]為兩個(gè)向量連接成的長(zhǎng)向量，bi為輸入門偏差向量[10]。

（1）

（2）

對(duì)當(dāng)前時(shí)刻新冠染疫數(shù)據(jù)向量進(jìn)行處理，該時(shí)刻記憶細(xì)胞的存儲(chǔ)向量是將上一時(shí)刻的存儲(chǔ)向量和當(dāng)前時(shí)刻新輸入的染疫數(shù)據(jù)向量分別與遺忘門控制函數(shù)向量、輸入門控制函數(shù)向量進(jìn)行逐元素相乘，進(jìn)而實(shí)現(xiàn)對(duì)較長(zhǎng)時(shí)間的染疫數(shù)據(jù)信息的記憶存儲(chǔ)，Ct用來(lái)更新細(xì)胞狀態(tài)，即對(duì)相關(guān)性較強(qiáng)的歷史染疫數(shù)據(jù)進(jìn)行記憶，該變量通過(guò)舍棄前一天的部分記憶，將新的候選值變量加入記憶，以此不斷更新與存儲(chǔ)[10]，如式（3）、式（4）所示。式（4）中⊙為向量元素乘法運(yùn)算符號(hào)， 為當(dāng)前時(shí)刻染疫情實(shí)際值的tanh函數(shù)轉(zhuǎn)換值，作為當(dāng)前時(shí)刻染疫情況向量，Wc為當(dāng)前時(shí)刻染疫情況看的存儲(chǔ)值權(quán)重矩陣，bc為當(dāng)前時(shí)刻偏差向量。

（3）

（4）

通過(guò)輸出門的控制函數(shù)ot對(duì)當(dāng)天染疫數(shù)據(jù)預(yù)測(cè)值的輸出控制，并通過(guò)轉(zhuǎn)換得到預(yù)測(cè)值，計(jì)算公式如式（5）、式（8）所示：

（5）

（6）

（7）

（8）

在染疫人數(shù)預(yù)測(cè)輸出中，Lt為實(shí)際值，通過(guò)輸出門的控制函數(shù)ot對(duì)當(dāng)天染疫人數(shù)預(yù)測(cè)值的輸出控制，并通過(guò)轉(zhuǎn)換得到染疫人數(shù)預(yù)測(cè)值，bo為當(dāng)前時(shí)可偏差向量，Wy為輸出門上一時(shí)刻染疫人數(shù)的存儲(chǔ)值權(quán)重矩陣，Wo為控制門染疫人數(shù)真實(shí)值的權(quán)重矩陣，minJ（θ）為L(zhǎng)STM的損失函數(shù)。

本文構(gòu)建的LSTM模型中三個(gè)門中的激活函數(shù)都采用的是Sigmoid函數(shù)，輸出值在[0，1]之間，當(dāng)輸出值為0，此時(shí)對(duì)上一時(shí)刻的信息全部舍棄；當(dāng)輸出值為1，此時(shí)對(duì)上一時(shí)刻的信息全部保留。

1.2.2 模型搭建和預(yù)測(cè)

實(shí)驗(yàn)以新冠疫情為研究對(duì)象，獲取2020年1月19日至2022年3月30日期間廣東省每日新增確診病例數(shù)作為實(shí)驗(yàn)數(shù)據(jù)。將2020年1月19日至2021年9月15日期間數(shù)據(jù)為訓(xùn)練集，搭建LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練。2021年9月16日至2022年3月30日數(shù)據(jù)為測(cè)試集，對(duì)訓(xùn)練好的LSTM模型進(jìn)行測(cè)試。

使用TensorFlow和Keras框架搭建LSTM網(wǎng)絡(luò)模型，模型各配置參數(shù)如下：模型使用均方誤差MSE作為損失函數(shù)，adam優(yōu)化器。搭建的LSTM網(wǎng)絡(luò)模型共有6層，包括3個(gè)LSTM層，2個(gè)dropout層和1個(gè)全連接層。第1個(gè)LSTM層連接輸入，有100個(gè)神經(jīng)元；第2、3層分別有100個(gè)神經(jīng)元；為了防止過(guò)擬合現(xiàn)象，設(shè)置了兩個(gè)dropout層，dropout率均為0.5；最后一層為輸出層，只有1個(gè)神經(jīng)元，使用全連接神經(jīng)網(wǎng)絡(luò)和線性激活函數(shù)linear輸出預(yù)測(cè)值。

將廣東省2020年1月19日至2021年9月15日期間每日新增確診病例數(shù)為訓(xùn)練集，有590條數(shù)據(jù)。在訓(xùn)練時(shí)，時(shí)間窗口sequence_length長(zhǎng)度為7，batch_size為32，epoch為1 500。模型測(cè)試集為廣東省2021年9月16日至2022年3月30日期間的新增確診病例數(shù)。訓(xùn)練結(jié)果如圖2所示，其中橫坐標(biāo)表示預(yù)測(cè)時(shí)間，即從2021年9月16日起的預(yù)測(cè)天數(shù)，縱坐標(biāo)表示新增確診病例數(shù)，虛線表示預(yù)測(cè)結(jié)果，實(shí)線為實(shí)際數(shù)據(jù)。

