[发明专利]一种基于战时影响因素与ε-SVR的战损备件预测方法

说明书

技术领域

本发明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领域。

背景技术

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(Unified Modeling Language)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技术领域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(Entity Relationship Diagram，ERD)，也称实体联系图，是由美籍华裔科学家陈品山(Peter Chen)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(Social Network Analysis，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(Support Vector Machine,SVM)作为一种新的数据挖掘技术，由美国学者Vladimir N.Vapnik于1995年首先提出，建立在统计学习理论(Statistical Learning Theory,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(Empirical Risk Minimization,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(Structural Risk Minimization,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(Quadratic Programming,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-Support Vector Regression,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。

发明内容

为解决上述问题，本发明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，本发明采取的技术方案为：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：