姚裕盛,徐開俊,楊 泳
(中國民用航空飛行學(xué)院 飛行技術(shù)學(xué)院,四川 廣漢 618307)
自20世紀60年代以來,全世界民用航空產(chǎn)業(yè)持續(xù)高速發(fā)展,我國民航事業(yè)的發(fā)展也取得了令人矚目的成就。如此快速的發(fā)展無疑給我國的民航飛行員培養(yǎng)帶來了新的機遇和挑戰(zhàn),各個飛行訓(xùn)練機構(gòu)每年都承擔著巨大的飛行訓(xùn)練任務(wù)。由于飛行訓(xùn)練的開展受到很多因素的制約,比如天氣環(huán)境的影響,各個季節(jié)氣候的影響,還可能出現(xiàn)一些無法預(yù)期的突發(fā)狀況打亂飛行計劃。所以各年份的訓(xùn)練量會呈現(xiàn)一定的波動性和不確定性,因此做好階段性的訓(xùn)練容量預(yù)測也就顯得尤為重要,準確的對訓(xùn)練量進行預(yù)測有助于制定合理的飛行計劃,安排合適的訓(xùn)練任務(wù),對提高飛行訓(xùn)練的效率有很大的幫助。
預(yù)測是對尚未發(fā)生或目前還不明確的事物進行預(yù)先的估計和推測,如果能夠?qū)崿F(xiàn)準確的預(yù)測就能更好的做計劃安排,對事物有一個宏觀的把握。預(yù)測方法基本可以分為定性預(yù)測和定量預(yù)測兩大類,隨著研究的不斷深入,科技的持續(xù)發(fā)展,預(yù)測的方法經(jīng)歷了一個發(fā)展完善的過程。從傳統(tǒng)的時間序列預(yù)測方法,到不斷出現(xiàn)的一些新的預(yù)測方法,比如灰色預(yù)測理論,人工神經(jīng)網(wǎng)絡(luò),支持向量機以及遺傳算法等,通過引入復(fù)雜人工智能的方法來突破傳統(tǒng)預(yù)測方法的局限性。
時間序列分析預(yù)測法作為傳統(tǒng)的預(yù)測方法,它是根據(jù)過去的變化趨勢預(yù)測未來的發(fā)展。它充分考慮了預(yù)測對象過去和現(xiàn)在的變化規(guī)律,對于短、近期的預(yù)測比較顯著,但是忽視了外界各種不確定因素的影響[1],這也勢必會導(dǎo)致預(yù)測結(jié)果在一定程度上的不準確。自我國鄧聚龍教授提出灰色系統(tǒng)理論之后,經(jīng)過多年的發(fā)展,該理論已經(jīng)在各個鄰域得到了廣泛的應(yīng)用。清華大學(xué)的何國華利用灰色預(yù)測模型進行區(qū)域物流需求預(yù)測[2],結(jié)果表明灰色預(yù)測模型對數(shù)據(jù)要求限制少、中短期預(yù)測精準等特點,特別適合區(qū)域物流需求的預(yù)測。焦文玲等人根據(jù)灰色理論與灰色預(yù)測的原理,對城市燃氣負荷進行預(yù)測[3],并進行了實際的應(yīng)用。張雅君、劉全勝從灰色模型的特點與需水量本身的變化規(guī)律出發(fā),揭示了模型的應(yīng)用條件及其在需水量預(yù)測中的應(yīng)用范圍,并對北京市需水量進行了灰色預(yù)測[4]。吳強等人將灰色預(yù)測法應(yīng)用在城軌客流預(yù)測中[5],提出了在預(yù)測過程中數(shù)據(jù)的維數(shù)以及連續(xù)性問題。中國民航大學(xué)的潘毅志將灰色預(yù)測算法應(yīng)用到近空域的空中交通流量預(yù)測[6],研究表明相對于傳統(tǒng)線性預(yù)測方法,灰色預(yù)測可以將目標函數(shù)曲線與預(yù)測函數(shù)曲線更好地進行擬合。另外付建飛、安仲文等基于灰色模型對鐵路分品類貨運量進行預(yù)測[7],同時還介紹了檢驗?zāi)P偷姆椒?。由此可見灰色預(yù)測模型在各個領(lǐng)域都得到了廣泛的應(yīng)用,而且都取得了很好的效果,主要是因為灰色預(yù)測模型所需樣本數(shù)據(jù)少,不用考慮數(shù)據(jù)的分布規(guī)律以及變化趨勢,建模簡單,運算方便,因此應(yīng)用廣泛。
