基于人工神經網絡的后續航材需求預測研究

陳余勝 徐貴強

摘要：航材需求預測是航材庫存管理的前提，提高后續航材需求預測的精確度能有效降低航材庫存成本，節省公司運營成本，提升公司盈利能力。本文針對后續航材需求預測中航材需求呈現的不確定性、非線性特點，建立基于Adam優化算法的人工神經網絡需求預測方法，并采用Tensorflow平臺設計神經網絡進行訓練，可提高航材需求預測的準確性。

關鍵詞：航材；需求預測；人工神經網絡

Keywords：aircraft material；demand forecasting；artificial neural network

0 引言

通常情況下，為了減少因航材缺件導致航班延誤或取消而給航空公司帶來的經濟損失和負面影響，航材部門會在預算之內盡量多儲備航材庫存，以滿足飛機維護和維修中航材的需求，這種方式能使公司航材保障率維持在較高水平，但是也容易導致航材庫存總成本逐年上升、庫存周轉率低。分析發現，在日常后續航材需求預測中，隨著新飛機的不斷引進，僅考慮航材歷史消耗情況，依據經驗確定再訂貨時間點及訂貨數量，容易造成預測出的需求數量精度不高。

本文運用人工神經網絡比傳統方法假設更少、具有很強的容錯能力和優異的并行處理能力的優勢，建立了航材備件需求預測模型，并以某航空公司某航材某個時間段的實際需求量與其9大影響因素的22組原始數據為例，選取樣本中的前21組數據作為訓練樣本，采用神經網絡進行訓練，再選取最后1組數據中的實際需求量與其9大影響因素作為檢測樣本，將預測值與最后1項實際需求量進行對比，證明了該預測模型的有效性和準確性。

1 假設和參數設置

由于后續航材需求具有不確定性、非線性的特點，后續航材實際需求量受多種因素影響，本文假設以下9種因素影響實際航材需求量。

1）機隊規模：指航空公司飛機機隊數量。

2）飛機機齡：指飛機的年齡，即從飛機由制造廠生產并交付到航空營運人的時間開始到當前時間的時間段，也稱為飛機的壽命。

3）定檢次數：為使飛機持續保持適航狀態，按照飛機制造廠家制定的對飛機維護的計劃性工作條目，需要定期對飛機進行檢修，稱為定檢。按照飛機使用的飛行小時的長短，將飛機定檢分為A檢、C檢。

4）采購單價：指采購單個航材的價格。

5）平均飛行小時：指航空公司某段時間內使用飛機的飛行小時的平均值。

6）采購周期：指航材從訂購之日起到航材部門收到訂購航材之日止的時間段，按天計算。

7）運輸成本：指隨著航空貨運運費的不斷變化，不同時間周期內采購某航材所需要的運輸費用。

8）旺季使用率：航材需求量受季節性因素影響大，由于淡旺季飛機使用頻率不一樣，飛機發生故障的概率也不一樣，導致對航材的需求數量不一。

9）報廢率：按百分比表示航材報廢的可能性，航材故障拆下后可能無法修復或者超過經濟修理不值得再修理，故障航材拆下修理后以可用狀態入庫，本文視為航材增加庫存的一種方式。

2 基于神經網絡需求預測

采用神經網絡進行預測，神經網絡對復雜的非線性問題具有很好的描述能力，可以很容易地通過計算機實現并行計算。神經網絡的訓練樣本數據量越大，模型越接近現實，預測的效果越好，神經網絡更適合處理本文中的航材需求預測問題。

2.1 標準化處理

在運用神經網絡進行學習和訓練之前，有必要對原始數據進行標準化處理，使用經過標準化處理后的數據進行數據分析，更能增加數據擬合的可能性。常用的標準化處理方法有Z-score數據標準化方法和最大/最小標準化方法。最大/最小標準化方法是對原始數據的線性變換，通常設MaxA和MinA分別為A的最大值和最小值，并將A的一個原始值X通過最大/最小標準化處理后映射到區間[0，1]的值設為X′，則有：

