基于LSSVM的南海岛礁战备物资消耗量预测

黄炳豪，王 丰，刘振华，伍 岳，邓 群

(1.后勤工程学院 后勤信息与军事物流工程系，重庆401311；2.军委后勤保障部 后勤科学研究所，北京 100841)

● 军事物流MilitaryLogistics

基于LSSVM的南海岛礁战备物资消耗量预测

黄炳豪1，王 丰1，刘振华2，伍 岳1，邓 群1

(1.后勤工程学院 后勤信息与军事物流工程系，重庆401311；2.军委后勤保障部 后勤科学研究所，北京 100841)

为保障南海作战部队充分的物资供应，后勤部门需要在战前对参战部队的物资消耗情况作出科学预测。根据南海岛礁战备物资消耗的特点，确定战备物资消耗量影响因素，采用最小二乘支持向量机(LSSVM)模型预测消耗量。以南海某舰艇编队执行作战任务的油料消耗量预测为例，使用最小二乘支持向量机模型进行算例分析。结果表明，最小二乘支持向量机相对于支持向量机、灰色模型、BP神经网络等预测方法而言误差更小，适用于战备物资消耗量预测。

南海岛礁；战备物资；消耗预测；最小二乘支持向量机

Abstract： To support materials supply for combat troops in South China Sea, logistics department need to predict materials consumption of the troops before war. According to the characteristics of war readiness materials consumption in South China Sea islands, the paper firstly determines influencing factors of war readiness materials consumption and predicts consumption with least squares support vector machine (LSSVM) model. Then, it takes oil consumption prediction of a fleet in South China Sea as the example, and analyzes it with LSSVM model. The result shows that the error of LSSVM is less than that of support vector machine, gray model, and BP neural network, and LSSVM is suitable for consumption prediction of war readiness materials.

Keywords: South China Sea islands; war readiness materials; consumption prediction; least squares support vector machine (LSSVM)

南海是主要的海上运输航线，又蕴藏着渔业、矿产、石油、天然气等丰富的自然资源，战略地位十分重要，因此成为周边国家争相抢夺的目标，国际纠纷与军事冲突不断。南海局部战争爆发的可能性逐渐加大，南海方向军事斗争准备日益紧迫。南海作战海域离我陆岸较远，西沙海域距我南部主要基地——榆林基地约180 n mile，南沙海域更远达550 n mile左右，在上述海域作战，特别是在南沙海域作战对各种战备物资依赖性大，而目前在岛礁上存储的战备物资远远不能满足作战需求。为保障前方作战部队充分的物资供应，后勤部门需要在战前对战时参战部队的物资消耗情况作出科学预测。因此，充分调研南海作战战备物资需求，综合考虑使命任务、战斗战法和作战环境的特殊性等影响战备物资消耗的因素，开展南海岛礁战备物资消耗量预测，超前预置战备物资，具有重要的紧迫性和现实意义。

通过查阅相关文献资料，关于南海岛礁战备物资消耗量预测的研究主要是宏观定性研究，没有找到建模定量分析的文献。目前主流的物资消耗量预测方法有基数计算法、时间序列法、指数平滑法、回归分析、灰色模型、神经网络预测、支持向量机等，这些方法对于特定的物资预测效果很好，但南海岛礁战备物资种类繁多，消耗规律与作战任务相关，可使用样本数据有限，消耗量变化趋势严重非线性，若使用上述的方法存在着预测对象单一、预测方法模型不适用等问题[1-8]。针对这些问题，本文采用基于最小二乘支持向量机(least squares support vector machine, LSSVM)的消耗预测模型，并根据算例检验模型的可行性及准确性。

1 南海岛礁战备物资消耗量预测分析

1.1预测结构

南海岛礁上预置的战备物资主要是保障南海海域作战初期所需的装备维修器材和后勤装备物资。战备物资品种众多、数量庞大(共有82大类，数十万种物资)，如果按照物资品种分别建立模型则计算过程繁琐复杂，不切实际。考虑到战备物资消耗具有内在的规律性，适合建立统一的规范性计算模型。

从物资消耗规律看，战备物资分为使用即减少的一次性消耗物资和可多次重复使用的物资。一次性消耗物资，如给养中的主副食、舰艇备品、潜艇远航食品，油料中的车用油料、舰艇油料、航空油料，药材中的止血绷带、创伤敷料、止痛药等。该类物资具有一次性消耗的特点，一般该类物资使用即减少，不考虑重复使用。可重复使用的物资，包括被装中的作战靴、野战睡具、海空军特种服装，野营物资中的行军床、帐篷，油料装备中的舰艇油料化验箱、软体储油罐，卫生装备器材中的手术床、器械台、消毒器，岛礁应急综合保障器材中的供水维修检测设备、供电照明设备、气体保障设备、消防救生设备等。若不考虑每次作战的重复使用，不仅会造成大量物资的浪费，同时也加大了后勤部队的保障任务和难度。因此，引入物资使用补偿系数β，根据物资类别，对可重复使用的物资在每次作战后进行一定的损耗补偿，以恢复原有保障水平。