本文就是在傳統(tǒng)灰色預(yù)測的基礎(chǔ)上,建立殘差修正模型,對某飛行學(xué)院的飛行訓(xùn)練量進行預(yù)測,驗證了模型的有效性,且比較模型之間的預(yù)測精度,結(jié)果表明改進后的灰色預(yù)測模型對現(xiàn)有的數(shù)據(jù)進行預(yù)測,具有更高的預(yù)測精度。
灰色系統(tǒng)理論的實質(zhì)是將無規(guī)律的原始數(shù)據(jù)進行累加生成,得到規(guī)律性較強的生成數(shù)列后再重新建模。它實際上是一種以數(shù)找數(shù)的方法,從系統(tǒng)的一個或幾個離散數(shù)列中找出系統(tǒng)的變化關(guān)系,試圖建立系統(tǒng)的連續(xù)變化模型?;疑珕栴}建模使用最多的是GM(1,1)模型,其建模過程如下:
假設(shè)有時間序列
(1)
X(1)為X(0)的一階累加生成序列:
(2)
累加生成的數(shù)列可以使任意非負數(shù)列變?yōu)榉菧p的遞增數(shù)列,這樣使該數(shù)列的隨機性得到減弱,規(guī)律性得到加強[8]。
構(gòu)造一階微分白化方程:
(3)
式中,a稱為發(fā)展灰數(shù),反映X(1)及原始序列X(0)的發(fā)展趨勢;b稱為內(nèi)生控制灰數(shù),反映了數(shù)據(jù)間的變化關(guān)系。
(4)
令
(5)
假定b取值為0.5,則有:
(6)
將式(3)離散化后,則有:
利用最小二乘法求解參數(shù):
[a,b]T=(BTB)-1BTY
(7)
式中,
假定x(1)=x(0),解微分方程(3)得到響應(yīng)函數(shù):
(8)
(9)
一般采用后驗差檢驗對模型得到的預(yù)測結(jié)果的擬合效果進行評價,檢驗預(yù)測模型的精度。后驗差檢驗包含兩個值的計算[9],一個是后驗差比值,另一個是小誤差概率。計算過程如下:
計算原始序列標準差:
(10)
計算絕對誤差序列的標準差:
(11)
計算后驗差比:
(12)
計算小誤差概率:
(13)
后驗差比C越小,小誤差概率P越大時,預(yù)測精度越高,計算精度等級[10]參考表1。
表1 灰色預(yù)測模型精度檢驗等級表
如果經(jīng)過精度檢驗發(fā)現(xiàn)預(yù)測效果不好時,需要對原模型進行改進,以期提高預(yù)測精度。
以上GM(1,1)模型應(yīng)用在波動的原始數(shù)據(jù)類型,造成最后的預(yù)測精度較低,所以在傳統(tǒng)模型的基礎(chǔ)上進行改進,采用一種殘差修正的灰色預(yù)測模型,它的理論實質(zhì)就是將GM(1,1)模型生成的殘差數(shù)列再進行一個灰色預(yù)測,最后的預(yù)測值即為兩次預(yù)測值的相加,引入殘差修正可以提高預(yù)測精度。殘差修正模型建模過程如下:
將之前灰色預(yù)測模型中(9)式得到的預(yù)測值代入(14)中得到殘差序列E(0)。
E(0)=(e(0)1,e(0)2,…,e(0)k)
(14)
如果得到的殘差序列E(0)中的元素有負值則需要根據(jù)式(15)進行正化處理,得到序列F(0):
(15)
(16)
