基于LSSVM的南海島礁戰備物資消耗量預測

黃炳豪，王 豐，劉振華，伍 岳，鄧 群

(1.后勤工程學院 后勤信息與軍事物流工程系，重慶401311；2.軍委后勤保障部 后勤科學研究所，北京 100841)

● 軍事物流MilitaryLogistics

基于LSSVM的南海島礁戰備物資消耗量預測

黃炳豪1，王 豐1，劉振華2，伍 岳1，鄧 群1

(1.后勤工程學院 后勤信息與軍事物流工程系，重慶401311；2.軍委后勤保障部 后勤科學研究所，北京 100841)

為保障南海作戰部隊充分的物資供應，后勤部門需要在戰前對參戰部隊的物資消耗情況作出科學預測。根據南海島礁戰備物資消耗的特點，確定戰備物資消耗量影響因素，采用最小二乘支持向量機(LSSVM)模型預測消耗量。以南海某艦艇編隊執行作戰任務的油料消耗量預測為例，使用最小二乘支持向量機模型進行算例分析。結果表明，最小二乘支持向量機相對于支持向量機、灰色模型、BP神經網絡等預測方法而言誤差更小，適用于戰備物資消耗量預測。

南海島礁；戰備物資；消耗預測；最小二乘支持向量機

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)

南海是主要的海上運輸航線，又蘊藏著漁業、礦產、石油、天然氣等豐富的自然資源，戰略地位十分重要，因此成為周邊國家爭相搶奪的目標，國際糾紛與軍事沖突不斷。南海局部戰爭爆發的可能性逐漸加大，南海方向軍事斗爭準備日益緊迫。南海作戰海域離我陸岸較遠，西沙海域距我南部主要基地——榆林基地約180 n mile，南沙海域更遠達550 n mile左右，在上述海域作戰，特別是在南沙海域作戰對各種戰備物資依賴性大，而目前在島礁上存儲的戰備物資遠遠不能滿足作戰需求。為保障前方作戰部隊充分的物資供應，后勤部門需要在戰前對戰時參戰部隊的物資消耗情況作出科學預測。因此，充分調研南海作戰戰備物資需求，綜合考慮使命任務、戰斗戰法和作戰環境的特殊性等影響戰備物資消耗的因素，開展南海島礁戰備物資消耗量預測，超前預置戰備物資，具有重要的緊迫性和現實意義。

通過查閱相關文獻資料，關于南海島礁戰備物資消耗量預測的研究主要是宏觀定性研究，沒有找到建模定量分析的文獻。目前主流的物資消耗量預測方法有基數計算法、時間序列法、指數平滑法、回歸分析、灰色模型、神經網絡預測、支持向量機等，這些方法對于特定的物資預測效果很好，但南海島礁戰備物資種類繁多，消耗規律與作戰任務相關，可使用樣本數據有限，消耗量變化趨勢嚴重非線性，若使用上述的方法存在著預測對象單一、預測方法模型不適用等問題[1-8]。針對這些問題，本文采用基于最小二乘支持向量機(least squares support vector machine, LSSVM)的消耗預測模型，并根據算例檢驗模型的可行性及準確性。

1 南海島礁戰備物資消耗量預測分析

1.1預測結構

南海島礁上預置的戰備物資主要是保障南海海域作戰初期所需的裝備維修器材和后勤裝備物資。戰備物資品種眾多、數量龐大(共有82大類，數十萬種物資)，如果按照物資品種分別建立模型則計算過程繁瑣復雜，不切實際。考慮到戰備物資消耗具有內在的規律性，適合建立統一的規范性計算模型。

從物資消耗規律看，戰備物資分為使用即減少的一次性消耗物資和可多次重復使用的物資。一次性消耗物資，如給養中的主副食、艦艇備品、潛艇遠航食品，油料中的車用油料、艦艇油料、航空油料，藥材中的止血繃帶、創傷敷料、止痛藥等。該類物資具有一次性消耗的特點，一般該類物資使用即減少，不考慮重復使用。可重復使用的物資，包括被裝中的作戰靴、野戰睡具、海空軍特種服裝，野營物資中的行軍床、帳篷，油料裝備中的艦艇油料化驗箱、軟體儲油罐，衛生裝備器材中的手術床、器械臺、消毒器，島礁應急綜合保障器材中的供水維修檢測設備、供電照明設備、氣體保障設備、消防救生設備等。若不考慮每次作戰的重復使用，不僅會造成大量物資的浪費，同時也加大了后勤部隊的保障任務和難度。因此，引入物資使用補償系數β，根據物資類別，對可重復使用的物資在每次作戰后進行一定的損耗補償，以恢復原有保障水平。