訓(xùn)練結(jié)果的MAE與MSE值分別為6.08和139.63。以MAE和MSE兩個(gè)數(shù)值作為評(píng)判指標(biāo)來(lái)看，模型具有可觀的預(yù)測(cè)效果；從預(yù)測(cè)值與真實(shí)值的對(duì)比圖來(lái)看，預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)基本是吻合的，各新增高峰也進(jìn)行了比較準(zhǔn)確的預(yù)測(cè)，高峰數(shù)和出現(xiàn)高峰的時(shí)間與實(shí)際數(shù)據(jù)基本符合。綜上說(shuō)明模型獲得了比較好的預(yù)測(cè)效果。

2 模型構(gòu)建

2.1 場(chǎng)景分析

文章基于單周期二級(jí)節(jié)點(diǎn)網(wǎng)絡(luò)進(jìn)行研究，一個(gè)集散中心對(duì)應(yīng)多個(gè)需求點(diǎn)，如圖3所示。

每個(gè)集散中心的倉(cāng)庫(kù)大小、未來(lái)疫情發(fā)展等因素都存在差異。在這種情況下，需要確定每個(gè)需求點(diǎn)的需求，同時(shí)需要綜合考慮多個(gè)因素，包括集散中心的倉(cāng)庫(kù)容量、物資的運(yùn)輸損耗以及多余物資存放產(chǎn)生的消耗。

2.2 物資需求模型構(gòu)建

在對(duì)重大突發(fā)公共衛(wèi)生事件下應(yīng)急倉(cāng)庫(kù)訂貨數(shù)量建立模型之前，首先要在LSTM模型預(yù)測(cè)感染人數(shù)的基礎(chǔ)上進(jìn)行預(yù)測(cè)。按照前面對(duì)應(yīng)急物資的分類，將物資分為醫(yī)療處置及救護(hù)物資和基本生活保障物資。在構(gòu)建模型時(shí)，將醫(yī)療處置及救護(hù)物資分為整個(gè)病程所需要的藥劑、救治類物品以及消殺類物資；將基本生活保障物資分為飲用水、食物以及其他必要生活物資。對(duì)于重大突發(fā)公共衛(wèi)生事件t階段每新增1個(gè)感染患者，對(duì)應(yīng)需要的醫(yī)療處置及救護(hù)物資中整個(gè)病程所需要的藥劑總量為αt，救治類物品總量βt，消殺類物資總量γt。設(shè)在重大突發(fā)公共衛(wèi)生事件t階段，每增加1個(gè)感染者對(duì)應(yīng)有nt個(gè)人需要隔離，按照成人每人生活標(biāo)準(zhǔn)配置每人一套生活物資，包括飲用水w、食物f以及其他必要生活物資z。

綜上所述，在重大突發(fā)公共衛(wèi)生事件t階段，每增加1個(gè)感染者所需要的物資需求量的計(jì)算公式為式（9）所示：

（9）

則在重大突發(fā)公共衛(wèi)生事件t階段每日需求量計(jì)算公式為式（10）所示，式中Ijt為重大突發(fā)公共衛(wèi)生事件t階段第j個(gè)需求點(diǎn)的感染人數(shù)。

（10）

2.3 倉(cāng)庫(kù)訂貨數(shù)量模型構(gòu)建

綜合考慮各方面因素，將以物資需求、儲(chǔ)存成本、交通成本因素為基礎(chǔ)，構(gòu)建訂貨數(shù)量公式，如式（11）所示，式中Qt為重大突發(fā)公共衛(wèi)生事件t階段的物資需求量，SCk為第k種物資存儲(chǔ)成本，TCk為第k種物資交通成本。

假設(shè)對(duì)每種物資從0開(kāi)始進(jìn)行編碼，其中第k種物資存儲(chǔ)成本計(jì)算式為式（12），式中Lk為第k種物資訂貨數(shù)量，Qi為第i天的物資消耗，θk為每單位第k種物資在倉(cāng)庫(kù)存放一天的物資損耗，d為存放天數(shù)，計(jì)算公式為式（13），為剩余可容納倉(cāng)儲(chǔ)。第k種物資交通成本公式為式（14），式中λk為運(yùn)輸損耗率，μk為第k種物資運(yùn)輸數(shù)量。

