基于PSO-SVM的航材消耗預測模型研究

摘 要：航材消耗預測是航材庫存精準管理的前提，提高航材消耗量預測精度能顯著降低庫存管理成本。為解決航材消耗預測中因航材消耗影響因素較多、樣本數據量少而造成的預測效果差、精度低等問題，提出一種將粒子群算法及支持向量機相結合的航材消耗預測模型，首先使用粒子群算法尋優支持向量機參數組合，然后結合原始數據優化支持向量機參數組合得到PSO-SVM航材消耗預測模型，結果表明，PSO-SVM模型的預測效果較好，泛化能力較強。

關鍵詞：航材消耗；粒子群優化；支持向量機；消耗預測

中圖分類號：TP18；V267 文獻標識碼：A 文章編號：2096-4706（2024）08-0142-04

0 引 言

現如今中國民航業高速發展，通航飛行時間和飛行員培訓量日漸增加，航材保障壓力增大，這就對航材備件需求預測工作提出了新的、更高的要求[1]。假如航材庫存比較多時，容易造成航材積壓且資金緊張，相反假如航材備件不足，維修工作得不到保障，所以對航材消耗進行有效預測具有重要意義，期望達到降低航材庫存量、提高經濟效益并且提高維修保障度的目的[2]。航材消耗預測是一項需要將科學定量分析與歷史數據相結合的工作。航材消耗預測發展較早且現已有很多預測方法，最早出現的為時間序列預測法。畢釗[3]等考慮季節時間變化、長期走向和隨機干擾等因素之間的相互影響，克服時間序列法短期預測精度較低的問題，但考慮的因素比較少且中長期預測誤差較大。Teunter [4]等使用Bootstrap法預測間斷性航材的需求量，該方法在處理小樣本數據時準確率較低。隨著人工智能算法的興起，谷雨軒[5]提出了一種考慮全過程優化的支持向量機（SVM）航材消耗預測方法，該方法將樣本先分類再選擇不同的核函數和參數建立SVM模型進行預測，預測精度有一定提升。曾浩然[6]使用支持向量機模型進行航材消耗量預測，支持向量機處理小樣本數據時擬合效果不錯，不過支持向量機的參數組合對其分類精確度有較大影響。類似的預測方法在處理小樣本數據時具有優勢，但是對數據完整度要求較高，在處理不完整數據時預測精度都偏低。綜上所述，航材消耗預測面臨的問題有影響因素冗余、預測時間長和預測誤差大等。

針對以上問題，本文提出PSO-SVM的方法進行航材消耗預測，PSO和SVM的組合方法能去除影響航材消耗的多余因素也能滿足小樣本航材消耗預測的需求，處理不完整數據時效果好，PSO算法優化后的SVM模型分類預測的精度較高。

1 航材消耗影響因素分析

航材消耗數量受多種因素影響，并且各因素之間也會相互產生影響。航材消耗影響因素包括航材自身影響因素、飛行影響因素、環境影響因素和人員影響因素[7]。航材消耗影響因素分析如表1所示，航材自身因素主要為其本身失效率，主要受其制作工藝及保存條件影響，飛行影響因素包括總飛行時間及起落次數，飛行時間越長或起落次數越多航材消耗相應越快，環境因素為飛行環境的溫度和濕度，人員因素則為維修人員以及飛行人員的操作熟練度，可通過計算得到[8]。

2 基本理論

2.1 粒子群算法

粒子群算法（Particle Swarm Optimization， PSO）通過引入一種無質量的粒子來模擬鳥群中的鳥[9]。粒子具備位置和速度兩個屬性，分別代表其在定義域中的運動方向和運動快慢。每個粒子獨立在定義域中運動尋找解，并將最優解記為當前粒子的極值，再將極值與其他粒子共享，通過分享極值找到的解記為粒子群的當前最優解，粒子使用共享的最優解來改變自己的位置和速度。

PSO的基本算式為：

（1）

式中： 為第k次迭代粒子i速度矢量第d維分量； 為第k此迭代粒子k位置矢量第d維分量； 為粒子k經歷的最佳位置；c1和c2為學習因子。

2.2 支持向量機

支持向量機（Support Vector Machine， SVM）是一種優秀的線性分類方法，SVM分類方法其原理就是找到一個超平面將原始樣本分為正樣本和負樣本，且每一類樣本到超平面距離都最大，線性空間中分類面方程為：

