无人机遥感系统维修资源需求预测方法研究

于俊杰　李保莲　姚　通

（1.河南省国土资源调查规划院，河南　郑州　45500001166； 2.河南省鑫地土地科技有限责任公司，河南　郑州　45500001166）

无人机遥感系统维修资源需求预测方法研究

于俊杰1李保莲1姚通2

（1.河南省国土资源调查规划院，河南郑州45500001166； 2.河南省鑫地土地科技有限责任公司，河南郑州45500001166）

维修资源的需求预测在无人机遥感系统应用及维修部门中有着重要的地位和作用。本文通过对国内无人机遥感系统维修资源需求预测相关文献的研究，归纳总结了该领域当前主流预测方法和新兴预测方法，分析了各种方法的原理及其优缺点。最后结合无人机遥感系统设备使用和维修的特点，揭示了无人机遥感系统应用及维修部门维修资源需求预测的发展趋势。

无人机；无人机遥感系统；预测方法

维修资源是装备维修部门实施维修任务的物质基础［1］。无人机遥感系统应用部门为保证任务的连续执行，及时地向无人机遥感系统提供维修服务、备件、器材等，需要对维修资源的引进以及储备定额做出决策，尤其是引进关键装备的维修资源以及昂贵、稀缺资源时，需要通过精确预测资源的需求，对引进的批量、批次以及储存定额做出正确的决策，既能保证维修任务正常进行又不过多占用流动资金。无人机遥感系统维修资源种类多、数量大，其消耗量的大小是制定存储标准的依据，是各级应用及维修部门制定筹措计划、组织供应和预测经费的基本依据，因而，对无人机遥感系统的维修资源需求量进行准确预测对维修部门的保障效能具有重要意义。本文对国内外关于无人机遥感系统维修资源需求预测的文献进行了分析、归纳和总结，对当前主要的预测方法和新兴预测方法分别进行了阐述和展望。

1　目前几种主流维修资源需求预测方法

1.1神经网络预测方法

目前无人机遥感系统应用及维修部门维修资源需求预测较为热点的研究方法是神经网络预测方法，神经网络是一种具有自学习能力的高度非线性系统，理论上能在任意精度上逼近任一定义在致密集上的非线性函数。该方法多采用神经元网络为主的机器学习方法，通过确定网络结构，建立预测模型，预测出未来的需求量。但是，由于神经网络收敛慢，全局搜索能力差，且缺乏统计意义，在对样本数据有限且存在噪声的系统进行逼近时，必然陷入难以解决的过学习和欠学习问题。尽管可以在拟合前对数据进行滤波，且能够取得一定效果，但在噪声概率密度未知的情况下，其本质上也只能起到平均平滑的作用。目前应用最广泛的神经网络是BP神经网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back—Propagation，即BP算法）而得名，1986年由D. Rumelhart等人提出。BP算法结构简单，易于实现。它具有很强的映射作用且能够识别噪音或变形的样本，经过学习能够把样本隐含的特征和规则分布于神经网络的连接权上且能共享。

人工神经网络模型用于非线性预测较为引人注目。从理论上讲，可以任意精度逼近任意非线性序列。标准BP网络的逆向传播算法具有思路清晰、结构严谨、可操作性强等特点，而且一个3层的BP网络可以完成任意的n维到m维的映射，但其不足之处是在应用中难以科学地确定网络结构，难以找到全局最小点。周开利等人指出了BP神经网络的局限性，主要有以下几个方面：①学习率与稳定性的矛盾；②学习率的选择缺乏有效的方法；③训练过程可能陷于局部最小；④没有确定隐层神经元数的有效方法［2］。这些局限性在维修资源的预测中难以克服，尤其在无人机遥感系统维修人员的需求预测中表现较为突出。

1.2时间序列预测法

时间序列预测法是根据变量自身过去的变化规律来预测未来的变化，根据过去观察值的序列，找出符合系统变化的函数，形如：x（t+p）=f（x（t），x（t-1），......，x （t-L）），p＞0等式左边表示第t+p期的需求，等式右边表示从t期到t-L期需求的函数，在时间预测系统中，将过去的观察值作为输入，未来值作为输出，预测出未来值。时间序列法的主要内容如表1所示。

表1　时间序列预测法方法分类

由于这种预测方法原理较为简单，所以在无人机遥感系统的维修资源预测中应用普遍，但这种方法要求时间序列具有稳定的变化趋势，而对于修复性备品备件这种不确定需求或者贵重备件这种间断需求等外界的干扰因素较多时，预测的可信度较差。鉴于提高时间序列预测模型的抗干扰能力，史耀媛等提出了一种基于非单点模糊正则网络的预测模型［3］，通过将非单点模糊系统引入正则神经网络结构来建立模型，使新的时间序列预测模型的抗干扰能力明显增强，并且具有收敛速度快、全局搜索能力强的特点。