（11）

（12）

（13）

（14）

3 算例分析

使用深圳市2022年10月1日至2022年10月14日物資需求情況作為算例，預(yù)測(cè)周期為7天，以10月1日至10月7日的新增病例數(shù)為基礎(chǔ)，對(duì)10月8日至10月14日的物資需求進(jìn)行預(yù)測(cè)。使用LSTM模型預(yù)測(cè)出10月8日至10月14日的每日新增病例數(shù)分別為81、73、47、23、23、23、14，共284人。

3.1 物資需求計(jì)算

根據(jù)《新型冠狀病毒感染診療方案（試行第十版）》，基礎(chǔ)治療藥品主要為退燒藥和止咳祛痰藥物，本文以布洛芬和連花清瘟膠囊為例進(jìn)行需求量計(jì)算。危重癥藥物主要包括抗病毒藥物、激素類藥物等，本文以奈瑪特韋片/利托那韋片、阿茲夫定片為例。按照新型冠狀病毒救治經(jīng)驗(yàn)，將上述藥品設(shè)為治療整個(gè)病程的一套用藥，設(shè)病程為14天，藥品病程計(jì)量如表1所示。

經(jīng)計(jì)算可知，αt=46.67。對(duì)于確診病例，每天需要進(jìn)行3次核酸檢測(cè)，病程內(nèi)需要檢測(cè)試劑42套，即βt=42。設(shè)每間病房平均面積為35平方米，每間病房住三名患者，則平均每名患者占用約12平方米，消殺類物資選取含氯消毒片，設(shè)每平方米消毒劑用量為0.1 L，參照中國(guó)醫(yī)院協(xié)會(huì)發(fā)布的醫(yī)院環(huán)境消毒及醫(yī)療廢物等管理規(guī)范建議，每天消毒兩次，則病程內(nèi)需要消毒劑33.6 L，假設(shè)使用含氯消毒片配置消毒劑，每片加水1 L，則病程內(nèi)每個(gè)患者需要33.6片含氯消毒片，則γt=33.6。

根據(jù)《中國(guó)居民膳食指南》，成年人每天應(yīng)攝取至少包括谷物、蔬菜、水果、魚肉蛋禽和油脂類食物。每種食物具體攝入量如表2所示。

根據(jù)北京經(jīng)濟(jì)開(kāi)發(fā)區(qū)網(wǎng)站發(fā)布的隔離物資準(zhǔn)備，可知隔離點(diǎn)一般為隔離人員準(zhǔn)備了牙膏、牙刷、一次性紙杯、毛巾、衛(wèi)生紙、體溫計(jì)、棉被、褥子、垃圾袋、口罩、檢測(cè)試劑等生活必需物資，每種物資數(shù)量如表3所示。

設(shè)平均每名感染者的密切接觸者為15人[11]且全部被隔離，隔離時(shí)間為14天，則nt=15。按照式（13）和式（14）計(jì)算可得，需要藥品：布洛芬緩釋膠囊7 156.8 g，連花清瘟膠囊233 788.8 g，奈瑪特韋片/利托那韋片15 904 g，阿茲夫定片278.32 g；需要檢測(cè)試劑11 928套；需要含氯消毒片133 593.6片；需要飲用水89 460 L；需要谷物23 856 kg，蔬菜和水果29 820 kg，魚肉蛋禽和油脂8 946 kg；需要必要生活物資4 294 080件。

3.2 成本計(jì)算

對(duì)于儲(chǔ)存成本計(jì)算，假設(shè)倉(cāng)庫(kù)中已經(jīng)儲(chǔ)存了3.1中的物資需求量，根據(jù)《醫(yī)藥商品定額損耗管理辦法》和《超市生鮮損耗率參考標(biāo)準(zhǔn)》等，每種物資損耗率和損耗量如表4所示。

交通成本是物資在運(yùn)輸過(guò)程中造成的損耗，假設(shè)每次運(yùn)輸?shù)奈镔Y量為3.1中的需求量，根據(jù)商業(yè)部關(guān)于印發(fā)《商品運(yùn)輸定額損耗》的通知等，取平均損耗率，每種物資損耗率和損耗量如表5所示。

3.3 訂貨數(shù)量計(jì)算

根據(jù)3.1和3.2中的計(jì)算結(jié)果，代入到式（11）中計(jì)算可知各種物資訂貨數(shù)量，如表6所示。

4 結(jié) 論

本文首先研究重大突發(fā)公共衛(wèi)生事件下應(yīng)急物資分類，然后基于LSTM模型對(duì)感染人數(shù)進(jìn)行預(yù)測(cè)，并在此基礎(chǔ)上綜合儲(chǔ)存成本和交通成本構(gòu)建訂貨數(shù)量模型，以深圳市為例，計(jì)算了十余種物資的訂貨數(shù)量。相較于傳統(tǒng)的訂貨模型的研究，基于感染人數(shù)預(yù)測(cè)的訂貨模型研究可以掌握疫情發(fā)展趨勢(shì)和明確物資需求量，有利于明確訂貨數(shù)值，從而為整個(gè)應(yīng)急物資供應(yīng)鏈提供可靠的數(shù)據(jù)。

參考文獻(xiàn)：

[1] BALLER A C，DABIA S，DULLAERT W E H，et al. The Dynamic-Demand Joint Replenishment Problem with Approximated Transportation Costs [J].European Journal of Operational Research，2019，276（3）：1013-1033.