战备物资的消耗量预测主要根据作战计划对各作战单位的物资消耗量按物资类别依次分类计算，最后在此基础上进行汇总处理。结合文献[9]，建立其基本计算式：

1.2南海岛礁战备物资消耗量影响因素

结合海上作战的特殊性，考虑对预测结果影响较大的作战指标，通过查阅资料[11]，确定以下Q′的影响因素，从而确定最小二乘支持向量机的输入参数。

(1)作战力量编成：指南海海域作战投入的各军兵种部队的组成，参战兵力、武器装备的数量。

(2)作战样式：通过查阅相关资料，南海海域可能的作战样式有进攻敌海上舰艇编队作战、海上封锁作战、反潜作战、登陆作战、抗登陆作战、珊瑚岛礁进攻作战、海军驻泊地域防御作战等。

(3)作战环境：指南海海域作战时的自然环境和战场环境。自然环境包括水文、天候、海况等；战场环境主要影响到作战的对抗激烈程度，战场环境越复杂，对抗越激烈，物资消耗量则越大。

(4)作战持续时间：各参战部队参加一次战斗的持续时间。

2 基于LLSVM的南海岛礁战备物资消耗量预测模型

2.1最小二乘支持向量机

最小二乘支持向量机(LSSVM)算法的基本原理是通过一定的非线性映射将输入数据映射到高维特征空间，然后在高维空间中构造最优线性回归函数[12]，它是一种遵循结构风险最小化(structure risk minimization，SRM)原则的核函数学习机器。最小二乘支持向量机算法的目标函数为

s.t.yi=WTφ(xi)+γ+ξii=1，…,Ν

式中：W为权值向量；γ为偏置项；ξi为误差向量；xi为第i个样本的输入；yi为第i个样本的输出；φ(xi)为非线性映射函数；C为正则化因子，C>0。

为求解上述优化问题，引入Lagrange乘子αi，αi∈RN×1：

L(W，γ，ξi,αi)=J(W，ξi,α)=J(W，ξi)-

根据KKT条件可得到

消元去掉ξi和W,可以得到下面的线性方程组

最后写成矩阵的形式

非线性函数的回归ZZT内积运算可用满足Mercer条件的核函数K(xi,xj)替代，令Ω=ZZT，则

Ωij=φ(xi)Tφ(xj)=K(xi,xj)

则最小二乘支持向量机回归估计函数为

(1)

2.2基于最小二乘支持向量机预测模型的建立

(1) 提取样本数据集作为输入变量。

(2) 数据预处理。即对输入变量进行归一化处理，归一化公式为

式中：Ρi为归一化后的数据；xi为样本数据；xmin为样本数据的最小值；xmax为样本数据的最大值。

(3) 核函数选取。最小二乘支持向量机的核函数主要有线性函数、Sigmoid函数、径向基函数(RBF)[13]，其中径向基函数具有良好的泛化能力，能很好地解决数据有限、变化规律非线性的问题，所以本文选择RBF函数为核函数：

式中σ为核宽度。

(4) 核函数参数寻优。核函数参数主要是指惩罚因子r和核宽度σ两个参数[14]。核函数参数的寻优过程选用自调节网格搜索法。

(5) 使用优化后的惩罚因子r和宽度参数σ,求解出最小二乘支持向量机的参数αi、γ，然后代入式(1)中，建立最小二乘支持向量机预测模型, 运用仿真软件计算得到预测结果。

(6) 预测结果分析。将最小二乘支持向量机预测结果与支持向量机、灰色模型、BP神经网络预测的结果采用评价指标进行分析，确定这4种预测方法的优劣，评价指标公式为

以上模型的建立可以通过Matlab仿真软件编程实现。

3 算例分析

本文以南海某舰艇编队执行作战任务为例，采用最小二乘支持向量机预测舰用油料消耗数量，并检验模型的预测精度。根据上文及舰用油料的特点，确定影响其消耗的因素有舰艇数量、编队舰艇总吨位、海况等级、作战样式、任务持续时间等5个因素，对于作战样式因素进行量化(见表1)。

