论文部分内容阅读
摘要：航材需求预测是航材部门一直研究的热点问题之一，本文结合大量航材需求预测方法，从时间序列法和机器学习法入手，分析各类方法的优缺点，对航材需求预测技术研究现状进行总结。
关键词：预测;航材需求
航材预测是航材领域一直研究的问题，研究方法多种多样，预测精度也有好坏。 李卫灵等[1]考虑航材消耗的灰度性，针对部分航材样本数据少，消耗变化大的特点，采用灰色时间序列GM（1，1）模型对航材消耗进行预测，为“小样本，贫信息”航材的消耗预测研究提供了一种思路。马保国等[2]以备件完好率为指标，就低消耗航材消耗量的随机性提出了一种基于马尔可夫预测结合蒙特卡洛仿真的低消耗航材预测方法。韩戈白等[3]基于经济成本最小，综合效益最大的目标，结合航材消耗特点规律，应用ARIMA模型对航材消耗进行预测，并对预测结果进行修正，得出最终航材消耗预测值。指数平滑方法、指数加权移动平均法等适用于连续需求的预测方法，一度被用来进行需求预测，但其结果精度不高，尤其在需求中有大量的零的情况下，因此J.D.Croston[4]综合考虑需求时间间隔与消耗历史的影响，在指数平滑方法基础上提出了Croston方法用以实现航材预测。吴雯雯等[5]认为舰船器材消耗随时间变化具有较大的波动性，高峰厚尾现象明显，对数据进行一阶二阶差分处理，得到平稳的时间序列，并对其残差序列进行分析，对二阶差分序列和残差序列进行ARCH检验，构建GARCH模型，对GARCH族的各个模型的AIC值进行比较，选取滞后阶数最小（AIC值最小）的模型进行预测，找出了波动性器材的消耗规律，减小了滞后阶数。
以上主要通过时间序列法对小样本、贫信息的航材备件进行需求预测，适用于低消耗航材，对短期航材消耗预测精度较高，但无法对长期消耗规律做出准确预测。
齐浩淳等[5]考虑高原山地条件下的弹药消耗影响因素，把近几年的弹药消耗量作为时间序列，利用BP神经网络对数据进行训练，形成适合高原山地条件下的预测模型，对高原山地条件下的弹药消耗进行了比较准确预测。王绪民等[6]针对BP神经网络在训练数据时收敛速度慢，容易陷入局部最优的问题，利用人工鱼群算法优化BP神经网络的权值和阈值，提高了BP神经网络的预测精度。孙伟奇等[7]基于新机列装时间短、消耗数据少、保障难度大的特点，提出使用SVM对新机消耗进行预测，并引入误差平方和项，通过十字交叉法确定参数，通过仿真，验证了模型的可靠性。田德红等[8]引入邻域粗糙集概念，通过设置重要度下限对航弹消耗影响因素进行约简，采用SVM对航弹消耗量进行预测，并使用粒子群算法优化核参数和惩罚因子，提高了预测精度，对提高航弹保障水平具有指导意义。刘旭等[9]利用PCA的降维思想，筛选出航材消耗主要影响因素，并将其作为支持向量机的输入量，对航材消耗进行了预测，证明了模型的有效性。詹韧等[10]为解决燃油消耗影响因素众多，且存在耦合效应的问题，使用PCA对影响因素进行约简，利用ELman网络对燃油消耗进行预测，并对预测结果进行K-S检验，经验证，该方法优于PCA与其他网络的组合。田德红等[11]在PSO中加入自适应变异算子，找出最优序列作为DNN各层的权值和阈值，利用DNN对航弹消耗进行预测，为解决航弹消耗问题提供了思路。
参考文献
[1]李卫灵，史玉敏，郭星香，张力.GM（1，1）模型在航材消耗预测中的应用[J].价值工程，2011，30（22）：18-19.
[2]马保国，贺步杰，高双峰.低消耗器材的马尔可夫预测模型[J].系统工程理论与实践，1999（05）：3-5.
[3]韩戈白，陈迪，王博，杨绍雄.基于ARIMA和误差修正的航材消耗预测模型[J].电子质量，2019（02）：24-30.
[4]Croston J. D. Forecasting and Stock Control for Intermittent Demands[J]. OperationalResearch Quarterly （1970-1977），1972，23（3）.
[5]齐浩淳，黄大鹏，魏久南，陈志刚.基于BP神经网络的高寒山地弹药消耗需求分析[J].兵器装备工程学报，2016，37（06）：97-101.
[6]王绪民，王志帅，王琪，苏秋斓.基于IAFSA-BP神经网络的泥水盾构机跨江段油脂消耗预测[J].公路，2020，65（11）：379-385.
[7]孫伟奇，周斌，史玉敏，孙吉良.基于LS-SVM的新机备件需求预测[J].兵工自动化，2018，37（07）：71-73+78.
[8]田德红，何建敏，张保强.基于NRS-SVM模型的航空弹药消耗预测研究[J].南京航空航天大学学报，2018，50（05）：666-671.
[9]刘旭，周丽华，朱臣.基于PCA-SVM的航材需求预测方法研究[J].舰船电子工程，2017，37（07）：105-109.
[10]詹韧，张登成，郑无计.基于PCA优化的神经网络飞机燃油消耗预测方法[J].测控技术，2019，38（05）：40-43+57.
