基于灰色神經(jīng)網(wǎng)絡的裝甲部隊油料消耗預測

夏秀峰，劉權(quán)羲

（沈陽航空航天大學計算機學院，沈陽 110136）

基于灰色神經(jīng)網(wǎng)絡的裝甲部隊油料消耗預測

夏秀峰，劉權(quán)羲

（沈陽航空航天大學計算機學院，沈陽 110136）

油料消耗量的精確預測直接影響裝甲部隊后勤保障能力的提升，而傳統(tǒng)預測模型精度不高，應用范圍也有一定的局限，難以滿足信息化戰(zhàn)爭精確保障的需要。提出一種裝甲部隊油料消耗預測的組合模型，對歷史油料消耗數(shù)據(jù)和油耗影響因素進行統(tǒng)計分析，求出各影響因素與油耗量的關(guān)聯(lián)度作為權(quán)重系數(shù)；通過改進GM(1,1)模型預測某部隊下一次軍事行動的油耗量；用GM(1,1)模型的預測值、加權(quán)后的各影響因素值和油耗實際值訓練網(wǎng)絡，對下一次想定的軍事行動油耗量進行預測。通過平均相對誤差計算表明，組合預測模型比單一的GM(1,1)模型預測精度高，能夠較好地指導部隊進行下一步的油料供管工作。

裝甲部隊，油耗預測，灰色系統(tǒng)理論，神經(jīng)網(wǎng)絡，組合模型

引言

精確保障是高技術(shù)條件下局部戰(zhàn)爭后勤保障的基本特征，精確的后勤保障離不開準確的物資消耗預測。已經(jīng)有很多學者對油料消耗預測進行了深入探討，對本文的研究有極大的借鑒作用：賈寶華等以單一的神經(jīng)網(wǎng)絡預測模型、時間序列預測模型和灰色預測模型為組合模型的基礎(chǔ)，利用神經(jīng)網(wǎng)絡求取3種模型的權(quán)重系數(shù)，將其預測結(jié)果作為新組合模型的輸入，求得精度更高的預測結(jié)果［1］；王冰等提出案例推理技術(shù)在油料保障需求預測中能夠在缺少歷史數(shù)據(jù)的情況下進行比較精確的預測［2］；ZHANG Huai-qiang等在海南省20年游客數(shù)量統(tǒng)計數(shù)據(jù)的基礎(chǔ)上，用RBF神經(jīng)網(wǎng)絡模型預測未來海南省游客數(shù)量［3］；黃家亮等引入了層次分析法確定單一模型的權(quán)重，以直線趨勢外推法、季節(jié)指數(shù)預測法和灰色預測法構(gòu)成組合模型［4］；周慶忠在油料儲備預測中用神經(jīng)網(wǎng)絡修正灰色模型預測結(jié)果的殘差，有效提高預測精度［5］；鄭斯日古楞論述了在股票價格預測中利用灰色神經(jīng)網(wǎng)絡挖掘股票價格的變化規(guī)律［7］；閆娟將灰色神經(jīng)網(wǎng)絡組合模型應用于物流需求預測，提出了一種物流優(yōu)化管理的有效方法［8］。

裝甲部隊油料消耗是一個極其復雜的系統(tǒng)，影響因素多、高噪聲、非線性以及任務的不確定性等決定了其預測的復雜性與困難性，這就使得傳統(tǒng)的方法無法達到很好的預測要求。GM（1，1）模型和BP神經(jīng)網(wǎng)絡模型在預測領(lǐng)域有著廣泛的應用，本文在前人研究基礎(chǔ)上，融入了以灰色關(guān)聯(lián)分析來確定油耗各影響因素權(quán)重的方法，結(jié)合兩種模型各自的特點，提出一種預測裝甲部隊油料消耗量的串聯(lián)組合模型，通過實例預測檢驗，該模型有效提高了預測精度。

