本发明专利技术提供了一种改进型复杂装备备件消耗的预测方法，首先根据经典灰色预测模型GM(1，1)的建模，利用分数阶拓展算子构建预测精度更高的分数阶灰色预测模型FGM(1，1)；然后改进指数平滑法、自适应滤波法，结合信息集结算子对单项预测模型进行动态赋权，建立基于对数夹角向量余弦与诱导有序加权几何平均算子的备件需求组合预测模型。本发明专利技术在优选和改进单项预测模型的基础上，直接从实际值和预测值之间的相关性指标出发，同时结合信息集结算子对单项预测模型进行动态赋权，建立基于对数夹角向量余弦与诱导有序加权几何平均(IOWGA)算子的备件需求组合预测模型，以提高备件需求预测的准确性和高效性。的准确性和高效性。的准确性和高效性。
【技术实现步骤摘要】
一种改进型复杂装备备件消耗的预测方法
[0001]本专利技术涉及一种改进型复杂装备备件消耗的预测方法，属于装备综合保障
技术介绍
[0002]随着新军事条件下的发展需求，军事装备任务呈现出高密度、常态化的趋势，各类训练任务密度加大，任务间隔期越来越短，对武器装备精确化保障能力提出了更高要求。
[0003]备件是装备维护和修理的重要物质基础，是保障装备技术状态良好，提高装备再生能力的物质保证。由于复杂装备备件品种多、层次多、数量广，且大型装备故障具有随机性，备件消耗不确定，难以精确预测未来一段时间备件的消耗量，传统的经验式粗放型备件配备方法已经不能满足大型军事装备备件保障的要求，必须采用科学有效的方法对复杂装备的备件需求进行消耗预测，精准实现备件的预置预储，使得备件需求既能及时足量的满足，又能避免过量存储造成的资源浪费，实现备件经费效益的最大。
[0004]现有备件预测配备方法一般是通过统计分析备件消耗的历史数据，总结备件的消耗规律，预测未来的备件需求，是备件需求预测的基本思路。其中，常用的方法有灰色预测法、指数平滑法、神经网络预测法，单一模型预测方法由于只进行主成分分析，加之复杂装备备件历史数据具有小样本、备件具有价值高等特点，所以存在一定的天然缺陷，影响了预测精度；因此模型组合预测思想从提高某种拟合误差的角度为切入，是提高预测性能的一个重要手段。
技术实现思路
[0005]为解决上述技术问题，本专利技术提供了一种改进型复杂装备备件消耗的预测方法，改改进型复杂装备备件消耗的预测方法提高了复杂装备的备件预测精度。
[0006]本专利技术通过以下技术方案得以实现。
[0007]本专利技术提供的一种改进型复杂装备备件消耗的预测方法，首先根据经典灰色预测模型GM(1，1)的建模，利用分数阶拓展算子构建预测精度更高的分数阶灰色预测模型FGM(1，1)；然后改进指数平滑法、自适应滤波法，结合信息集结算子对单项预测模型进行动态赋权，建立基于对数夹角向量余弦与诱导有序加权几何平均算子的备件需求组合预测模型。
[0008]所述改进的指数平滑法采用差分
‑
比率
‑
均值相结合的方法确定α，步骤如下：
[0009]①
根据备件需求实际值的时间序列x
t
，按照Δx
t
＝x
t
‑
x
t
‑1求出一级差分序列Δx
t
，并求出Δx
t
的算术平均值；
[0010]②
用各期Δx
t
的比值构造获得新的比率序列；
[0011]③
步骤
①
中的算术平均值，将其作为平滑系数α的值。
[0012]所述改进的自适应滤波法是调整常数w进行改进，公式如下：
[0013][0014]其中，N为权值个数，X为时间序列的实际观测值，t为时间序列。
[0015]所述预测模型为：
[0016][0017]其中，η为m种单项预测模型加权系数向量L＝(l1,l2,...,l
m
)
T
的函数，l
m
为第m个权系数，l
i
为第i个权系数，x
t
为时间序列的实际值，p
‑
index(it)为第i个大的预测精度的下标，n为权值个数，L为加权系数向量，E为单位向量。
[0018]当若η(l1,l2,...,l
m
)＜η
min
，则由权系数l1,l2,...,l
m
确定的组合预测模型，称为劣性组合预测；若η
min