殘差模型一般只注意修正原點附近的數(shù),而不是修正所有的數(shù),只選用最后殘差較大的值構(gòu)成殘差尾段序列q(0)建模,然后根據(jù)試(15)進行正化處理后得到殘差尾段Q(0)。
(17)
利用得到的新的序列Q(0)作為原始序列按照之前的(1)~(9)式進行GM(1,1)建模。得到殘差模型為:
(18)
(19)
利用得出的殘差模型對原模型進行修正可得基于GM(1,1)的殘差修正模型值:
(20)
中國民航飛行學(xué)院的飛行訓(xùn)練,作為一類特殊的本科教學(xué),每年承擔著2500~3000人次的飛行學(xué)員訓(xùn)練任務(wù),每年超過20多萬小時飛行訓(xùn)練量。而且訓(xùn)練量呈現(xiàn)出逐年緩慢增長的一個趨勢,如圖1,是該學(xué)院2009年~2015年全年訓(xùn)練總量增長情況。訓(xùn)練計劃的有效制定和實施是保證高效訓(xùn)練的必要前提,所以必須對每年的訓(xùn)練量情況全面的了解。該學(xué)院下面有五個分院進行飛行訓(xùn)練,本例選取其中的廣漢分院作為研究對象,對它的訓(xùn)練量進行預(yù)測。圖2是廣漢分院2009年~2016年每年3月~11月訓(xùn)練量的變化情況。
圖1 全年訓(xùn)練量變化曲線
圖2 全年各月訓(xùn)練量變化曲線
從圖2可以看出每年當中各月的訓(xùn)練量存在很大的差異,但是總體來看是呈現(xiàn)出一定的變化趨勢的。所以對訓(xùn)練量進行科學(xué)的預(yù)測很有必要。預(yù)測的主要過程是:將2009年~2015年的訓(xùn)練量作為原始數(shù)據(jù)對2016年3月到11月的訓(xùn)練量進行預(yù)測,由于各月波動性很大,而相同的月份的訓(xùn)練量比較集中,所以預(yù)測時是利用2009年~2015年3月訓(xùn)練量預(yù)測2016年3月的訓(xùn)練量,如此重復(fù)進行9次預(yù)測就得到了2016年3月~11月的訓(xùn)練量預(yù)測值。
以2016年5月的訓(xùn)練量預(yù)測為例,具體過程如下:
取2009年~2015年3月的訓(xùn)練量數(shù)據(jù)進行建模,得到原始序列:
X(0)=(5015.6,6004.3,6283.2,6163.9,6069.4,6398.8,6123.9)
對原始序列進行一階累加生成得到累加生成序列為:
X(1)=(5015.6,11019.9,17303.1,23467,29536.4,35935.2,42059.1)
由(7)式可得:a=-0.00391,b=6082.13。
由(8)可得時間響應(yīng)函數(shù)為:
根據(jù)式(9)可以得到GM(1,1)模型的預(yù)測值:
n
經(jīng)計算得到預(yù)測值序列:
X(0)=(5015.6,6113.6967,6137.6566,6161.7104,6185.8585,6210.1012,6234.4389)
殘差序列:
E(0)=(0,-109.3967,145.5434,2.1896,-116.4585,188.6988,-110.5389)
根據(jù)式(10)~(13)計算得到:P=1,C=S2/S1=162.89434/457.31779=0.3562。參照表1可知此模型應(yīng)用在該數(shù)據(jù)上精度不是特別高,所以在此基礎(chǔ)上利用殘差修正模型進行改進,提高預(yù)測精度。
利用殘差修正模型改進,預(yù)測過程如下:
取殘差尾段:q(0)=(-109.3967,145.5434,2.1896,-116.4585,188.6988,-110.5389),對其進行正化處理得到:Q(0)=(123.520,378.460,235.107,116.458,421.616,122.378)。