1 裝甲部隊油料消耗影響因素分析

裝甲部隊的油耗受到眾多確定、不確定因素的影響，故影響因素的科學提煉、準確量化對提高預測精度有至關(guān)重要的作用。

1.1 影響因素量化

通過統(tǒng)計、整理某裝甲師近年的軍事演習資料，分析得到裝甲部隊油料消耗的9個主要影響因素，如表1所示。

表1 影響因素表

對表1中的影響因素分析發(fā)現(xiàn)，各屬性所蘊含的信息量和信息類型不同。據(jù)此，將影響油料消耗的特征屬性主要歸并為3大類型的屬性值［2］。分別為數(shù)字屬性值（Numeric Property，NP），如基數(shù)數(shù)量100 t；無序枚舉屬性值（Unordered Enumeration，UE），如行動樣式為山地進攻作戰(zhàn)；有序枚舉屬性值（Ordered Enumeration，OE），如兵力規(guī)模的取值（師、團、營）。在某裝甲師的演習統(tǒng)計數(shù)據(jù)中抽取34個案例作為實驗樣本，每個案例的9個影響因素值與其實際油耗值如表2所示，按油耗值由小到大排序。限于篇幅，只列舉部分案例。

表2 選取案例表

表2中，由于灰色關(guān)聯(lián)分析模型與神經(jīng)網(wǎng)絡模型只能接受數(shù)值型的屬性，故根據(jù)專家意見，將有序枚舉屬性值（兵力規(guī)模、作戰(zhàn)強度）和無序枚舉屬性值（行動樣式、地理環(huán)境）量化為離散的數(shù)值型屬性值。表2中各項屬性值的單位如表3所示。

表3 屬性單位表

表3中列出了各項屬性值的單位，將兵力規(guī)模、作戰(zhàn)強度、地理環(huán)境和行動樣式量化成了離散的數(shù)值型屬性值，其單位為4類基數(shù)，使之適用于本文模型的計算。

1.2 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析的基本思想是根據(jù)序列曲線幾何形狀的相似度來判斷其聯(lián)系是否緊密。曲線越接近，相應序列之間的關(guān)聯(lián)程度就大，反之，關(guān)聯(lián)程度就?。?］。關(guān)聯(lián)程度用灰色關(guān)聯(lián)度表示，描述了系統(tǒng)發(fā)展過程中，因素間相對變化的情況，也就是變化大小、方向和速度的相對性，相對變化基本一致，則認為兩者關(guān)聯(lián)度大，反之，兩者關(guān)聯(lián)度小。

灰色關(guān)聯(lián)度的求取由3個主要步驟組成：灰色絕對關(guān)聯(lián)度、灰色相對關(guān)聯(lián)度和灰色綜合關(guān)聯(lián)度。求解步驟如下：

（1）確定行為序列和關(guān)聯(lián)序列

（2）對X0與Xi進行始點零化像處理

（4）計算X0與Xi的灰色絕對關(guān)聯(lián)度ε0i

（5）對參考序列X0和Xi比較序列進行初值像處理

求解方法與（2）、（3）相同。

（7）計算X0與Xi的灰色絕對關(guān)聯(lián)度ε0i

（8）求灰色綜合關(guān)聯(lián)度

1.3 確定各影響因素的權(quán)重

令X0為實際油耗序列，X1到X9分別為表2中的兵力規(guī)模、基數(shù)量等9個影響因素序列。按照1.2中求灰色綜合關(guān)聯(lián)度的步驟，可以求出這9個影響因素對實際油耗的灰色綜合關(guān)聯(lián)度，如表4所示。

表4 影響因素與實際油耗的灰色綜合關(guān)聯(lián)度

由表4可以看出，按灰色關(guān)聯(lián)度從大到小排序為：基數(shù)量、里程數(shù)、兵力規(guī)模、戰(zhàn)損率、運行時間、作戰(zhàn)強度、地理環(huán)境、行動樣式、自損率?；疑C合關(guān)聯(lián)度反映了各影響因素對油耗的影響程度，故將其作為各影響因素的權(quán)重系數(shù)。

2 裝甲部隊油料消耗GM（1，1）模型預測

灰色模型中最有代表性的就是針對時間序列的GM（1，1）模型，它是一個單一變量的一階微分方程模型，其離散時間響應函數(shù)近似呈指數(shù)規(guī)律，可反映系統(tǒng)變化趨勢。