＜η(l1,l2,...,l
m
)＜η
max
，则为非劣性组合预测；若η(l1,l2,...,l
m
)＞η
max
，则为优性组合预测。
[0019]本专利技术的有益效果在于：在优选和改进单项预测模型的基础上，直接从实际值和预测值之间的相关性指标出发，同时结合信息集结算子对单项预测模型进行动态赋权，建立基于对数夹角向量余弦与诱导有序加权几何平均(IOWGA)算子的备件需求组合预测模型，以提高备件需求预测的准确性和高效性。
附图说明
[0020]图1是本专利技术的流程图；
[0021]图2是本专利技术建立组合预测模型的流程图。
具体实施方式
[0022]下面进一步描述本专利技术的技术方案，但要求保护的范围并不局限于所述。
[0023]实施例1
[0024]如图1所示，一直改进型复杂装备备件消耗的预测方法步骤如下：
[0025]一、建立基于FGM(1，1)模型的备件需求预测。
[0026]根据经典灰色预测模型GM(1，1)的建模思想，利用分数阶拓展算子可构建预测精度更高的分数阶灰色预测模型FGM(1，1)，设原始数据序列X
(0)
＝(X
(0)
(1),X
(0)
(1),...,X
(0)
(n)),称X
(r)
＝(X
(r)
(1),X
(r)
(1),...,X
(r)
(n))，r∈R
+
，为X
(0)
的r阶累加生成算子，则分数阶灰色线性模型为：
[0027]X
(r
‑
1)
(k)+az
(r)
(k)＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]式中，
[0029]运用最小二乘法对参数a，b进行估计，得到参数估计值[a,b]T
＝(B
T
B)
‑1B
T
Y，其中:
[0030][0031]则分数阶灰色模型的微分方程的解为：
[0032][0033]则预测值为：
[0034][0035]其中x
(0)
(1)＝x
(0)
(1),Γ为实数n的伽马函数。
[0036]由分数阶拓展预测模型的建模过程可知，阶数r的选择与模型模拟和预测的精度紧密相关。特别地，当r＝1时，分数阶FGM(1，1)模型退化为均值GM(1，1)模型。
[0037]二、改进指数平滑法。
[0038]利用指数平滑平均数进行确定性时间序列预测，根据指数平滑预测基本原理，设备件需求量第t期的实际值为x
t
，则备件需求的一次指数平滑预测模型为
[0039][0040]式中，α为指数平滑系数，x0为平滑初始值。
[0041]平滑系数α的大小反映了不同时期实际值在预测值中的所占的比重以及所起的作用，传统的确定方法有移动平均法、经验判断法和试算法；通常以第1期的实际值x本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种改进型复杂装备备件消耗的预测方法，其特征在于：首先根据经典灰色预测模型GM(1，1)的建模，利用分数阶拓展算子构建预测精度更高的分数阶灰色预测模型FGM(1，1)；然后改进指数平滑法、自适应滤波法，结合信息集结算子对单项预测模型进行动态赋权，建立基于对数夹角向量余弦与诱导有序加权几何平均算子的备件需求组合预测模型。2.如权利要求1所述的改进型复杂装备备件消耗的预测方法，其特征在于：所述改进的指数平滑法采用差分
‑
比率
‑
均值相结合的方法确定α，步骤如下：
①
根据备件需求实际值的时间序列x
t
，按照Δx
t
＝x
t
‑
x
t
‑1求出一级差分序列Δx
t
，并求出Δx
t
的算术平均值；
②
用各期Δx
t
的比值构造获得新的比率序列；
③
步骤
①
中的算术平均值，将其作为平滑系数α的值。3.如权利要求1所述的改进型复杂装备备件消耗的预测方法，其特征在于：所述改进的自适应滤波法是调整...
【专利技术属性】
技术研发人员：胡渊富，唐萍，彭新凯，李曦秋，
申请(专利权)人：江南机电设计研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。