[2] BRAGLIA M，CASTELLANO D，SONG D P. Distribution-Free Approach For Stochastic Joint-Replenishment Problem With Backorders-Lost Sales Mixtures， and Controllable Major Ordering Cost and Lead Times [J].Computers & operations research，2017，79：161-173.

[3] CHEN Y R，YANG L，JIANG Y S，et al. Joint Replenishment Decision Considering Shortages， Partial Demand Substitution， and Defective Items [J].Computers & Industrial Engineering，2019，127：420-435.

[4] WANG L，F(xiàn)U Q L，LEE C G，et al. Model and Algorithm of Fuzzy Joint Replenishment Problem Under Credibility Measure on Fuzzy Goal [J].Knowledge-Based Systems，2013，39：57-66.

[5] 謝青凌.四川省應(yīng)急物資儲(chǔ)備體系分析與優(yōu)化 [D].成都：電子科技大學(xué)，2021.

[6] 李輝.應(yīng)急物資分類標(biāo)準(zhǔn)與編碼規(guī)范研究 [J].標(biāo)準(zhǔn)科學(xué)，2017（7）：18-24.

[7] 康明.面向突發(fā)公共衛(wèi)生事件的應(yīng)急物資分類與調(diào)度問(wèn)題研究 [D].北京：北京郵電大學(xué)，2023.

[8] SHAHID F，ZAMEER A，MUNEEB M. Predictions for COVID-19 with Deep Learning Models of LSTM， GRU and Bi-LSTM [J].Chaos， Solitons & Fractals，2020，140：110212.

[9] 孫東旭.突發(fā)疫情應(yīng)急醫(yī)療物資需求預(yù)測(cè)與調(diào)度研究 [D].武漢：華中科技大學(xué)，2021.

[10] 熊紅林，冀和，樊重俊，等.基于LSTM-SVR模型的航空旅客出行指數(shù)預(yù)測(cè) [J].系統(tǒng)管理學(xué)報(bào)，2020，29（6）：1169-1176.

[11] YANG Z F，ZENG Z Q，WANG K，et al. Modified SEIR and AI Prediction of the Epidemics Trend of COVID-19 in China Under Public Health Interventions [J].Journal of Thoracic Disease，2020，12（3）：165.

作者簡(jiǎn)介：時(shí)曉旭（1999—），男，漢族，山東泰安人，碩士研究生在讀，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)、應(yīng)急數(shù)據(jù)處理、時(shí)間序列預(yù)測(cè)；郭慧（1981—），女，漢族，河北秦皇島人，副教授，博士，研究方向：機(jī)器學(xué)習(xí)和模式識(shí)別；賴俊業(yè)（1999—），男，漢族，重慶江津人，碩士研究生在讀，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)、強(qiáng)化學(xué)習(xí)、應(yīng)急數(shù)據(jù)處理；王養(yǎng)廷（1966—），男，漢族，河北承德人，教授，碩士，研究方向：信息系統(tǒng)應(yīng)用軟件開(kāi)發(fā)、數(shù)據(jù)采集、分析處理、控制系統(tǒng)軟件開(kāi)發(fā)。

DOI：10.19850/j.cnki.2096-4706.2024.17.026

收稿日期：2024-04-01

基金項(xiàng)目：科技創(chuàng)新2030-新一代人工智能重大項(xiàng)目（2021ZD0114203）

Research on the Order Quantity of Emergency Warehouse Based on the Prediction of the Number of Infected People

SHI Xiaoxu， GUO Hui， LAI Junye， WANG Yangting

（School of Computer Science， North China Institute of Science and Technology， Langfang 065201， China）

Abstract： This paper predicts the number of infected pRDG9nIS4zjzHvMpDkCTX0bn+R7moMR/JFGKVsoC+oY0=eople based on LSTM model， constructs material demand model， and derives the order quantity of emergency warehouse. Firstly， this paper starts with the classification of emergency materials， paving the way for building an order model. Secondly， for the characteristics of the problem of predicting the number of infected people， LSTM is selected as the prediction model， and the LSTM model network is established. Finally， this paper considers various influencing factors to establish a formula for calculating the order quantity. The paper provides a quantitative method for the order quantity of emergency warehouse in single cycles during major public health emergencies， providing scientific data support for the storage and ordering of emergency materials in the supply chain.

Keywords： emergency warehouse ordering; emergency materials; LSTM model; prediction of the number of infected people