基于BP神经网络的飞机娱乐系统采购短期预测

郝矿荣　吴培德

摘 要： 针对传统航材采购决策行为的局限性，研究了基于BP神经网络的航材采购短期预测方法， 拟在建立 BP 神经网络模型的基础上，将 BP神经网络模型运用到航材采购量短期预测中来，根据历史数据建立BP神经网络对其进行训练形成飞机娱乐系统采购量预测模型。阐明神经网络在决策时能提供更多的支持信息，实现采购数量科学化。并进一步通过预测结果说明基于神经网络的航材采购量短期预测是一个行之有效的方法，为民航航材集中采购的理论和方法提供借鉴和参考。

关键词：航材；采购量短期预测；BP神经网络

中图分类号： TP399 文献标识码： 文章编号：2095-2163（2014）02-

Short-term Forecasting of the Aircraft Entertainment System based on BP Neural Network

HAO Kuang-rong1，2，WU Pei-de1

（1 College of Information Sciences and Technology， Shanghai 201620， China；

2） Engineering Research Center of Digitized Textile & Fashion Technology， Ministry of Education

Donghua University， Shanghai 201620， China）

Abstract：This paper points out the limitation of traditional aviation material procurement decision behavior， the study of aviation material procurement BP model of neural network for short-term forecasting method based on the BP neural network model， BP neural network model is applied to the study of aviation material procurement short-term forecast， and according to the historical data based on BP neural network forms the training forecasting model of the airplane entertainment system procurement quantity .To elucidate the neural network can provide the more information and supporting in decision-making， and implementation of the purchase quality of scientization. Furtherly， the forecasting result shows of aviation material procurement short-term forecasting based on neural network is an effective method， the theory and method of centralized procurement and provide the reference for civil aviation.

Key words： Air Material Procurement； Forecasting； BP Neural Network

0 引言

2012年罗兰贝格诊断报告显示，航空公司航材资产积压严重，周转速率明显偏慢，与这一情况相对应的却是航材保留故障百条上下的保障力度。

我国航材部门对航材采购方式的重视力度普遍不够，只满足于惯有传统模式，且未缺乏主动创新和改革，也缺乏科学理论和方法的采购决策，同时还易受主观因素等条件的影响，由此即增加了公司运营的不稳定性，这种不稳定性带来的延迟后果会束缚航空公司相关航材采购部门的需求预测，继而带来后续航材的供需矛盾。因此，寻找可行的科学理论方法来保证航空公司航材的采购决策稳定性就成为开展研究的现实关键。

本文针对航材采购量的预测方法应用进行分析，并基于客观研究内容提出具体分析策略。同时对相关环节进行分析，拟在建立 BP 神经网络模型[1]的基础上，利用统计分析航材中的飞机娱乐系统为实际采购分析案例，将 BP神经网络模型运用到此项航材采购的需求预测中来，进一步分析其在实际预测中的稳定性和可靠性。本文即以FD航空公司航材采购部门为主体，在采购决策过程中，提供更多的数据采购的支持信息，由此获取科学化的航材采购质量管理，满足航材采购部门对于飞机娱乐系统的供应需要，实现航材资源优化配置，为民航相应航材采购量短期预测的理论和方法提供借鉴和参考。

1 BP 神经网络在航材采购量短期预测中的应用

1.1航材采购量预测模型数据的选择

BP 神经网络主要可分为时间序列和回归分析两种预测研究模式。本文将应用时间序列的预测模式，一次实现预测模型的建立。其中的研究对象选用了航材月度采购量，并以航材（本文中的航材数据具体为thales IFE A330飞机娱乐设备）月度采购量预测作为案例研究模型。本文所应用的时间序列预测模式，是以时间序列的前面几期航材采购量来预测稍后一期的航材采购量的假设形式来实现和开展的，同时也将以此作为建立神经网络预测模型的数据关系。

本文的相关数据选取了 thales IFE a330 飞机娱乐系统2012 年9 月至 2013 年 12 月期间的采购量数据，这16个月的采购量即为训练样本。其中，2012 年 9月-2013 年8月连续 12 月的数据是用作检验样本，2013年9 月 -2013 年 12月连续4月的数据则为预测样本。本文建模对象及数据即可如表 1所示。

1.2航材采购量短期预测模型的建立

1.2.1 构造 BP 网络的基本步骤[1-2]