（2）

要找到最合適的超平面要滿足下列條件：

（3）

基于線性可分的樣本數據空間能夠得出以上結論，但是在實際應用時大多數樣本空間都是線性不可分的[10]。假如樣本空間中的數據線性不可分時，此時就找不到最優分類面，只能通過核函數將樣本所在低維空間轉換到高維空間。在高維空間尋找滿足條件的最優分類面，能夠完成轉換的核函數需要滿足Merce條件。目前能夠作為核函數進行運算的函數主要包括：線性函數、多項式核函數、徑向基核函數和Sigmoid核函數[11]，在實際運用時，核函數的不同也就代表從低維空間到高維空間的映射不同，得到的支持向量機也不一樣，在本實驗中，采用徑向基核函數（RBF）即：

（4）

作為轉換空間的核函數完成SVM模型的訓練，此時得到的判別函數為：

（5）

通過判別函數對輸入數據進行分類，將不同類別得分進行累加，得分最高類別就是輸入數據所屬類別。最后將該類別作為此次的分類結果輸出，就能解決樣本空間線性不可分的問題[12]。

3 航材消耗預測模型的建立

首先利用PSO算法尋優支持向量機關鍵參數組合，再將原始數據作為支持向量機輸入結合尋優得到的參數組合訓練得到航材消耗預測模型[13]，基于PSO-SVM的航材消耗預測模型計算流程如圖1所示，主要步驟如下：

1）收集航材消耗歷史數據，并劃分訓練集和測試集。

2）初始化設置PSO模型的參數，運用PSO算法結合SVM模型對劃分的訓練集反復迭代運算，得到SVM模型的參數組合懲罰因子c和核函數參數g。

3）將訓練集結合尋優得到的參數組合訓練得到SVM模型。

4）將測試集輸入SVM模型得到預測值，分析模型預測性能。

4 實驗案例分析

4.1 實驗數據

選取文獻[14]中部分數據，某無人機一種航材從2013年第1季度到2017年第4季度期間，每季度的航材消耗及影響因素相關數據，共20項數據[14]。選取表1中影響航材消耗的相關因素共7項，具體數據如表2所示。

4.2 參數尋優

PSO參數設置影響其最后運算結果[15]。種群規模過大算法收斂速度慢，計算時間大幅增加，而種群規模過小時算法雖然收斂速度快，但是非常容易陷入局部最優，一般取20～40，最大迭代次數為算法停止條件，次數過少易引起不穩定，次數過多使得尋優時間過長，學習因子c1、c2分別改變粒子向個體最優或群體最優移動的最大步長，慣性權重表示粒子尋優的步長大小，采用動態改變慣性權重，為使PSO算法充分發揮其優勢提升預測精度，先對其參數進行設計。具體參數設計參考文獻[15]如表3所示。

將航材歷史消耗數據擬合效果均方差作為粒子群的適應度函數，粒子群迭代結果如圖2所示，從圖2看出，粒子群迭代到20次左右就尋到最優參數組合，此時最優參數組合為c = 10.183 6，g = 0.208 3。

4.3 模型驗證

將經過PSO尋優得到參數組合結合訓練集輸入到SVM模型完成PSO-SVM航材消耗預測模型的訓練，將測試集輸入到模型中得到預測值，將均方根誤差RMSE和平均絕對誤差MAPE如式（6）（7），作為模型預測性能評價標準[16]，進行擬合效果和泛化能力驗證。

（6）

（7）

式中，n為樣本數， 為預測值，yi為實際值。

采用RMSE和MAPE作為指標，來評價模型預測值與實際測量值的變化趨勢，為進行對比分析，使用SVM模型、LSSVM模型、PSO-SVM模型進行預測及其誤差分析計算，分別得到的RMSE和MAPE指標如表4所示，通過表4可以看出，SVM模型的RMSE為12.32、MAPE為17%，LSSVM模型的RMSE為10.67、MAPE為15%，PSO-SVM模型的RMSE為8.56、MAPE為12%，PSO-SVM模型的均方根誤差、平均絕對誤差比SVM模型和LSSVM模型小，擬合效果好且泛化能力較強，能夠滿足實際航材消耗預測。

從表4可知，PSO-SVM組合預測模型相對誤差較小預測精度較高，因為PSO算法收斂快尋優得到的參數組合提升了支持向量機的分類性能，使得支持向量機在分類預測時更快速精確。

5 結 論

建立了PSO-SVM航材消耗預測模型，并對模型進行了分析與評價，得到以下下結論：

1）將機器學習方法應用到航材消耗預測領域中，對精細航材庫存管理以及保障維修工作，推動民航智能化管理具有重要的現實意義。

2）建立基于PSO-SVM的航材消耗預測模型，粒子群算法作為智能尋優算法具有實現容易、精度高、收斂快等優點，將其應用在SVM模型有良好效果，相關誤差系數的評價指標都產生良好反饋，且測試輸出樣本和實際樣本差距較小，具有很好的泛化性。

3）采用PSO算法尋優SVM參數組合，PSO算法收斂速度較快，尋優得到的模型最優懲罰因子c為10.18，最優核函數參數g為0.20，測試集的RMSE和MAPE分別為8.56和12%，PSO-SVM模型的預測效果較好泛化能力強，為航材消耗預測提供了新的參考依據和新思路，有利于提高保障效率。

參考文獻：

[1] 郭峰，趙宏強，王雷，等.航空裝備維修器材籌措供應標準體系 [J].兵工自動化，2019，38（6）：1-8.