1.3回归分析法

回归分析法是一种建立在数理统计理论基础上的统计预测方法，它寻求需求量与一个或多个影响需求量变化的自变量之间的线性关系，依据多组观察数据，运用最小二乘法，找出拟合这些数据点的最佳拟合曲线，依此确定影响需求量变化的诸因素与需求量的关系式，从而建立需求函数模型。此方法需要有大量数据，数据少则难以找出统计规律。另外，回归分析法所得到的回归预测方程往往只能考虑少数几种主要影响因素，而略去了许多未考虑的因素，影响了预测的准确性。此外，回归分析法主要应用于连续需求预测，而无人机遥感系统维修资源需求往往都是间断需求，所以回归分析法在无人机遥感系统维修资源需求预测领域的应用有一定的局限性。Gupta和Rao也提出一种回归方法，得出在任意时刻、由于备件影响停机次数的稳态概率分布，提供了各种维修时间分布的等候系统绩效的测量［4］；张秀红等堤出了基于回归分析的备件故障率预测模型，通过用多元回归模型预测对一元线形回归模型进行改进，使故障率更趋准确化，为备件的储备提供了更为科学的依据［5］。

1.4指数平滑法

指数平滑法是一种鲁棒性的预测方法，是重要的预测连续需求的方法之一，也是预测间断需求维修资源使用较多的方法之一，多用于无人机遥感系统应用及维修部门对维修技术资料、维修保障设施、存储和运输工具等其他维修资源的预测。该方法对每一期的需求量进行平滑，来预测下一期的需求。其计算公式是：

式种：a为平滑指数，Dt-1为上期的实际需求量，Ft-1为上期的预测需求量，Ft为第t期的预测需求量。

指数平滑法的关键在a取值，0＜a＜1。当趋势较为显著，要更多地考虑近期的影响，则a应该取值大些；当趋势不太显著时，a适当取值小些。

目前国外关于指数平滑法并不是进行单独的研究，而是在指数平滑法的基础上发展了一些可以预测间断需求的方法，如Croston针对间断需求的特性在指数平滑的基础上提出了预测间断需求的Croston法［6］。

1.5灰色预测方法

灰色预测是一种对含有非确定因素的系统进行预测的方法，是根据过去的及现在已知的或非确定的信息，建立一个从过去延伸到将来的灰色模型（Grey Model，GM）。灰色预测的基本思想是将实际产生的数据视为在一定幅值范围、一定时区内变化的灰色量，将其变化过程看成是一定幅区、一定时区内变化的灰色过程；同时，灰色系统理论认为这些被表象所迷惑、所掩盖的离乱的灰色量对广义的能量系统而言，具有某种整体功能，是有序的，其中必然隐藏着某种内在的规律，通过对原始数据的处理，便可得到依据内在规律而产生的结果。灰色预测法应用环境相对宽松，可以不必考虑维修对象类别和地理环境等因素的影响，同时对预测结果可作精度验证，具有一定的应用前景。

GM（1，1）模型是灰色预测模型的基本组成部分，用于短期预测时有较好的精度，但用于中长期预测时预测结果就存在较大的误差。近年来一些专家对灰色预测模型进行了改进，相继出现了无偏直接GM（1，1）模型、动态等维GM（1，1）模型。这些新模型应用于无人机遥感系统及维修部门维修资源的需求预测，大大提高了预测精度。

1.6基于遗传算法的神经网络预测方法

针对人工神经网络学习过程的收敛时间过长、易陷入局部最小以及鲁棒性较差等缺点，人们将遗传算法（Genetic Algorithms，GA）与人工神经网络结合起来。在人工神经网络的学习过程（即其动态调整神经元的连接权值或动态调整神经网络）中，应用遗传算法对神经元连接权值或结构进行编码，并随机生成初始群体，进行交叉、变异操作，并计算能量函数，调整交叉、变异概率，叠代，直至神经网络训练完成。将GA与BP结合起来进行维修资源需求预测时，GA可以弥补BP网络存在的一些固有缺陷，形成GA—BP混合训练算法，构造出一个全新的智能网络结构，以GA优化BP网络的初始权值和阈值，再由BP算法修正网络权值及阈值，进行网络训练。杨宏韬等［7］为改善BP网络训练速度慢、易收敛于局部极小点及全局搜索能力弱等固有缺陷，采用遗传算法优化神经网络的初始权值和阈值，以通化钢铁公司炼铁厂为研究对象，建立了基于遗传算法的人工神经网络能耗预测模型。用MATLAB编写计算程序进行测试，并与纯BP算法进行分析比较。结果表明，此方法在预测精度和收敛速度方面均得到了改进。

