[发明专利]一种通信设备修理备件消耗量的组合预测方法

说明书

本发明提供本发明提供的一种通信设备修理备件消耗量的组合预测方法，通过获取通信设备修理备件的历史消耗数据并确定修理备件消耗的主要影响因素，有利于提高预测模型的精度；选取影响因素和历史消耗数据两方面预测精度较高的预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，以此构建IOWA诱导有序数列，根据单个预测模型在样本区间上各个时刻预测精度的大小赋予相应权重；生成误差信息矩阵，令误差信息矩阵的值最小，以预测结果的最小误差平方和为准则建立新的组合预测模型；克服了对单个预测模型″完全采用″或″完全舍弃″的做法，使得使用寿命周期内每个时刻都具有更高的预测精度。

技术领域

本发明涉及通信设备维修保障技术领域，尤其涉及一种通信设备修理备件消耗量的组合预测方法。

背景技术

随着各领域的通信设备使用强度不断加大，通信设备故障率不断增加，保证通信设备的稳定运行尤为重要，因此需要加强通信设备维修保障工作，以提高通信设备完好率。通信设备修理备件是做好通信设备维修保障的重要物质基础，科学准确地预测通信设备修理备件的消耗量，对提高通信设备维修保障工作的经济效益具有重要意义。

目前，传统的通信设备修理备件消耗预测模型主要运用可靠性预测模型、时间序列预测模型、回归预测模型、神经网络预测模型和灰色预测模型中的一种，但是这些模型在实际运用中存在很多难以避免的实质性缺陷。其中，(1)可靠性预测模型需要大量的、精确的可靠性数据支撑，而对于一般通信设备产品来说，可靠性指标需要特定实验环境中获取，与实际使用环境相差较大，从而导致消耗预测不准； (2)时间序列预测模型需要充足的样本数量，而在一个统计周期内可供观测的样本数据较少；(3)回归预测模型需要收集所有影响因素的数据，通常选用少数几种主要影响因素来进行预测，在一定程度上会影响预测的准确性；(4)神经网络预测模型同样依赖于历史消耗数据，而通信设备修理备件收集的历史消耗数据、可供选取的训练样本和测试样本都很有限，导致在BP神经网络的训练不充分，且神经网络预测模型收敛慢，不具备时效性；(5)灰色预测模型对于影响因素的探究不全面，难以通过简单的数量关系进行准确度量，预测存在误差。

由此，不同预测模型有不同的适用范围和侧重点，无论哪一种单个预测模型都难以全面、准确地描述通信设备修理备件影响因素与消耗量之间关系。

发明内容

本发明提供一种通信设备修理备件消耗量的组合预测方法，把不同预测模型组合起来，综合利用各种预测模型所提供的信息和，以适当的方式组合预测获取最佳预测结果，从而实现提高通信设备修理备件消耗预测精度的目的。

本发明提供一种通信设备修理备件消耗量的组合预测方法，其特征在于，包括：

获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素；

基于所述历史消耗数据和所述主要影响因素，确定多个预测模型，分别对单个预测模型进行显著性检验，并分别计算通过显著性检验的选定预测模型的预测精度；

对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建IOWA诱导有序数列；

对每个所述选定预测模型，计算每一时刻的预测误差，并生成误差信息矩阵；计算每一时刻下，每个选定预测模型的预测值与实际消耗值的误差平方和，令所述误差信息矩阵的值最小，计算获得每个选定预测模型在组合预测模型中的加权系数，获得组合预测模型的表达式，通过所述组合预测模型的表达式对通信设备修理备件的消耗量进行预测。

根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，确定所述修理备件消耗的主要影响因素包括步骤：

选取每个影响因素的参照数列，基于每个影响因素对应的观测值计算相对于所述参照数列的灰色绝对关联度和灰色相对关联度，并计算每个影响因素对应的灰色综合关联度，基于所述灰色综合关联度的数值从大到小对对应的影响因素进行排序。