基于人工神經(jīng)網(wǎng)絡的后續(xù)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(xù)航材需求預測的精確度能有效降低航材庫存成本，節(jié)省公司運營成本，提升公司盈利能力。本文針對后續(xù)航材需求預測中航材需求呈現(xiàn)的不確定性、非線性特點，建立基于Adam優(yōu)化算法的人工神經(jīng)網(wǎng)絡需求預測方法，并采用Tensorflow平臺設計神經(jīng)網(wǎng)絡進行訓練，可提高航材需求預測的準確性。

關(guān)鍵詞：航材；需求預測；人工神經(jīng)網(wǎng)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(jīng)濟損失和負面影響，航材部門會在預算之內(nèi)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(zhuǎn)率低。分析發(fā)現(xiàn)，在日常后續(xù)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(jù)經(jīng)驗確定再訂貨時間點及訂貨數(shù)量，容易造成預測出的需求數(shù)量精度不高。

本文運用人工神經(jīng)網(wǎng)絡比傳統(tǒng)方法假設更少、具有很強的容錯能力和優(yōu)異的并行處理能力的優(yōu)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(shù)據(jù)為例，選取樣本中的前21組數(shù)據(jù)作為訓練樣本，采用神經(jīng)網(wǎng)絡進行訓練，再選取最后1組數(shù)據(jù)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(shù)設置

由于后續(xù)航材需求具有不確定性、非線性的特點，后續(xù)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(guī)模：指航空公司飛機機隊數(shù)量。

2）飛機機齡：指飛機的年齡，即從飛機由制造廠生產(chǎn)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(shù)：為使飛機持續(xù)保持適航狀態(tài)，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(nèi)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(nèi)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(jié)性因素影響大，由于淡旺季飛機使用頻率不一樣，飛機發(fā)生故障的概率也不一樣，導致對航材的需求數(shù)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(jīng)濟修理不值得再修理，故障航材拆下修理后以可用狀態(tài)入庫，本文視為航材增加庫存的一種方式。

2 基于神經(jīng)網(wǎng)絡需求預測

采用神經(jīng)網(wǎng)絡進行預測，神經(jīng)網(wǎng)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(xiàn)并行計算。神經(jīng)網(wǎng)絡的訓練樣本數(shù)據(jù)量越大，模型越接近現(xiàn)實，預測的效果越好，神經(jīng)網(wǎng)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(jīng)網(wǎng)絡進行學習和訓練之前，有必要對原始數(shù)據(jù)進行標準化處理，使用經(jīng)過標準化處理后的數(shù)據(jù)進行數(shù)據(jù)分析，更能增加數(shù)據(jù)擬合的可能性。常用的標準化處理方法有Z-score數(shù)據(jù)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(shù)據(jù)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(qū)間[0，1]的值設為X′，則有：

3 基于Tensorflow平臺的神經(jīng)網(wǎng)絡步驟和實例分析

Tensorflow是谷歌公司基于DistBelief平臺研發(fā)的第二代人工智能學習系統(tǒng)，Tensor表示N維數(shù)組，F(xiàn)low表示基于數(shù)據(jù)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(shù)據(jù)結(jié)構(gòu)直接傳輸?shù)饺斯ぶ悄苌窠?jīng)網(wǎng)絡中進行分析和處理的系統(tǒng)。

3.1 基于Tensorflow平臺的神經(jīng)網(wǎng)絡步驟

基于Tensorflow平臺的神經(jīng)網(wǎng)絡步驟如圖1所示。

1）參數(shù)設置：訓練次數(shù)、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(shù)relu加速收斂；

5）使用均方誤差計算損失函數(shù)值；

6）運用Adam優(yōu)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(shù)據(jù)作為一個周期，共組成22個周期的數(shù)據(jù)，樣例數(shù)據(jù)見表1。將已知的前21個周期的航材需求影響因素——機隊規(guī)模、飛機機齡、定檢次數(shù)、采購單價、平均飛行小時數(shù)、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(jīng)網(wǎng)絡需求預測網(wǎng)絡的輸入和輸出，采用上述的Tensorflow平臺進行神經(jīng)網(wǎng)絡訓練，根據(jù)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(jīng)網(wǎng)絡參數(shù)設置，如表2所示。

經(jīng)過6000次訓練后，均方誤差損失值為1.16633544e-07，神經(jīng)網(wǎng)絡收斂速度明顯（見圖2），并得到神經(jīng)網(wǎng)絡訓練結(jié)果（見圖3）和神經(jīng)網(wǎng)絡預測結(jié)果對比情況（見表3）?？梢园l(fā)現(xiàn)，第22個周期的數(shù)據(jù)實際航材需求數(shù)量為1280個，而利用神經(jīng)網(wǎng)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(jù)神經(jīng)網(wǎng)絡后續(xù)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(shù)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(jīng)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(shù)，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(jié)束語

人工神經(jīng)網(wǎng)絡后續(xù)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(jù)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(chuàng)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(tǒng)動態(tài)行為分析 [J].系統(tǒng)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(fā)動機工程管理工作。