[发明专利]基于MPSO-BP网络的通用飞机航材需求预测方法

说明书

本发明将粒子群算法和BP网络相结合，提出了基于MPSO‑BP网络的通用飞机航材需求预测方法。首先对通用飞机航材需求的主要影响因素进行分析研究，然后介绍了BP网络的基本原理和PSO算法及PSO算法的改进策略，构建了改进粒子群算法优化BP网络的预测模型。将通用飞机航材需求的五个主要影响因素作为网络的输入，通用飞机航材的需求量作为输出，建立了输入与输出的非线性映射关系，本发明可以实现对通用飞机航材需求量的精确预测，且具有很好的非线性拟合能力和泛化能力，提高了收敛效率、降低了陷入局部极小值的可能，具有更高的预测精度，在通用飞机航材需求预测中具有良好的应用效果。

技术领域

本发明属于通用飞机航材管理领域，具体涉及一种基于智能算法优化BP网络的通用飞机航材需求预测的方法。

背景技术

通用飞机航材需求预测直接影响通航企业的航材保障和成本管理，不准确的预测会造成航材短缺或者浪费，而准确的预测可以在满足高保障率的同时大大降低成本，因此如何科学地确定通用飞机航材需求量一直是通航企业的重点研究课题。

目前，关于航材需求预测方法的研究已取得一些研究成果。贾治宇对基于求和自回归滑动平均模型的航材消耗预测方法进行研究，提出将使用过程中航材消耗的数据看作时间序列，建立相应的ARIMA(p,d,q)预测模型。杨仕美将基于最小二乘支持向量机的一元预测方法和多元预测方法相结合，提出了一种组合预测模型，使用信息熵理论对模型的权重系数进行优化，给出了预测方法的计算步骤。李晓宇以航材需求预测为研究对象，以任务为中心，综合考虑装备使用可用度和经济性约束，利用蒙特卡罗建立航材需求仿真模型，采用边际效益分析优化求解。

由于影响航材需求的因素是复杂的、非线性的，利用传统的数值方法很难建立精确的数学模型，因此，有关学者将目光转向在处理非线性问题时有着明显优势的神经网络研究领域。在实际应用中，80％-90％的神经网络模型采取BP网络或它的变化形式，它是人工神经网络中最成熟的一种，体现了人工神经网络最精华的部分。宋辉在分析影响航材消耗的主要因素的基础上提出了基于GM-BP网络的航材需求预测方法，首先利用灰色预测模型对数据样本进行预测，然后从预测值中选出和实际值最接近的作为BP网络的输入样本，最后用BP网络进行训练和预测。董蒙利用主成分分析方法对影响航材预测的众多因素变量进行分析，去除了原始输入数据之间的相关性，降低数据维度，提出了基于主成分分析的BP网络预测模型，通过实例仿真，取得较好的效果。但是，BP网络算法存在容易陷入局部最优、收敛速度慢等缺陷。针对BP网络的缺陷，不少学者采用PSO算法对其进行改进。PSO算法是一种群体智能优化算法，算法简单，易于实现，但应用于高维复杂问题时，往往会出现早熟收敛、后期收敛速度缓慢的现象，无法保证收敛到最优点。

需要指出的是，国内对通用飞机航材需求预测的研究刚刚起步，已有的文献中多数都是针对军用飞机或者是运输机的航材进行预测，且对通用飞机航材的需求预测大都是采用传统的数学建模方法，导致预测结果不准确，通航企业无法实现在高水平保障率和低库存成本之间的一种平衡，往往只能用超量的库存来保证及时供应，产生占用大量资金的航材库存。

为克服PSO算法的上述缺点，本文对PSO算法进行改进，构建了改进PSO算法优化BP网络的通用飞机航材需求预测模型。目前，基于MPSO—BP网络实现通用飞机航材需求预测的研究还没有文献报道。

针对通用飞机航材需求预测问题，提出了改进PSO算法优化BP网络的通用飞机航材需求预测方法。首先对通用飞机航材需求的主要影响因素进行分析研究，然后介绍了BP网络的基本原理和PSO算法的改进策略，构建了改进粒子群算法优化BP网络的预测模型。本发明可以实现对通用飞机航材需求量的精确预测，且具有很好的非线性拟合能力和泛化能力，提高了收敛效率、降低了陷入局部极小值的可能，具有更高的预测精度，在通用飞机航材需求预测中具有良好的应用效果。

发明内容