將Q(0)作為原始序列重復(fù)(1)~(8)式過程進行GM(1,1)建模,計算得到殘差模型響應(yīng)函數(shù)為:
根據(jù)(19)、(20)式最終得到基于GM(1,1)的殘差修正模型:
將數(shù)值代入上式就可以得到最終的預(yù)測值為:
對最后的預(yù)測結(jié)果進行殘差檢驗:P=1,C=0.3459。參照表1可知所建的殘差模型等級為好,該模型可以進行訓(xùn)練量的準確預(yù)測。
取k=7,代入殘差修正模型就可以得到2016年5月的訓(xùn)練量預(yù)測值為6172.145小時。
2016年其他各個月的訓(xùn)練量通過重復(fù)以上過程進行預(yù)測,最后得到的傳統(tǒng)灰色預(yù)測值以及基于GM(1,1)殘差修正模型預(yù)測值整理如表2。
表2 2016年訓(xùn)練量預(yù)測值
得到的預(yù)測效果如圖3所示。
圖3 2016年各月訓(xùn)練量預(yù)測效果
從表2以及圖3可以分析出,利用傳統(tǒng)灰色預(yù)測模型對波動比較大、沒有穩(wěn)定緩慢增長趨勢的數(shù)據(jù)應(yīng)用預(yù)測效果不佳,存在很大的誤差,但是經(jīng)過殘差修正后的模型能夠很好的彌補這個缺陷,達到預(yù)期的預(yù)測效果。通過最后的預(yù)測值和實際訓(xùn)練量的比較,可以看出,文中經(jīng)殘差修正后的GM(1,1)模型能夠有效地對該飛行學(xué)院的訓(xùn)練量進行預(yù)測,科學(xué)的預(yù)測方法可以對該學(xué)院制定合理的訓(xùn)練計劃,科學(xué)的安排訓(xùn)練任務(wù)有很大的輔助作用。當然,這種模型得到預(yù)測值和實際訓(xùn)練量還存在一定的誤差,有待今后的進一步改進和完善。
[1] 徐國祥.統(tǒng)計預(yù)測和決策[M].上海:上海財經(jīng)大學(xué)出版社,2005:35-36 .
[2] 何國華.區(qū)域物流需求預(yù)測及灰色預(yù)測模型的應(yīng)用[J].北京交通大學(xué)學(xué)報(社會科學(xué)版),2008,7(1):33-37.
[3] 焦文玲,嚴銘卿,廉樂明.城市燃氣負荷的灰色預(yù)測[J].煤氣與熱力,2001,21(5):387-389.
[4] 張雅君,劉全勝.城市需水量灰色預(yù)測的探討[J].中國給水排水,2002,18(3):79-81.
[5] 吳強,馮維琇,胡曉嘉.灰色預(yù)測法在城軌客流預(yù)測中的應(yīng)用[J].城市軌道交通研究,2004,7(3):52-55.
[6] 潘志毅. 空中交通流量的灰色預(yù)測方法應(yīng)用[J].科技信息,2011(18):527.
[7] 付建飛,安仲文,宋小滿,等.基于灰色模型的鐵路分品類貨運量預(yù)測[J].交通運輸工程與信息學(xué)報,2014,12(3):38-42,46.
[8] 馬曉光,孟偉.殘差修正法在電力負荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù),2001,25(4):21-23.
[9] 李論. 基于灰色預(yù)測模型的我國心腦血管疾病死亡率預(yù)測[J].現(xiàn)代電子技術(shù),2015,38(11):107-111.
[10] 陳新國,訾麗.基于殘差修正GM(1,1)模型的年降水量預(yù)測研究[J].水資源研究,2014,35(4):4-6.