[11]田德红，何建敏.基于变异粒子群优化与深度神经网络的航空弹药消耗预测模型[J].南京理工大学学报，2018，42（06）：716-721+726.
关键词：预测;航材需求
航材预测是航材领域一直研究的问题，研究方法多种多样，预测精度也有好坏。 李卫灵等[1]考虑航材消耗的灰度性，针对部分航材样本数据少，消耗变化大的特点，采用灰色时间序列GM（1，1）模型对航材消耗进行预测，为“小样本，贫信息”航材的消耗预测研究提供了一种思路。马保国等[2]以备件完好率为指标，就低消耗航材消耗量的随机性提出了一种基于马尔可夫预测结合蒙特卡洛仿真的低消耗航材预测方法。韩戈白等[3]基于经济成本最小，综合效益最大的目标，结合航材消耗特点规律，应用ARIMA模型对航材消耗进行预测，并对预测结果进行修正，得出最终航材消耗预测值。指数平滑方法、指数加权移动平均法等适用于连续需求的预测方法，一度被用来进行需求预测，但其结果精度不高，尤其在需求中有大量的零的情况下，因此J.D.Croston[4]综合考虑需求时间间隔与消耗历史的影响，在指数平滑方法基础上提出了Croston方法用以实现航材预测。吴雯雯等[5]认为舰船器材消耗随时间变化具有较大的波动性，高峰厚尾现象明显，对数据进行一阶二阶差分处理，得到平稳的时间序列，并对其残差序列进行分析，对二阶差分序列和残差序列进行ARCH检验，构建GARCH模型，对GARCH族的各个模型的AIC值进行比较，选取滞后阶数最小（AIC值最小）的模型进行预测，找出了波动性器材的消耗规律，减小了滞后阶数。
以上主要通过时间序列法对小样本、贫信息的航材备件进行需求预测，适用于低消耗航材，对短期航材消耗预测精度较高，但无法对长期消耗规律做出准确预测。
齐浩淳等[5]考虑高原山地条件下的弹药消耗影响因素，把近几年的弹药消耗量作为时间序列，利用BP神经网络对数据进行训练，形成适合高原山地条件下的预测模型，对高原山地条件下的弹药消耗进行了比较准确预测。王绪民等[6]针对BP神经网络在训练数据时收敛速度慢，容易陷入局部最优的问题，利用人工鱼群算法优化BP神经网络的权值和阈值，提高了BP神经网络的预测精度。孙伟奇等[7]基于新机列装时间短、消耗数据少、保障难度大的特点，提出使用SVM对新机消耗进行预测，并引入误差平方和项，通过十字交叉法确定参数，通过仿真，验证了模型的可靠性。田德红等[8]引入邻域粗糙集概念，通过设置重要度下限对航弹消耗影响因素进行约简，采用SVM对航弹消耗量进行预测，并使用粒子群算法优化核参数和惩罚因子，提高了预测精度，对提高航弹保障水平具有指导意义。刘旭等[9]利用PCA的降维思想，筛选出航材消耗主要影响因素，并将其作为支持向量机的输入量，对航材消耗进行了预测，证明了模型的有效性。詹韧等[10]为解决燃油消耗影响因素众多，且存在耦合效应的问题，使用PCA对影响因素进行约简，利用ELman网络对燃油消耗进行预测，并对预测结果进行K-S检验，经验证，该方法优于PCA与其他网络的组合。田德红等[11]在PSO中加入自适应变异算子，找出最优序列作为DNN各层的权值和阈值，利用DNN对航弹消耗进行预测，为解决航弹消耗问题提供了思路。
参考文献
[1]李卫灵，史玉敏，郭星香，张力.GM（1，1）模型在航材消耗预测中的应用[J].价值工程，2011，30（22）：18-19.
[2]马保国，贺步杰，高双峰.低消耗器材的马尔可夫预测模型[J].系统工程理论与实践，1999（05）：3-5.
[3]韩戈白，陈迪，王博，杨绍雄.基于ARIMA和误差修正的航材消耗预测模型[J].电子质量，2019（02）：24-30.
[4]Croston J. D. Forecasting and Stock Control for Intermittent Demands[J]. OperationalResearch Quarterly （1970-1977），1972，23（3）.
[5]齐浩淳，黄大鹏，魏久南，陈志刚.基于BP神经网络的高寒山地弹药消耗需求分析[J].兵器装备工程学报，2016，37（06）：97-101.
[6]王绪民，王志帅，王琪，苏秋斓.基于IAFSA-BP神经网络的泥水盾构机跨江段油脂消耗预测[J].公路，2020，65（11）：379-385.
[7]孫伟奇，周斌，史玉敏，孙吉良.基于LS-SVM的新机备件需求预测[J].兵工自动化，2018，37（07）：71-73+78.
[8]田德红，何建敏，张保强.基于NRS-SVM模型的航空弹药消耗预测研究[J].南京航空航天大学学报，2018，50（05）：666-671.
[9]刘旭，周丽华，朱臣.基于PCA-SVM的航材需求预测方法研究[J].舰船电子工程，2017，37（07）：105-109.
[10]詹韧，张登成，郑无计.基于PCA优化的神经网络飞机燃油消耗预测方法[J].测控技术，2019，38（05）：40-43+57.
[11]田德红，何建敏.基于变异粒子群优化与深度神经网络的航空弹药消耗预测模型[J].南京理工大学学报，2018，42（06）：716-721+726.