（1）首先确定 BP 网络的输入向量、输出向量的维数、隐含层数及节点数 ；

（2）确立隐含层传递函数和输出层的传递函数关系；

（3）把网络学习样本划分为学习阶段和验证阶段 ；

（4）整合学习阶段时间序列，并将其误差平方和达到最小；

（5）通过验证阶段数据的检验，将训练完成的网络模型对未来需求进行数据预测。

2.2.2 航材采购量神经网络预测模型的实现与实证检验

2013年9 月 -2013 年 12月连续4月的数据为预测样本。模型的输入层神经节点数为 12，输出层节点数为 1 ；设定的隐层节点数为 10，目标误差为0.01，学习率设置为0.1， 经过 BP 神经网络预测模型设计过程，最终可以确定本文实证部分采用基于 BP 神经网络的模型结构为包含一个隐含层的三层 BP 神经网络架构，其中输入层、隐含层、输出层的神经元节点数分别为 12、10、1；误差函数为均方误差 MSE（Mean SquaredError）；训练算法采用的是基于 L-M（Levenberg-Marquardt）的 BP 算法；最大迭代次数为 2 000 次，目标误差为 0.01，学习率为 0.1。将10.6” G4 SVDU SB 屏幕显示器的训练样本数据代入模型进行训练，可得训练结果图1所示。

图1训练结果图

Fig. 1 the training results

经过 16次迭代之后达到了指定精度，误差为 0.009 79。图 2 为误差变化图，显而易见，随着迭代次数的增加，误差在不断下降。最终在第 16次迭代时，得到了符合目标要求的误差精度，训练过程终止。

图2 误差变化图

Fig. 2 the variation of error

2 试验结果分析

2.1 各样本分析

由表 2中可以看出，2号和3号样本的数据训练达到了目标误差而结束；2号、4号的最终误差大于目标误差，这2个样本的最终误差与目标误差在数量级上没有差别，数值上也比较接近，且对训练样本的拟合效果较好，因此本文在此处也接受这2个样本的训练结果，认可其最终误差的水平。

3.2 试验结果分析

将10.6” G4 SVDU SB 屏幕显示器的训练样本数据代入模型进行训练由2012 年 9月-2013 年8月连续 12 月的数据做检验样本P，2013年9 月 -2013 年 12月连续4月的数据为预测样本。测试程序如下 ：

a=sim（net，pn）；

[a]=postmnmx（a，mint，maxt）；

error=[a]-t，。

误 差 为error

= -3.7847 3.1239 2.5506 -1.0172 1.7613 2.0213 0.5645 0.9944 4.7235 -0.0271 -0.4051 0.1386。

误差均在可接受的范围内，认可数据已得到很好的训练，具备较好的仿真能力。真实值与预测值如图3所示。

图3 预测值与实际值的比较

Fig 3 Comparison of the predicted and actual values

由图3可知，预测模型在大多数检验样本点上保持了较好的仿真水平，检验结果较优，通过检验。

2.3预测结果分析

实际3号样本采购量与实证检验建立模型后所得到的预测结果进行比较，结果如表 3所示。

从表 3 中可以看出，9月样本为18.89%，其余月份BP 神经网络模型对于3号样本采购量的预测误差率大多在 10% 以下，主要原因为，其与前后一天的采购量水平，仿真值与真实数值之间出现的差异较大，导致了误差突增。由数值统计得到的数值可知， 在预测模型中的12个检验样本点中，大多数的检验样本点达到了较好的仿真水平。通过上述试验结果，可以很好地预测一个月或几个月内短期的fd航空公司航材娱乐系统的采购量，公司可以根据预测结果指定航班运行计划，并完成航材采购等工作，为提高企业的运作效率，使航材的利用率和库存量均能得到良好的运行和保障提供了相应的技术基础和依据。

4 结束语

本文通过基于BP神经网络对于飞机娱乐系统中航材采购量的预测应用实现了模拟仿真，并达到较高精度水平的预测，为航空公司航材采购的短期预测提供了一套高效实用的理论工具和方法，并对于航材的需求变化规律的发现和探索起到一定的积极作用。但与此同时，本文所建立的BP人工神经网络的短期预测模型在进行实证预测时也出现了一些问题，如预测时间的局限性、预测数值时高时低，个别的预测值相对误差较大等问题。上述的这些问题将有待于针对BP神经网络的理论和研究在未来取得进一步的发展，从而得到改进和解决。

参考文献：

[1] 王庆斌.航材需求预测的研究[J]. SCIENCE & TECHNOLOGY INFORMATION科技信息，2013年（1）.

[2] 刘卫红 ， 崔振霞 .基于 BP 神经网络的药品采购资金管理研究 [J]. 中国乡镇企业会计 ， 2012， 20（1）： 70-71.

[3]白斌飞.基于神经网络理论的线性时间序列预测研究[D].成都：西南交通大学，2005.

[4]程刚，张珣，汪寿阳. 原油期货价格对现货价格的预测准确性分析[J]. 系统工程理论与实践，2009（8）：12-18.

[5]沈巍. 股票价格预测模型研究[J].. 财经问题研究，2009（7）：90-93

[6] 吴清亮，董辉，张政， 等. 基于神经网络对航材备件需求率的预测分析[J]. 兵工自动化，2009 （ 1 ）：12-13.