基于PLS-SVM的航材需求預(yù)測方法研究

黃俊超 胡勇

摘 ?要：在航材保障中，航材需求預(yù)測十分關(guān)鍵，對改進(jìn)航材訂貨機(jī)制、提高保障效益、提升戰(zhàn)斗力具有重要意義。為了提高航材需求預(yù)測精度，預(yù)測模型的設(shè)計(jì)至關(guān)重要。針對信息冗余問題，創(chuàng)新地提出基于PLS-SVM的航材需求預(yù)測模型，首先利用偏最小二乘法提取出變量中影響性較強(qiáng)的部分，降低支持向量的維數(shù)，再以支持向量機(jī)建立預(yù)測模型對航材需求量進(jìn)行預(yù)測。計(jì)算結(jié)果表明，該模型可以解除變量之間的耦合性，消除信息冗余的影響，提升航材需求預(yù)測的精度，滿足實(shí)際工作需要。

關(guān)鍵詞：航材需求量;偏最小二乘;支持向量機(jī);預(yù)測

中圖分類號：E241 ? ?文獻(xiàn)標(biāo)識碼：A

Abstract： In aviation material support， aviation material demand prediction is very critical， which is of great significance to improve aviation material ordering mechanism， improve support benefits and enhance combat effectiveness. In order to improve the forecasting accuracy of aviation material demand， the design of forecasting model is very important. Aiming at the problem of information redundancy， the PLS-SVM based aviation material demand prediction model is proposed. Firstly， partial least square method is used to extract the influential part of the variable， so as to reduce the dimension of support vector， and then the support vector machine is used to establish a prediction model to forecast the aviation material demand. The calculation results show that the model can remove the coupling between variables， eliminate the influence of information redundancy， improve the accuracy of aviation material demand prediction， and meet the practical work needs.

Key words： aviation material demand; partial least squares; support vector machine; prediction

0 ?引 ?言

在航材保障中，飛機(jī)零備件籌措需要較長時(shí)間，使得航材需求預(yù)測技術(shù)十分關(guān)鍵?？茖W(xué)地進(jìn)行航材需求預(yù)測能夠避免航材積壓呆滯造成浪費(fèi)，為優(yōu)化訂貨機(jī)制、科學(xué)合理地進(jìn)行航材的籌措、存儲和供應(yīng)提供有力依據(jù)，節(jié)省大量人力、物力、財(cái)力，對提高航材保障效益、提升戰(zhàn)斗力具有重要意義。

?目前，航材系統(tǒng)對航材需求預(yù)測做了不少嘗試，從時(shí)間序列法[1]、指數(shù)平滑法[2]、灰色預(yù)測法[3]等傳統(tǒng)的預(yù)測方法到人工神經(jīng)網(wǎng)絡(luò)[4]、支持向量機(jī)[5]等現(xiàn)代預(yù)測方法，這些方法能夠?yàn)楹讲男枨箢A(yù)測提供有力參考。但在實(shí)際情況中，影響航材需求量的因素眾多，如飛行時(shí)間、起落次數(shù)、故障率、平均故障時(shí)間間隔、異常溫度系數(shù)、異常濕度系數(shù)等[6]，這些因素之間具有耦合性，相互干擾，若未經(jīng)處理進(jìn)而預(yù)測會造成信息冗余，導(dǎo)致預(yù)測精度降低。并且當(dāng)解釋變量偏多時(shí)并不是所有的解釋變量都對因變量有很好的解釋作用[7]。在眾多預(yù)測模型中，不同模型有不同的特點(diǎn)，對于揭示研究對象的某一或某些側(cè)面的變化規(guī)律有不同的優(yōu)勢。很多研究已經(jīng)證實(shí)，將不同模型進(jìn)行有機(jī)組合，具有比單一模型預(yù)測更高的精度，也使預(yù)測結(jié)果更加客觀有效。

1 ?PLS-SVM模型的建立

偏最小二乘法給出了一個(gè)新的成分抽取方法[8]，可以剔除對影響作用較小的解釋變量，降低向量維數(shù)。并且克服了主成分分析法只依據(jù)自變量進(jìn)行變量的信息抽取，而沒有考慮新抽取的變量與因變量的相關(guān)關(guān)系等問題。在進(jìn)行綜合信息的抽取時(shí)，偏最小二乘法不僅最大限度地使所抽取的自變量成分和因變量主成分盡可能大的包含了原始信息，而且使所抽取的自變量的主成分對所抽取的因變量主成分具有最大的解釋能力[9]，非常適合航材需求預(yù)測中復(fù)雜因子之間的信息抽取，消除信息冗余，從而使所得到的回歸方程變得更加簡潔且具有更高的準(zhǔn)確性。支持向量機(jī)是一種基于非線性的擬合方法，對于解決小樣本、高維數(shù)以及局部最優(yōu)解等問題有著顯著效果[10]，并且訓(xùn)練效率高，可以十分成功地解決回歸等問題，應(yīng)用比較廣泛。

