پیش بینی مقایسه ای سری زمانی تقاضای آموکسی سیلین با استفاده از نوع های ARIMA و LSTM

پیش بینی دقیق داروهای کوتاه مدت بسیار حیاتی است تا از کمبودها جلوگیری شود و برنامه ریزی تولید انجام شود. این مطالعه مدل های آماری و یادگیری ماشین برای پیش بینی تقاضای ایرانی برای گروه آموکسی سیلین را با استفاده از داده های اداره غذا و داروی ایران از سال ۱۴۰۰ تا ۱۴۰۳ که به ۲۴ دوره نیمه ماهه در سال تجمیع شده اند، مقایسه می کند. مدل های آزمایش شده شامل SARIMA یک متغیر، Holt-Winters، SARIMAX با افزایش دما و LSTM چند متغیره با میانگین ملی دمای حداقلی (°F) از Weather Spark بودند. یک مجموعه نگهداری ۲۴ دوره با MAPE، RMSE، MAE و R۲، با تست های Diebold-Mariano ارزیابی شد. Holt-Winters (MAPE ۷.۲۶٪) و LSTM (۶.۴۴٪) عملکرد بهتری نسبت به بنچمارک Seasonal Naïve داشتند؛ SARIMAX عملکرد ضعیف تری داشت، در حالی که LSTM با دما دقت بهتری داشت، که نشان می دهد مدل های غیر خطی به طور موثر از سیگنال های اقلیمی استفاده می کنند. نتایج با انتخاب مدل راهنمایی می کنند با تعادل بین قابل فهم بودن، دقت و محدودیت های عملی در زنجیره تامین دارویی.

کلیدواژه ها:

پیش بینی تقاضای آموکسی سیلین ، ARIMA فصلی ، SARIMAX ، Holt-Winters ، حافظه کوتاه مدت بلند (LSTM) ، دمای خارجی ، زنجیره تامین دارویی ، ایران ، تجزیه و تحلیل سری زمانی