一种基于战时影响因素与ε-SVR的战损备件预测方法技术

本发明专利技术涉及一种基于战时影响因素与ε‑SVR的战损备件预测方法，包括基于战时影响因素分析与ε‑SVR的战损备件需求预测方法的设计总体流程；基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法；构建基于“战时影响因素—备件需求”的ε‑SVR的预测模型；使用ε‑SVR模型进行预测。本发明专利技术针对目前常用的备件需求预测方法，无法满足战时装备损伤非线性、规律未知，且数据量少的现实问题，提出的基于战时影响因素分析与ε‑SVR的战损备件需求预测方法，可行性和有效性高，能够为装备保障工作提供科学的决策依据。

A prediction method for war damage spare parts based on wartime influence factors and -SVR

The invention relates to a war damage spare part prediction method based on the wartime influence factors and the epsilon SVR, including the overall design process based on the wartime influence factor analysis and the prediction method of the war damage spare parts requirement based on the epsilon SVR; the analysis of the wartime influence factors based on the UML, the concept modeling of the wartime influence factors based on the ER diagram, and the social network based on the social network The important factor extraction and the quantitative processing method of important factors are analyzed. The prediction model of epsilon SVR based on \wartime influence factors - spare parts demand\ is constructed, and the prediction is made using the epsilon SVR model. The present invention can not meet the practical problems of equipment damage nonlinear, unknown law, and less data in wartime equipment, and the method of prediction of war damage spare parts demand based on the analysis of wartime factors and SVR is proposed, which is highly feasible and effective, and can provide scientific support for equipment support work. The basis of decision making.

【技术实现步骤摘要】
一种基于战时影响因素与ε-SVR的战损备件预测方法
本专利技术涉及一种需求预测方法，具体是一种基于战时影响因素与ε-SVR的战损备件预测方法，属于计算机装备保障仿真