戰備物資的消耗量預測主要根據作戰計劃對各作戰單位的物資消耗量按物資類別依次分類計算，最后在此基礎上進行匯總處理。結合文獻[9]，建立其基本計算式：

1.2南海島礁戰備物資消耗量影響因素

結合海上作戰的特殊性，考慮對預測結果影響較大的作戰指標，通過查閱資料[11]，確定以下Q′的影響因素，從而確定最小二乘支持向量機的輸入參數。

(1)作戰力量編成：指南海海域作戰投入的各軍兵種部隊的組成，參戰兵力、武器裝備的數量。

(2)作戰樣式：通過查閱相關資料，南海海域可能的作戰樣式有進攻敵海上艦艇編隊作戰、海上封鎖作戰、反潛作戰、登陸作戰、抗登陸作戰、珊瑚島礁進攻作戰、海軍駐泊地域防御作戰等。

(3)作戰環境：指南海海域作戰時的自然環境和戰場環境。自然環境包括水文、天候、海況等；戰場環境主要影響到作戰的對抗激烈程度，戰場環境越復雜，對抗越激烈，物資消耗量則越大。

(4)作戰持續時間：各參戰部隊參加一次戰斗的持續時間。

2 基于LLSVM的南海島礁戰備物資消耗量預測模型

2.1最小二乘支持向量機

最小二乘支持向量機(LSSVM)算法的基本原理是通過一定的非線性映射將輸入數據映射到高維特征空間，然后在高維空間中構造最優線性回歸函數[12]，它是一種遵循結構風險最小化(structure risk minimization，SRM)原則的核函數學習機器。最小二乘支持向量機算法的目標函數為

s.t.yi=WTφ(xi)+γ+ξii=1，…,Ν

式中：W為權值向量；γ為偏置項；ξi為誤差向量；xi為第i個樣本的輸入；yi為第i個樣本的輸出；φ(xi)為非線性映射函數；C為正則化因子，C>0。

為求解上述優化問題，引入Lagrange乘子αi，αi∈RN×1：

L(W，γ，ξi,αi)=J(W，ξi,α)=J(W，ξi)-

根據KKT條件可得到

消元去掉ξi和W,可以得到下面的線性方程組

最后寫成矩陣的形式

非線性函數的回歸ZZT內積運算可用滿足Mercer條件的核函數K(xi,xj)替代，令Ω=ZZT，則

Ωij=φ(xi)Tφ(xj)=K(xi,xj)

則最小二乘支持向量機回歸估計函數為

(1)

2.2基于最小二乘支持向量機預測模型的建立

(1) 提取樣本數據集作為輸入變量。

(2) 數據預處理。即對輸入變量進行歸一化處理，歸一化公式為

式中：Ρi為歸一化后的數據；xi為樣本數據；xmin為樣本數據的最小值；xmax為樣本數據的最大值。

(3) 核函數選取。最小二乘支持向量機的核函數主要有線性函數、Sigmoid函數、徑向基函數(RBF)[13]，其中徑向基函數具有良好的泛化能力，能很好地解決數據有限、變化規律非線性的問題，所以本文選擇RBF函數為核函數：

式中σ為核寬度。

(4) 核函數參數尋優。核函數參數主要是指懲罰因子r和核寬度σ兩個參數[14]。核函數參數的尋優過程選用自調節網格搜索法。

(5) 使用優化后的懲罰因子r和寬度參數σ,求解出最小二乘支持向量機的參數αi、γ，然后代入式(1)中，建立最小二乘支持向量機預測模型, 運用仿真軟件計算得到預測結果。

(6) 預測結果分析。將最小二乘支持向量機預測結果與支持向量機、灰色模型、BP神經網絡預測的結果采用評價指標進行分析，確定這4種預測方法的優劣，評價指標公式為

以上模型的建立可以通過Matlab仿真軟件編程實現。

3 算例分析

本文以南海某艦艇編隊執行作戰任務為例，采用最小二乘支持向量機預測艦用油料消耗數量，并檢驗模型的預測精度。根據上文及艦用油料的特點，確定影響其消耗的因素有艦艇數量、編隊艦艇總噸位、海況等級、作戰樣式、任務持續時間等5個因素，對于作戰樣式因素進行量化(見表1)。