GA与BP相结合的能耗预测模型避免了BP网络易陷入局部极小问题，提高了收敛速度，达到了优化网络的目的，能更精确地实现无人机遥感系统应用及维修部门维修资源需求的预测。

2　维修资源需求预测的发展趋势

维修资源需求预测一直是无人机遥感系统应用及维修部门管理工作中的重点和难点，也是近几年无人机遥感系统保障管理研究的热点。近年来，该领域不少专家学者经过深入的研究，不断提出新的预测方法或对传统预测方法进行了改进和优化，有的方法经实际验证切实有效，大大提高了维修资源需求预测的准确性。这些新方法的出现也体现了无人机遥感系统应用及维修部门维修资源需求预测的发展趋势，具有代表性的主要有基于支持向量回归的需求预测、基于案例的需求预测、基于小波神经网络需求预测，下面简要介绍一下这三种方法。

2.1基于支持向量回归的维修资源需求预测

支持向量回归就是基于结构风险最小化的一种机器学习算法。它的基本思路是通过一个非线性函数Φ将每一个训练样本映射到高维特征空间F中，然后在高维特征空间中进行线性回归，这样就将非线性问题转化为高维空间中的线性问题，得到在原空间的非线性回归的效果，然后用一个核函数来代替高维空间中的内积运算，从而巧妙地解决了复杂计算问题，并且有效地克服了维数、灾难及局部极小问题。支持向量机（Suppoa Vector Machines，SVMs）的最大特点是针对结构风险最小化原则提出的，是Vapnik等人提出的一种基于统计的机器学习算法［8］。王洪波将支持向量回归的方法成功地应用到时间序列预测领域［9］，王宏焰将支持向量回归的方法运用到装备维修器材消耗预测中，建立了预测模型［10］。理论分析和实例计算表明了该模型的合理性和可行性。SVMs改变了传统的经验风险最小化原则，是在模型复杂性和学习能力之间寻求的最佳折衷，从理论上保证了支持向量回归具有较好的精确性和推广性，因此具有很好的泛化能力，而且SVMs方法最后转化为一个凸二次规则问题来求解，能够保证得到的极值就是全局最优解。

2.2基于案例的维修资源需求预测

由于设备发展的同源性和继承性，同类设备的任务相近，工作原理相似，因此，所需维修资源的相似性是普遍存在的。在环境、使用条件、使用场合和管理水平等因素相近的前提下，相似维修资源的需求规律与需求量也是相近的。因此，对于某种待预测资源的需求，可以利用已有的相似设备维修资源的需求数据进行分析和推论，这即是基于案例的维修资源需求预测。所谓案例，就是指现有的无人机遥感系统在特定条件下的维修资源需求量。通过收集不同类型遥感系统的维修资源特征及需求信息建立维修资源需求案例库，当要预测某一种维修资源的需求时，关键是要在案例库中检索出与待预测资源相似的资源需求信息，推理程序如图1：

图1　基于案例的维修资源需求预测程序

作为一种新兴的预测技术，基于案例的维修资源需求预测方法利用已有案例的信息，对维修资源需求做出预测。该技术成功地解决了传统推理方法遇到的困难，即知识的获取、推理脆弱性以及串行推理速度慢等问题，并具有对“边界”以外的知识处理方法高效，便于从知识的积累中进行学习而不断完善等优点，在当今的维修资源预测领域得到广泛的应用。兰永系统地阐述了基于案例的备件需求预测原理，对装备各分系统备件的种类、功能、关键性、经济性进行了相似性分析，通过相似推理建立了基于案例的预测模型［11］。贾锐提出了一种基于案例的新型舰船备件的预测方法［12］。

2.3基于小波神经网络模型的维修资源需求预测

小波神经网络（WNN—Wavelet Neural Net.work）是小波理论与人工神经网络相结合的一种前馈型网络。其思想是用小波元代替了神经元，即用已定位的小波函数代替Sigmoid函数作激活函数，通过仿射变换建立起小波变换与网络系数之间的连接，并应用于函数的逼近。周仲礼［13］等结合小波分析与神经网络理论方法，建立了相应能耗的小波神经网络模型，采用最速下降法对函数进行逼近，预测精度高，结果可靠，性能稳定。马致远等［14］考虑到Morlet小波计算稳定，表达方式简明，误差小和对干扰的鲁棒性好的特点，在小波网络隐层采用Morlet母小波作为网络隐含层的变换基函数，并采用改进共轭梯度法求得最值，取得了很好的预测效果。