3 基于Tensorflow平臺的神經網絡步驟和實例分析

Tensorflow是谷歌公司基于DistBelief平臺研發的第二代人工智能學習系統，Tensor表示N維數組，Flow表示基于數據流圖的計算，它是從流程圖的一端流向另一端的張量。Tensorflow是一個將復雜原始數據結構直接傳輸到人工智能神經網絡中進行分析和處理的系統。

3.1 基于Tensorflow平臺的神經網絡步驟

基于Tensorflow平臺的神經網絡步驟如圖1所示。

1）參數設置：訓練次數、學習率、輸入層、隱含層、輸出層；

2）標準化訓練樣本；

3）開始訓練；

4）使用激活函數relu加速收斂；

5）使用均方誤差計算損失函數值；

6）運用Adam優化算法加快訓練速度；

7）獲取損失值；每訓練1000次輸出損失值；

8）輸入最后一組影響因素值；9）輸出最后一組預測值。

3.2 實例分析

提取某航空公司2008～2018年間某航材的實際需求量與其9大影響因素每半年的數據作為一個周期，共組成22個周期的數據，樣例數據見表1。將已知的前21個周期的航材需求影響因素——機隊規模、飛機機齡、定檢次數、采購單價、平均飛行小時數、采購周期、運輸成本、旺季使用率、報廢率作為輸入，將前21個周期的航材需求量作為輸出，建立神經網絡需求預測網絡的輸入和輸出，采用上述的Tensorflow平臺進行神經網絡訓練，根據最后1個周期的影響因素預測出最后1個周期的航材需求量。

需進行神經網絡參數設置，如表2所示。

經過6000次訓練后，均方誤差損失值為1.16633544e-07，神經網絡收斂速度明顯（見圖2），并得到神經網絡訓練結果（見圖3）和神經網絡預測結果對比情況（見表3）。可以發現，第22個周期的數據實際航材需求數量為1280個，而利用神經網絡預測出來的值為1256.63，差值（實際值-預測值）只有23.37個，差值比（（實際值-預測值）/實際值）為1.83%，預測精度為98.17%。

綜上，根據神經網絡后續航材需求預測方法進行預測，能較為準確地預測出下一個周期的航材需求數量，預測精度高。航空公司參考預測值訂購所需航材，能顯著提升航材訂購效能，使航材訂購更及時，避免以往憑個人經驗采購過多航材，造成庫存嚴重積壓，同時也能減少航材保障中的航材缺件等待次數，使公司飛機減少非計劃停場時間，提升飛機利用效率，提高公司運營能力。

4 結束語

人工神經網絡后續航材需求預測方法能有效降低航材人員對航材需求錯誤判斷，盡量避免錯誤采購航材造成的庫存積壓，還能使航材人員及時參考航材備件的使用情況，在日常運營中消耗掉冗余的航材庫存。同時，也可據此建立對冗余庫存的售賣等處置程序，以降低航材庫存成本，保證航材庫存合理配置，提升公司運營能力及盈利能力。

參考文獻

[1] K Amirkolaii，A Baboli，M K Shahzad，et al.. Demand forecasting for irregular demands in business aircraft spare parts [J]. IFAC Papers online，2017，50（1）：15221-15226.

[2] 王芳.基于不同航材分類的航材需求預測方法研究綜述 [J].科技創新與應用，2015，12（26）：58-59.

[3] 李卓群，嚴廣樂.考慮服務水平和成本的復雜非線性庫存控制系統動態行為分析 [J].系統工程，2015，33（12）：28-34.

[4] 華曉旭.民航航材庫存模型預測控制研究 [J].自動化與儀表，2014（2）：38-41.

作者簡介

陳余勝，工程師，從事航材管理工作。

徐貴強，高級工程師，從事發動機工程管理工作。