2.1 GM（1，1）模型的預測步驟

GM（1，1）模型的預測步驟由以下5步組成。

（2）求X（1）的緊鄰均值生成序列Z（1）

（5）求還原值

2.2 GM（1，1）模型的改進

在任何一個灰色系統(tǒng)的發(fā)展過程中，隨著時間的推移，將會不斷地有一些新的隨機擾動或驅(qū)動因素進入系統(tǒng)，使系統(tǒng)的發(fā)展相繼受到影響，同時舊信息對系統(tǒng)的影響逐漸減弱。因此，用GM（1，1）模型預測，越是遠離時間遠點，預測意義就越弱。在實際應用中，必須不斷考慮這些隨機擾動和驅(qū)動因素，隨時將每一個新得到的數(shù)據(jù)置入X（0）中，并且及時去掉舊數(shù)據(jù)，這樣建模序列更能反映系統(tǒng)在目前的特征。

算法描述：

用GM（1，1）模型和改進GM（1，1）模型對某坦克團近期11次演習中前10次軍事行動的油料消耗進行擬合，然后對第11次的油耗進行預測。預測結(jié)果與誤差如表5所示。

表5 GM（1，1）模型預測值（L）

同理，裝甲師的油耗、該裝甲師中的裝甲步兵團、炮兵團、防空團的油耗可用同樣的方法求得。

3 GM（1，1）BP神經(jīng)網(wǎng)絡組合模型預測

灰色模型通過累加生成來削弱隨機影響，所需數(shù)據(jù)量少，便于計算，但對波動性較大的曲線進行擬合時精度較低，適合預測呈近似直屬增長規(guī)律的數(shù)據(jù)序列。BP神經(jīng)網(wǎng)絡具有高度非線性運算，自學習、自組織能力，可以考慮隨機因素的影響，但預測時需要大量的數(shù)據(jù)作為訓練樣本，且不能反映數(shù)據(jù)變化的總體趨勢［5］。

本文結(jié)合灰色模型與BP神經(jīng)網(wǎng)絡模型各自的特點，提出一種灰色神經(jīng)網(wǎng)絡模型相結(jié)合的組合模型，如圖1所示。

圖1 GM（1，1）-BP神經(jīng)網(wǎng)絡組合模型

如圖1所示，將歷史油耗數(shù)據(jù)分為兩部分：第1部分為油耗數(shù)據(jù)序列，通過GM（1，1）模型預測下一次行動的油耗；第2部分為與油耗數(shù)據(jù)序列對應的影響因素序列，通過灰色關(guān)聯(lián)分析確定各影響因素的權(quán)重。用經(jīng)灰色關(guān)聯(lián)分析加權(quán)后的各油耗影響因素特征值和油耗實際值訓練網(wǎng)絡，當訓練達到預先設(shè)定的要求時，便可以通過此模型預測下一次軍事行動中裝甲部隊的油料消耗。

3.1 BP神經(jīng)網(wǎng)絡訓練

BP神經(jīng)網(wǎng)絡全稱為誤差反向傳播多層前向神經(jīng)網(wǎng)絡，其訓練步驟如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡訓練流程圖

（1）確定各層神經(jīng)元數(shù)量

（2）網(wǎng)絡初始化

（3）網(wǎng)絡訓練

圖3 數(shù)據(jù)預測值與實際值擬合圖

3.2 組合模型預測實例

利用第2章中GM（1，1）模型得到的某坦克團油耗預測結(jié)果與其該次軍事行動的影響因素作為BP神經(jīng)網(wǎng)絡的輸入，用訓練好的網(wǎng)絡進行預測，預測結(jié)果如表6所示。

表6 某坦克團油耗預測結(jié)果比較

表6中，GM（1，1）的油耗預測值為100 170 L，誤差e1=9.76%，改進GM（1，1）的油耗預測值為98 170 L，誤差e2=7.57%，組合模型預測的油耗值為95 400 L，誤差e3=4.54%。使用組合模型能得到更高的預測精度。

