基于PLS-SVM的航材需求预测方法研究

黄俊超 胡勇

摘  要：在航材保障中，航材需求预测十分关键，对改进航材订货机制、提高保障效益、提升战斗力具有重要意义。为了提高航材需求预测精度，预测模型的设计至关重要。针对信息冗余问题，创新地提出基于PLS-SVM的航材需求预测模型，首先利用偏最小二乘法提取出变量中影响性较强的部分，降低支持向量的维数，再以支持向量机建立预测模型对航材需求量进行预测。计算结果表明，该模型可以解除变量之间的耦合性，消除信息冗余的影响，提升航材需求预测的精度，满足实际工作需要。

关键词：航材需求量;偏最小二乘;支持向量机;预测

中图分类号：E241    文献标识码：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，飛机零备件筹措需要较长时间，使得航材需求预测技术十分关键。科学地进行航材需求预测能够避免航材积压呆滞造成浪费，为优化订货机制、科学合理地进行航材的筹措、存储和供应提供有力依据，节省大量人力、物力、财力，对提高航材保障效益、提升战斗力具有重要意义。

 目前，航材系统对航材需求预测做了不少尝试，从时间序列法[1]、指数平滑法[2]、灰色预测法[3]等传统的预测方法到人工神经网络[4]、支持向量机[5]等现代预测方法，这些方法能够为航材需求预测提供有力参考。但在实际情况中，影响航材需求量的因素众多，如飞行时间、起落次数、故障率、平均故障时间间隔、异常温度系数、异常湿度系数等[6]，这些因素之间具有耦合性，相互干扰，若未经处理进而预测会造成信息冗余，导致预测精度降低。并且当解释变量偏多时并不是所有的解释变量都对因变量有很好的解释作用[7]。在众多预测模型中，不同模型有不同的特点，对于揭示研究对象的某一或某些侧面的变化规律有不同的优势。很多研究已经证实，将不同模型进行有机组合，具有比单一模型预测更高的精度，也使预测结果更加客观有效。

1  PLS-SVM模型的建立

偏最小二乘法给出了一个新的成分抽取方法[8]，可以剔除对影响作用较小的解释变量，降低向量维数。并且克服了主成分分析法只依据自变量进行变量的信息抽取，而没有考虑新抽取的变量与因变量的相关关系等问题。在进行综合信息的抽取时，偏最小二乘法不仅最大限度地使所抽取的自变量成分和因变量主成分尽可能大的包含了原始信息，而且使所抽取的自变量的主成分对所抽取的因变量主成分具有最大的解释能力[9]，非常适合航材需求预测中复杂因子之间的信息抽取，消除信息冗余，从而使所得到的回归方程变得更加简洁且具有更高的准确性。支持向量机是一种基于非线性的拟合方法，对于解决小样本、高维数以及局部最优解等问题有着显著效果[10]，并且训练效率高，可以十分成功地解决回归等问题，应用比较广泛。

本文根据已有的某机型航材需求量及其影响因素信息，将偏最小二乘法和支持向量机相结合，通过组合模型解决数据冗余导致的预测精度降低问题。

 基于PLS-SVM的航材需求预测算法具体如下：

第一步：数据预处理

2  实例分析

 以下借助RStudio软件进行实例分析，将PLS-SVM模型与其它回归模型的预测精度进行对比。

 对某机型航材需求量进行预测，文献[6]获得了该机型各影响因素与航材需求量的具体数据。

 首先，进行归一化处理。原始数据经处理后如表1所示。

接着，进行相关程度分析，得到相关系数如表2所示。

通过结果可以看出，表2中较多R值接近1或-1，说明各因子之间相关性较高。

 根据模型对测试集进行预测，得到结果如表3所示。

从表3可以看出，PLS-SVM航材需求预测模型整体效果较好，预测相对误差最大的仅为12.67%。

 对照文献[6]所得结论，同时借助RStudio软件，得到多元线性回归以及随机森林对测试集的预测结果，并将三者与

PLS-SVM模型的预测结果进行比较，如表4所示。

可视化对比如图1所示。

为了定量的评价航材预测模型预测效果，选取均方根误差、平均相对误差、最大相对误差作为评价指标。通过计算，得到对不同模型的评价结果如表5所示。

从表5中可以看出，PLS-SVM方法的均方根误差以及最大相对误差均最小，RF方法平均相对误差相对较小，但另外两项指标均有较大差别。

 因此整体而言，可以得出结论：PLS-SVM模型预测结果比基于PCA-SVM、MLR和RF方法的航材需求量预测在精度上有了提高，为航材保障提供科学依据，有助于提高航材保障效益。

3  结束语

本文提出了偏最小二乘法与支持向量机相结合的航材需求预测模型。并通过实例分析，验证了该模型可以提取诸多影响因素中对航材需求量影响较大的主成分，有效地消除变量之间的耦合性，解决信息冗余问题，从而提高预测精度。实验表明，该模型对于优化航材订货机制、提高航材保障效益具有较大帮助。

参考文献：

[1] 侯甲凯. 航空公司航材周转件需求预测研究[D]. 广汉：中国民用航空飞行学院（硕士学位论文），2015.

[2] 杨冰冰. B777飞机大修航材库存需求预测研究[D]. 天津：中国民航大学（硕士学位论文），2014.

[3] 陈余胜，徐贵强. 基于人工神经网络的后续航材需求预测研究[J]. 航空维修与工程，2020（11）：54-57.

[4] 杨宜霖，刘臣宇，薛永亮，等. 基于支持向量机航材预测模型[J]. 舰船电子工程，2020，40（5）：134-137.

[5] 刘信斌，乔丽. 航材保障运筹分析[M]. 徐州：空军勤务学院，2017.

[6] 刘旭，周丽华，朱臣. 基于PCA-SVM的航材需求预测方法研究[J]. 舰船电子工程，2017（7）：105-109.

[7] 杨国栋. 基于变量筛选的偏最小二乘回归方法及其应用[D]. 长沙：中南大学（硕士学位论文），2013.

[8] 王惠文，吴载斌，孟洁. 偏最小二乘回归的线性与非线性方法[M]. 北京：国防工业出版社，2006.

[9] 张森. 基于偏最小二乘支持向量機的水质评价与预测研究[D]. 重庆：重庆大学（硕士学位论文），2014.

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

[11] 王宁，谢敏，邓佳梁，等. 基于支持向量机回归组合模型的中长期降温负荷预测[J]. 电力系统保护与控制，2016，44（3）：92-97.

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