[2] 康子旭，周棟，李會欣，等.基于飛機狀態的備件動態規劃技術 [J].北京航空航天大學學報，2024，50（1）：276-285.

[3] 畢釗，侯勝利.基于R語言SARIMA模型的航材需求預測分析 [J].價值工程，2019，38（15）：151-154.

[4] TEUNTER R H，SYNTETOS A A，BABAI M Z. Intermittent Demand： Linking Forecasting to Inventory Obsolescence [J].European Journal of Operational Research，2011，214（3）：606-615.

[5] 谷雨軒，徐常凱，倪彬.考慮全過程優化的支持向量機航材消耗預測方法 [J].火力與指揮控制，2022，47（6）：81-86.

[6] 曾浩然，馮蘊雯，路成，等.基于支持向量機回歸的民用飛機航材消耗預測研究 [J].航空工程進展，2021，12（5）：75-79.

[7] 陳博，徐常凱，任佳成.基于灰色神經網絡的攜行航材消耗預測 [J].指揮信息系統與技術，2018，9（5）：86-90.

[8] 宋傳洲，王瑞奇，劉天慶，等.基于XGBoost-GRA-DEMATEL面向任務攜行航材消耗預測方法 [J].航空兵器，2021，28（4）：88-96.

[9] 孫世政，向洋，黨曉圓，等.基于粒子群解耦算法的FBG流量溫度復合傳感研究 [J].儀器儀表學報，2022，43（1）：2-10.

[10] 張熙，許浩，李沁程.基于SVM的飛機駕駛艙頭頂板字符識別方法研究 [J].電子測量技術，2020，43（22）：82-87.

[11] 王永超，唐求，馬俊，等.基于復合核SVM的智能電表基本誤差預測方法 [J].電子測量與儀器學報，2021，35（10）：209-216.

[12] 王文凱，鄧斌.基于DAE-IPSO-SVM的電纜早期故障識別方法 [J].國外電子測量技術，2021，40（8）：29-35.

[13] HUANG L S，WU K，HUANG W J. Detection of Fusarium Head Blight in Wheat Ears Using Continuous Wavelet Analysis and PSO-SVM [J].Agriculture，2021，11（10）：998.

[14] 李文強，劉穎.基于灰色關聯分析與PLS-LSSVM的航材備件需求預測模型 [J].數學的實踐與認識，2021，51（7）：54-60.

[15] 范婕，許欣怡，周詩崠，等.基于PSO-SVM的天然氣水合物生成條件預測 [J].天然氣化工—C1化學與化工，2022，47（5）：171-176.

[16] 李黃琪，蔡開龍，郝明，等.基于GRA-IPSO-SVM的航材攜行需求預測研究 [J].航空工程進展，2022，13（6）：166-172.

作者簡介：許浩（1996—），男，漢族，四川德陽人，助理工程師，碩士研究生，研究方向：通航維修。

收稿日期：2023-08-16

基金項目：2023年度中央高?；究蒲袠I務費資助項目（QJ-2023-006）

DOI：10.19850/j.cnki.2096-4706.2024.08.031

Aerial Material Consumption Prediction Model Based on PSO-SVM

XU Hao， TIAN Caiyan， MAO Ruike， GU Xinglei， CHANG Chuan

（Civil Aviation Flight University of China， Deyang 618307， China）

Abstract： Aerial material consumption prediction is a prerequisite for precise management of aerial material inventory， and improving the accuracy of aerial material consumption prediction can significantly reduce inventory management cost. To solve the problems of poor prediction performance and low accuracy caused by multiple influencing factors and small sample data in aerial material consumption prediction， an aerial material consumption prediction model that combines Particle Swarm Optimization and Support Vector Machine is proposed. Firstly， the Particle Swarm Optimization is used to optimize Support Vector Machine parameter combination， and then， combined with the original data， it optimizes Support Vector Machine parameter combination to obtain the PSO-SVM aerial material consumption prediction model. The results indicate that the PSO-SVM model has good predictive performance and strong generalization ability.

Keywords： aerial material consumption; Particle Swarm Optimization; Support Vector Machine; consumption prediction