技术介绍
计算机装备保障仿真已经成为研究和解决装备保障问题的重要方法和手段。随着战争形态从机械化向信息化转变，装备战损的复杂性进一步增强，科学准确地预测战时装备维修器材需求种类和数量具有非常重要的意义。UML(UnifiedModelingLanguage)是对软件密集型系统中的制品进行可视化、详述、构造和文档化的语言。UML是由世界著名的面向对象技术专家G.Booch、J.Rumbaugh和I.Jacobson发起，在Booch方法、OMT方法和OOSE方法的基础上，汲取其他面向对象方法的优点，广泛征求意见，几经修改而完成的，目前已成为面向对象
内占主导地位的标准建模语言。UML中的类图可以表示系统中类与类之间的静态关系，便于分析系统中各类之间的相互关系。ER图(EntityRelationshipDiagram，ERD)，也称实体联系图，是由美籍华裔科学家陈品山(PeterChen)于1976年提出。ER图把真实的客观世界看作是由实体和实体间联系组成的结构，提出了一系列的概念来表达现实世界中的这种语义知识，并且使用图形方法来表示这些概念，使得ER图既具有较强的语义表达能力，又简单、清晰、易于理解和交流，成为概念建模最受欢迎的数据建模工具。社会网络分析方法(SocialNetworkAnalysis，SNA)是上世纪60年代由社会学家怀特和其后续研究者伯曼、弗里曼和布里格等人综合了社会学、统计学和数学等多领域知识并采用图形理论推导出的一套数学分析方法，是对社会网络中各种关系结构及其属性加以分析的一套理论和方法，它主要分析的是行动者之间的关系模式，该方法有助于提高组织中的协作、知识创新和知识传播。本文利用社会网络分析方法搜集数据，建立关系矩阵；进行数据处理和SNA分析；分析可视化网络图和数据，得出结论。支持向量机(SupportVectorMachine,SVM)作为一种新的数据挖掘技术，由美国学者VladimirN.Vapnik于1995年首先提出，建立在统计学习理论(StatisticalLearningTheory,SLT)和VC(Vapnik-Chervonenkis,VC)维理论的基础上，有着成熟的数学理论基础。不同于其他大多数机器学习算法只考虑经验风险最小化(EmpiricalRiskMinimization,ERM)，SVR通过引入惩罚因子或规则化参数，对经验风险与置信风险进行折中，寻求结构风险最小化(StructuralRiskMinimization,SRM)，从而解决了由于样本数量有限，传统学习机器泛化能力不足的问题；同时，其在求解过程中，又将问题转化为凸二次规划(QuadraticProgramming,QP)优化问题，可通过求解拉格朗日函数得到解，从而保证了得到的解是全局最优解，因此其具有结构简单、泛化能力较好等优点，在模式识别以及函数预测领域获得了广泛应用。支持向量机原来只用于研究分类问题，后来通过引入误差值ε，实现了对回归问题研究的拓展。ε-支持向量回归机(ε-SupportVectorRegression,ε-SVR)能够较好地解决样本规律未知、小样本、非线性及高维模式识别中的“过学习”和“维数灾难”问题。除此之外，ε-SVR模型已经存在一些现成的核函数和损失函数模型，只需选择合适的参数即可用于计算，大大减少了数据量和计算量，从而提高了工作效率。因此，ε-SVR非常适合对备件需求预测问题的研究。现有技术中存在的预计方法大都是建立在大量历史数据基础上的，通过统计、研究这些数据，构建一个数学模型，让这个模型尽可能地趋近备件的消耗规律，然后用这个规律去预测备件需求量。一方面，传统的预计方法需要大量的样本，或装备损伤的先验概率，或备件损耗具有稳定的变化趋势；另一方面，由于战时装备损伤具有复杂性、随机性、非线性和不确定性等特点，使得装备战时的损伤概率或消耗规律不同于平时，同时装备的战损数据也很难取得，导致这些传统方法在使用过程中具有一定的局限性。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种基于战时影响因素与ε-SVR的战损备件预测方法，为实现战损装备备件的精确预测奠定方法基础。为实现上述目的，本专利技术采取的技术方案为：一种基于战时影响因素与ε-SVR的战损备件预测方法，该需求预测方法包括四部分：第一部分：基于战时影响因素分析与ε-SVR的战损备件需求预测方法的设计总体流程；第二部分：基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法；第三部分：构建基于“战时影响因素—备件需求”的ε-SVR的预测模型；第四部分：使用ε-SVR模型进行预测。进一步，所述第一部分包括战时影响因素分析方法、建立预测模型和使用预测模型三个基本阶段。进一步，所述战时影响因素分析方法包括战时影响因素定性分析、提取重要影响因素和定量分析；所述建立预测模型包括建立预测模型和寻找最优参数；所述使用预测模型包括运用建立的预测模型进行需求预测。进一步，所述第二步部分包括：1)利用UML技术对战时装备损伤影响因素进行定性分析；2)将分析结果通过ER图进行概念建模，通过社会网络分析方法提取重要影响因素；3)利用德尔斐法和模糊综合评判法相结合的方法对重要影响因素进行量化处理。进一步，所述第三部分包括使用量化处理的重要因素数据构建基于“战时影响因素—备件需求”的ε-SVR的预测模型，并确定模型的最优参数。进一步，所述第四部分包括将新的样本数据输入ε-SVR预测模型，输出预测结果。与现有技术相比，本专利技术具有如下有益效果：本专利技术针对战时装备损伤具有复杂性、随机性、非线性、不确定性、损伤规律未知和数据样本少的特点，有针对性地提出了基于战时影响因素分析与ε-SVR的战损备件需求预测方法，即对装备战损的影响因素进行了定性分析、提取重要影响因素并量化，可以有效反映交战双方的实际情况，通过ε-SVR建模的方法，可以较好地解决样本规律未知、小样本、非线性及高维模式识别中的“过学习”和“维数灾难”问题。按照该方法进行战损备件的需求预测，可提高预测的准确性和高效性，能够为装备保障工作提供科学的决策依据。附图说明图1是本专利技术方法流程图；图2是本专利技术基于UML的战时装备损伤影响因素分析图；图3是本专利技术基于ER图的战时装备损伤影响因素概念建模；图4是本专利技术战时装备损伤影响因素网络图谱；图5是本专利技术作战样式标记及分类图；图6是本专利技术战场环境示意图；图7是本专利技术红(蓝)方战斗力示意图；图8是本专利技术地形气象综合影响系数计算图；图9是本专利技术防御阵地系数计算图；图10是本专利技术红(蓝)方战术运用等级系数计算图；图11是本专利技术红(蓝)方训练等级系数计算图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本本文档来自技高网...

【技术保护点】
一种基于战时影响因素与ε‑SVR的战损备件预测方法，其特征在于，该需求预测方法包括四部分：第一部分：基于战时影响因素分析与ε‑SVR的战损备件需求预测方法的设计总体流程；第二部分：基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法；第三部分：构建基于“战时影响因素—备件需求”的ε‑SVR的预测模型；第四部分：使用ε‑SVR模型进行预测。

【技术特征摘要】
1.一种基于战时影响因素与ε-SVR的战损备件预测方法，其特征在于，该需求预测方法包括四部分：第一部分：基于战时影响因素分析与ε-SVR的战损备件需求预测方法的设计总体流程；第二部分：基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法；第三部分：构建基于“战时影响因素—备件需求”的ε-SVR的预测模型；第四部分：使用ε-SVR模型进行预测。2.根据权利要求1所述的一种基于战时影响因素与ε-SVR的战损备件预测方法，其特征在于，所述第一部分包括：战时影响因素分析方法、建立预测模型和使用预测模型三个基本阶段。3.根据权利要求2所述的一种基于战时影响因素与ε-SVR的战损备件预测方法，其特征在于：所述战时影响因素分析方法包括战时影响因素定性分析、提取重要影响因素和定量分析；所述建立预测模型...

【专利技术属性】
技术研发人员：李雄，赵晓东，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：北京,11