4 結(jié)束語

裝甲部隊的油料消耗具有復雜性和隨機性，傳統(tǒng)預測方法難以挖掘其中的客觀規(guī)律。本文針對部隊實際情況，考慮多種因素對油料消耗的影響并將其量化成特征值，運用一種基于改進GM（1，1，）模型和BP神經(jīng)網(wǎng)絡模型的組合預測模型，在充分尊重油料消耗歷史數(shù)據(jù)的基礎(chǔ)上，引入灰色關(guān)聯(lián)分析的方法來確定油耗各影響因素的權(quán)重，避免了油料消耗預測過程中傳統(tǒng)方法僅限于研究油料消耗規(guī)律的缺陷。組合模型兼顧油料消耗規(guī)律的各種特性，實現(xiàn)對裝甲部隊油料消耗的精確預測，從而能夠較好地指導部隊進行下一步的油料供管工作。

［1］賈寶華，但 琪，黃家亮.油料消耗神經(jīng)網(wǎng)絡組合預測模型［J］，后勤工程學院學報，2008，24（4）：62-65.

［2］王 冰，周慶忠，劉 巖，等.油料保障預測系統(tǒng)中案例推理方法［J］.計算機系統(tǒng)應用，2012，21（4）：73-76.

［3］Zhang H Q，Li J B.Application of RBF Neural Network Model on Forecasting Tourists Quantity in Hainan Province［J］.Communications in Computer and Information Science，2011，175：305-311.

［4］黃家亮，何 宏，楊 軍.基于層次分析法的軍隊油料消耗組合預測模型［J］.后勤工程學院學報，2009，25（2）：83-87.

［5］周慶忠.基于灰色神經(jīng)網(wǎng)絡的油料儲備預測模型研究［J］.中國儲運，2009，20（5）：97-99.

［6］劉思峰，黨耀國，方志耕，等.灰色系統(tǒng)理論及其應用［M］.北京：科學出版社，2010.

［7］王慶榮，張秋余.基于灰色蟻群神經(jīng)網(wǎng)絡的近期公交客流預測［J］.計算機應用研究，2012，29（6）：2078-2080.

［8］鄭斯日古楞.灰色神經(jīng)網(wǎng)絡在股票價格預測中的應用［J］.計算機仿真，2012，29（2）：382-385+415.

［9］閆 娟.灰色神經(jīng)網(wǎng)絡模型在物流需求預測中的研究［J］.計算機仿真，2011，28（7）：200-203.

［10］馬良荔，李 剛，陶道強.基于灰色GM（1，1）模型的故障預測方法［J］.計算機應用與軟件，2013，30（4）：198-200.

［11］孫 莉，翟永超.基于灰色BP神經(jīng)網(wǎng)絡的服裝面料規(guī)格參數(shù)預測［J］.計算機應用與軟件，2012，29（7）：154-156，163.

［12］梁慶衛(wèi)，趙民全，楊 璞.灰色神經(jīng)網(wǎng)絡的魚雷經(jīng)濟壽命預測［J］.火力與指揮控制，2011，36（10）：172-175.

Fuel Consumption of Armored Forces Forecasting Based on Gray Theory and Neural Network

XIA Xiu-feng，LIU Quan-xi
（School of Computer Science，Shenyang Aerospace University，Shenyang 110136，China）

The oil is blood of the modern warfare，accurately predicting the fuel consumption of war directly enhance the capacity of the fuel logistics support.The traditional prediction model of fuel consumption is not accurate enough，and there are some limitations in the range of applications，it is difficult to meet the exact security needs of information warfare.Propose an armored force fuel consumption forecast combination model，statistical analysis of historical fuel consumption data and fuel consumption impact factors，calculate the gray relational grade of influencing factors and fuel consumption as weight coefficient；use gm（1，1）model to predict the fuel consumption of a force`s nest military action；use the predictive value of GM（1，1）model，the weighted value of each factor and fuel consumption of the actual value to train the network；predict the fuel consumption of next military action.The average relative error calculation shows that combination forecasting model is more accuracy than single GM（1，1）prediction model，it can better guide the troops into the next phase of the fuel supply management.

armored forces，fuel consumption prediction，gray theory，neural network，combination model

TP391.9

A

1002-0640（2014）09-0091-05

2013-08-05

2013-09-07

夏秀峰（1964- ），男，山東青島人，教授，博士，CCF高級會員。研究方向：數(shù)據(jù)庫理論與技術(shù)。