表1 作戰樣式量化取值

經脫密處理后的該艦艇編隊油料消耗歷史數據見表2。

表2 某艦艇編隊執行作戰任務油料消耗量

表2中前8組數據作為訓練樣本，后4組數據作為測試樣本分析預測方法的可行性及精度。利用Matlab仿真軟件的LS-SVM lab工具箱自編程序，將前8組油料消耗數據經過歸一化處理后,使用自調節網格搜索法確定核函數參數，進行LSSVM模型訓練[15],得到最小二乘支持向量機的各訓練參數值見表3。

表3 預測模型訓練參數值

為驗證最小二乘支持向量機的性能，本文還使用支持向量機、灰色模型、BP神經網絡對測試樣本進行預測，這4種方法得到的預測擬合值如圖1所示。

圖1 各模型預測結果與測試樣本對比

由圖1可知，最小二乘支持向量機預測結果最接近實際值。4種預測模型的預測結果平均絕對誤差MAPE分別為：LSSVM 3.27%；支持向量機5.79%；灰色模型9.30%；BP神經網絡9.29%。從預測結果看，LSSVM的預測結果誤差率最小，與實際值最接近，這表明本文建立的基于最小二乘支持向量機模型的預測結果能準確地預測南海島礁戰備物資消耗量，預測的準確性較其他方法更高，是一種有效的預測方法。

4 結 語

本文根據南海海域作戰特點、戰備物資消耗的影響因素，分析了戰備物資消耗量測算的結構。

按物資消耗規律將戰備物資分為可重復使用的物資和一次性消耗物資，引入物資使用補償系數。對于某作戰單位某類戰備物資消耗量，采用最小二乘支持向量機建模預測。基于最小二乘支持向量機的預測結果表明，本文采用的方法很好地解決了南海島礁戰備物資消耗量預測時樣本有限和變化規律非線性的問題。相比其他預測方法，最小二乘支持向量機預測的準確性更高、穩定性更好，為戰備物資消耗量預測提供了新的思路和方法。

[1] 盧慶齡，白盟亮，彭艷麗，等. 基于灰色神經網絡的裝甲器材需求量預測[J].裝甲兵工程學院學報，2011,25(6)：19-22.

[2] 李博敏.基于灰色馬爾科夫模型的武警部隊后勤戰備物資需求預測[J]. 武警工程大學學報, 2013(2):51-55.

[3] 曹麗.戰略物資儲備規模優化問題分析[J].北京理工大學學報(社會科學版),2006,8(4):18-20.

[4] 吳潔明，李余琪，萬勵.物流需求預測算法的仿真研究[J].計算機仿真，2011,28(9)：246-249.

[5] 黃必佳，王公寶. 艦艇編隊海上戰時油料消耗預測方法研究[J].軍事運籌與系統工程，2015,29(4)：40-45.

[6] 王宏焰，高崎，王家鵬. 裝備維修器材消耗預測綜述[J].四川兵工學報，2008,29(5)：92-96.

[7] 倪聰，周慶忠，劉磊，等. 基于GM-SVM的邊境封控油料保障需求預測[J].軍事交通學院學報，2016,18(3)：90-94.

[8] 趙勁松，令狐昌應，賀宇.戰時車輛裝備維修任務量測算模型[J].軍事交通學院學報，2016,18(6)：27-31.

[9] 李德彩.戰略后勤指揮決策模型化研究[M].北京：國防大學出版社，2002：88-102.

[10] 余鵬，何學軍,羅偉.艦艇編隊海上運輸補給物資需求預測方法[J].海軍工程大學學報,2015,27(1):59-64.

[11] 陳學軍，王豐，張連武，等.戰儲管理學[M].北京：中國財富出版社，2013：245-246.

[12] 王愷，關少卿，汪令祥，等.基于模糊信息粒化和最小二乘支持向量機的風電功率聯合預測模型[J].電力系統保護與控制,2015,43(2):26-32.

[13] 曾鳴，呂春泉，田廓,等.基于細菌群落趨藥性優化的最小二乘支持向量機短期負荷預測方法[J].中國電機工程學報, 2011,31(34):93-99.

[14] 唐杰明，劉俊勇，楊可，等.基于灰色模型和最小二乘支持向量機的電力短期負荷組合預測[J].電網技術，2009,33(3):63-68.

[15] 李方方，趙英凱，顏昕.基于 Matlab的最小二乘支持向量機的工具箱及其應用[J].計算機應用，2006,26(12)：358-360.

(編輯：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．

黃炳豪(1993—)，男，碩士研究生；王 豐(1964—)，男，碩士，教授，碩士研究生導師．