表1 作战样式量化取值

经脱密处理后的该舰艇编队油料消耗历史数据见表2。

表2 某舰艇编队执行作战任务油料消耗量

表2中前8组数据作为训练样本，后4组数据作为测试样本分析预测方法的可行性及精度。利用Matlab仿真软件的LS-SVM lab工具箱自编程序，将前8组油料消耗数据经过归一化处理后,使用自调节网格搜索法确定核函数参数，进行LSSVM模型训练[15],得到最小二乘支持向量机的各训练参数值见表3。

表3 预测模型训练参数值

为验证最小二乘支持向量机的性能，本文还使用支持向量机、灰色模型、BP神经网络对测试样本进行预测，这4种方法得到的预测拟合值如图1所示。

图1 各模型预测结果与测试样本对比

由图1可知，最小二乘支持向量机预测结果最接近实际值。4种预测模型的预测结果平均绝对误差MAPE分别为：LSSVM 3.27%；支持向量机5.79%；灰色模型9.30%；BP神经网络9.29%。从预测结果看，LSSVM的预测结果误差率最小，与实际值最接近，这表明本文建立的基于最小二乘支持向量机模型的预测结果能准确地预测南海岛礁战备物资消耗量，预测的准确性较其他方法更高，是一种有效的预测方法。

4 结 语

本文根据南海海域作战特点、战备物资消耗的影响因素，分析了战备物资消耗量测算的结构。

按物资消耗规律将战备物资分为可重复使用的物资和一次性消耗物资，引入物资使用补偿系数。对于某作战单位某类战备物资消耗量，采用最小二乘支持向量机建模预测。基于最小二乘支持向量机的预测结果表明，本文采用的方法很好地解决了南海岛礁战备物资消耗量预测时样本有限和变化规律非线性的问题。相比其他预测方法，最小二乘支持向量机预测的准确性更高、稳定性更好，为战备物资消耗量预测提供了新的思路和方法。

[1] 卢庆龄，白盟亮，彭艳丽，等. 基于灰色神经网络的装甲器材需求量预测[J].装甲兵工程学院学报，2011,25(6)：19-22.

[2] 李博敏.基于灰色马尔科夫模型的武警部队后勤战备物资需求预测[J]. 武警工程大学学报, 2013(2):51-55.

[3] 曹丽.战略物资储备规模优化问题分析[J].北京理工大学学报(社会科学版),2006,8(4):18-20.

[4] 吴洁明，李余琪，万励.物流需求预测算法的仿真研究[J].计算机仿真，2011,28(9)：246-249.

[5] 黄必佳，王公宝. 舰艇编队海上战时油料消耗预测方法研究[J].军事运筹与系统工程，2015,29(4)：40-45.

[6] 王宏焰，高崎，王家鹏. 装备维修器材消耗预测综述[J].四川兵工学报，2008,29(5)：92-96.

[7] 倪聪，周庆忠，刘磊，等. 基于GM-SVM的边境封控油料保障需求预测[J].军事交通学院学报，2016,18(3)：90-94.

[8] 赵劲松，令狐昌应，贺宇.战时车辆装备维修任务量测算模型[J].军事交通学院学报，2016,18(6)：27-31.

[9] 李德彩.战略后勤指挥决策模型化研究[M].北京：国防大学出版社，2002：88-102.

[10] 余鹏，何学军,罗伟.舰艇编队海上运输补给物资需求预测方法[J].海军工程大学学报,2015,27(1):59-64.

[11] 陈学军，王丰，张连武，等.战储管理学[M].北京：中国财富出版社，2013：245-246.

[12] 王恺，关少卿，汪令祥，等.基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测模型[J].电力系统保护与控制,2015,43(2):26-32.

[13] 曾鸣，吕春泉，田廓,等.基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法[J].中国电机工程学报, 2011,31(34):93-99.

[14] 唐杰明，刘俊勇，杨可，等.基于灰色模型和最小二乘支持向量机的电力短期负荷组合预测[J].电网技术，2009,33(3):63-68.

[15] 李方方，赵英凯，颜昕.基于 Matlab的最小二乘支持向量机的工具箱及其应用[J].计算机应用，2006,26(12)：358-360.

(编辑：史海英)

ConsumptionPredictionofWarReadinessMaterialsinSouthChinaSeaIslandsBasedonLSSVM

HUANG Binghao1, WANG Feng1, LIU Zhenhua2, WU Yue1, DENG Qun1
(1.Department of Logistics Information & Military Logistics Engineering, Logistical Engineering University, Chongqing 401311, China; 2.Institute of Logistics Science, Logistics Support Department of CMC, Beijing 100841, China)

10．16807/j.cnki.12-1372/e.2017.09.013

E233

A

1674-2192(2017)09- 0054- 04

2017-03-28；

2017-04-13．

黄炳豪(1993—)，男，硕士研究生；王 丰(1964—)，男，硕士，教授，硕士研究生导师．