本文根據(jù)已有的某機(jī)型航材需求量及其影響因素信息，將偏最小二乘法和支持向量機(jī)相結(jié)合，通過組合模型解決數(shù)據(jù)冗余導(dǎo)致的預(yù)測精度降低問題。

?基于PLS-SVM的航材需求預(yù)測算法具體如下：

第一步：數(shù)據(jù)預(yù)處理

2 ?實(shí)例分析

?以下借助RStudio軟件進(jìn)行實(shí)例分析，將PLS-SVM模型與其它回歸模型的預(yù)測精度進(jìn)行對比。

?對某機(jī)型航材需求量進(jìn)行預(yù)測，文獻(xiàn)[6]獲得了該機(jī)型各影響因素與航材需求量的具體數(shù)據(jù)。

?首先，進(jìn)行歸一化處理。原始數(shù)據(jù)經(jīng)處理后如表1所示。

接著，進(jìn)行相關(guān)程度分析，得到相關(guān)系數(shù)如表2所示。

通過結(jié)果可以看出，表2中較多R值接近1或-1，說明各因子之間相關(guān)性較高。

?根據(jù)模型對測試集進(jìn)行預(yù)測，得到結(jié)果如表3所示。

從表3可以看出，PLS-SVM航材需求預(yù)測模型整體效果較好，預(yù)測相對誤差最大的僅為12.67%。

?對照文獻(xiàn)[6]所得結(jié)論，同時(shí)借助RStudio軟件，得到多元線性回歸以及隨機(jī)森林對測試集的預(yù)測結(jié)果，并將三者與

PLS-SVM模型的預(yù)測結(jié)果進(jìn)行比較，如表4所示。

可視化對比如圖1所示。

為了定量的評價(jià)航材預(yù)測模型預(yù)測效果，選取均方根誤差、平均相對誤差、最大相對誤差作為評價(jià)指標(biāo)。通過計(jì)算，得到對不同模型的評價(jià)結(jié)果如表5所示。

從表5中可以看出，PLS-SVM方法的均方根誤差以及最大相對誤差均最小，RF方法平均相對誤差相對較小，但另外兩項(xiàng)指標(biāo)均有較大差別。

?因此整體而言，可以得出結(jié)論：PLS-SVM模型預(yù)測結(jié)果比基于PCA-SVM、MLR和RF方法的航材需求量預(yù)測在精度上有了提高，為航材保障提供科學(xué)依據(jù)，有助于提高航材保障效益。

3 ?結(jié)束語

本文提出了偏最小二乘法與支持向量機(jī)相結(jié)合的航材需求預(yù)測模型。并通過實(shí)例分析，驗(yàn)證了該模型可以提取諸多影響因素中對航材需求量影響較大的主成分，有效地消除變量之間的耦合性，解決信息冗余問題，從而提高預(yù)測精度。實(shí)驗(yàn)表明，該模型對于優(yōu)化航材訂貨機(jī)制、提高航材保障效益具有較大幫助。

參考文獻(xiàn)：

[1] 侯甲凱. 航空公司航材周轉(zhuǎn)件需求預(yù)測研究[D]. 廣漢：中國民用航空飛行學(xué)院（碩士學(xué)位論文），2015.

[2] 楊冰冰. B777飛機(jī)大修航材庫存需求預(yù)測研究[D]. 天津：中國民航大學(xué)（碩士學(xué)位論文），2014.

[3] 陳余勝，徐貴強(qiáng). 基于人工神經(jīng)網(wǎng)絡(luò)的后續(xù)航材需求預(yù)測研究[J]. 航空維修與工程，2020（11）：54-57.

[4] 楊宜霖，劉臣宇，薛永亮，等. 基于支持向量機(jī)航材預(yù)測模型[J]. 艦船電子工程，2020，40（5）：134-137.

[5] 劉信斌，喬麗. 航材保障運(yùn)籌分析[M]. 徐州：空軍勤務(wù)學(xué)院，2017.

[6] 劉旭，周麗華，朱臣. 基于PCA-SVM的航材需求預(yù)測方法研究[J]. 艦船電子工程，2017（7）：105-109.

[7] 楊國棟. 基于變量篩選的偏最小二乘回歸方法及其應(yīng)用[D]. 長沙：中南大學(xué)（碩士學(xué)位論文），2013.

[8] 王惠文，吳載斌，孟潔. 偏最小二乘回歸的線性與非線性方法[M]. 北京：國防工業(yè)出版社，2006.

[9] 張森. 基于偏最小二乘支持向量機(jī)的水質(zhì)評價(jià)與預(yù)測研究[D]. 重慶：重慶大學(xué)（碩士學(xué)位論文），2014.

[10] VAPNIK V. The Natural of Statistical Leaning Theory[M]. New York： Springer， 1995.

[11] 王寧，謝敏，鄧佳梁，等. 基于支持向量機(jī)回歸組合模型的中長期降溫負(fù)荷預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制，2016，44（3）：92-97.

[12] Gareth James， Daniela Witten， Trevor Hastie， et al. An Introduction to Statistical Learning[M]. New York： Springer， 2013.