小波神经网络兼容了小波变换与神经网络的优越性，一方面，充分利用了小波变换的时频局部化特性；另一方面，发挥了神经网络的自学习特性，从而具有较强的逼近与容错能力。但传统的小波神经网络在参数优化过程中采用的是梯度下降法，其固定的梯度变化方向限制了参数优化的方向，容易陷入局部极小和引起振荡效应。

3　结语

本文对无人机遥感系统维修资源的需求预测方法进行了综合性的论述，指出了无人机遥感系统维修资源需求预测研究发展的新趋势。无人机遥感系统维修资源需求预测不同于一般物资的需求预测，因为无人机遥感系统的维修资源需求具有很大的不确定性以及间断性，如果单纯地利用简单的预测技术，预测结果难免与实际需求有较大的偏差，导致维修资源库存量过多，使无人机遥感系统应用及维修部门积压大量的流动资金，如果过少造成不能正常施工作业，影响应用及维修部门的效益。不同的预测方法各有其优点和缺点，它们之间是相互联系、相互补充的。实际运用中可以设法把不同的预测模型组合起来，综合利用各种预测方法所提供的信息，以适当的加权平均形式得出组合预测模型。最近十几年，国内预测学界非常重视组合预测方法的研究，取得了一系列的研究成果。

［1］徐绪森.装备维修工程学［M］.北京：国防工业出版社，l992.

［2］周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］.北京：清华大学出版社，2005.

［3］史耀媛，史忠科.基于非单点模糊正则网络的时间序列预测模型［J］.西北大学学报，2006（12）：521-524.

［4］Gupta V，T Rao.On the M/G/1 machine interference model with Spares［J］.European Journal of Operational Research，1996（89）：164-171.

［5］马秀红，宋建社，董晟飞.基于回归分析的备件故障率预测模型［J］.计算机仿真，2003（11）：467-469.

［6］Croston JD.Forecasting and stockcontrolforintermittentdemands［J］.OperationalResearchQuarterly，1999，23（3）：289-303.

［7］杨宏韬.遗传神经网络能耗预测模型在钢铁企业中的应用［J］.长春工业大学学报，2007，28（6）：l86-189.

［8］Vapnik V.The Nature of Statistical Learning Theory ［M］.New-York：Springger-Verlag，1995.

［9］王洪波.基于支持向量机的非线性时间序列预测方法研究［D］.无锡：江南大学，2008.

［10］王宏焰，高 崎，王家鹏.支持向量回归机在装备维修器材消耗预测中的应用［J］.物流技术，2008，27（8）：246-250.

［11］兰永，任风云，赵彬.基于案例的备件需求预测模型研究［J］.科技信息，2008（4）：96-97.

［12］贾锐，宋志宏，秦传锋.基于案例的新型舰船备件需求量的预测模型［J］.船海工程，2006，171（2）：70-72.

［13］周仲礼，冯文新.基于小波神经网络模型的中国能耗预测［J］.成都理工大学报，2005，32（5）：544-547.

［14］马致远，龚灏.基于小波神经网络的中国煤炭消耗预测［J］.能源技术与管理，2006，（5）：121-123.

Research of the Forecast Methods about Maintenance Resource Requirement of Unmanned Aerial Vehicle Remote Sensing System

Yu Junjie Li Baolian Yao Tong
（1.Land Resources Investigation and Planning Institute of Henan Province，Zhengzhou Henan 450016；2.Henan Xindi Land Science and Technology Co.，Ltd.，Zhengzhou Henan 450016）

The forecast of maintenance resource requirement has an important status for application and maintenance departments of UAVRSS.By studying the documents about requirement prediction for maintenance resource of UAVRSS both at home and abroad，the paper summarized current main method and rising forecast means in this field，discussed the principles，the strengths and weaknesses of various methods.Finally，the paper revealed the developing trend of maintenance resource demand prediction in application and maintenance departments of UAVRSS based on characteristic of UAVRSS equipment when it is used and maintained.

Unmanned Aerial Vehicle（UAV）；UAV remote sensing system；forecast means

TP751

A

1003-5168（2015）10-0010-4

2015-9-20

于俊杰，男，硕士，工程师，研究方向：土地管理。