一种航材备件的需求预测方法及系统

本发明涉及航材管理领域，具体涉及一种航材备件的需求预测方法及系统。

背景技术：

1、在竞争激烈的民航市场中，国内航空公司面临高运营成本带来的压力。尤其是在经济不景气时期，民航需要具备持续盈利的能力，以应对竞争市场。这要求他们在各个阶段提升管理水平，通过拓展“开源”的同时，实施“节流”以控制成本，努力实现精细化管理，应对市场竞争。一般情况下，航材成本是资金占比较高的部分。目前国内主流支线的机型专利性强，市场流通专业化程度高，但航材周转件的可重复使用特性意味着如果计划不合理可能出现库存积压，如果库存过多，导致库存费用和资金压力显着增加，如果库存出现缺件不能满足使用，又将直接影响飞机的维修和保修计划，甚至导致航班延迟。

2、因此，降低航材成本成为航空公司成本控制和增强对抗的策略。精益管理要求对航材管理提出新要求，进行系统管理和科学预测，以有效降低航材成本。准确的航材计划基于对需求的精准估计，因此航材备件需求预测方法至关重要。民航飞机维修的航材备件需求预测一直是关注的重点，这不仅支持维修计划和库存优化，也对管理至关重要。

3、目前，航材管理主要依靠人工对历史数据对维修航材备件需求的进行计划，维修工程师基于经验来领取完成维修任务所需零航材备件用量，具有很大的局限性与弊端。随着维修任务数量的增加和航材备件种类的复杂化，没有考虑到需求季节性和趋势性变化，导致需求预测的误差较大。在航材备件消耗预测的场景中，未进行需求预测将严重影响航空预测的准确性，将会对航材备件需求预测的准确性造成严重的负面影响，从而影响到航材成本的合理性、库存管理的有效性和维修效率，甚至可能影响到航空安全工作的进行。因此，优化航材备件消耗预测方法和实施定额管理是非常重要的。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供了一种航材备件的需求预测系统及方法，所要解决的技术问题是：传统的航材备件需求预测方法主要依据历史消耗数据进行统计分析，应用在航材管理的场景存在较大的误差，可能影响到飞机维修的效率和安全工作，尤其是在需求波动大、复杂多变的场景；本发明目的在于专门针对航材备件需求预测的场景，提供了一种航材备件的需求预测系统及方法，在现有的统计分析技术基础上，进行方法上的改进，基于时间序列预测法，并在需求变化中考虑了多种因素对需求的影响，将多种需求特征综合考虑到预测过程当中，减少人为干预引起的预测偏差，提供适应于航材管理的高效预测方法。

2、本发明的目的主要通过以下技术方案实现：

3、一种航材备件的需求预测系统具体包括顺序连接的航材备件需求分类单元和维修航材备件消耗预测单元。

4、根据航空公司历史数据中对航线工作、定检工作、非例行工作和例行工作的使用航材数据统计出每一种航材需求的数据作为收集的历史航材数据。航材备件需求分类单元将收集到的数据根据每一种航材备件消耗的数据分别按月等间距进行集合得到每一种航材备件消耗原始序列，通过syntetos航材备件需求分类判定标准模块将每一种航材备件消耗原始序列进行分类，syntetos航材备件需求分类判定标准模块采用两维度分类方法，将航材备件消耗原始序列根据变异系数的平方、以及平均需求间隔的设定阈值分为平缓型需求、间断型需求和随机型需求的三种航材备件类型。

5、维修航材备件消耗预测单元包括三个时间序列模块分别对平缓型需求航材、间断型需求航材和随机型需求航材进行航材备件需求量的预测，其中，平缓型需求航材备件消耗采用包括指数平滑法的时间序列模块来进行预测，其中，间断型航材备件消耗采用包括解决非周期性模型的时间序列模块来进行预测，其中，对随机型航材备件消耗采用包括自回归移动平均模型的时间序列模块来进行预测。

6、适用本发明一种航材备件的需求预测系统的方法具体步骤如下：

7、步骤s1、根据每种航材备件在设定周期内的历史消耗量按月统计构建航材备件消耗量数据集，该航材备件从第一个月到第n个月消耗量数据集作为航材备件消耗原始序列，记作，采用两维度分类方法将航材备件消耗原始序列根据变异系数的平方、以及平均需求间隔的设定阈值分为平缓型需求、间断型需求和随机型需求的三种航材备件类型；其中，变异系数的平方记作cv²是航材备件需求的标准差除以需求均值的平方；平均需求间隔记作adi，是航材备件连续两次需求时间间隔的平均值；

8、步骤s2、根据航材备件类型采用时间序列预测法预测每种航材备件需求量；其中，平缓型需求航材备件消耗采用时间序列模型其中的指数平滑法进行预测，间断型航材备件消耗采用时间序列模型其中的解决非周期性模型进行预测，随机型航材备件消耗采用时间序列模型其中的自回归移动平均模型进行预测。

9、进一步优化，平缓型需求航材备件消耗采用时间序列模型其中的指数平滑法进行预测具体包括：

10、根据航材备件消耗原始序列得到航材备件消耗时间序列为，从第一个月到第n个月航材备件消耗原始序列中，设定观测间隔时间，任意取1到n个间隔时间，每个时间的航材备件消耗量作为航材备件消耗时间序列。

11、将数据平滑计算，计算时刻t航材备件需求的一次指数平滑如下：，其中，为平滑系数，其数值介于0和1之间，为在时刻t的航空备材的历史需求值，为预测值；其中，初始值，为初始值。

12、通过计算不同平滑系数下mad指标，表示为对平滑指数进行确定，计算均方误差msd，表示为，利用规划求解，得到规划求解的目标最优值，当均方误差msd最小值时有自变量平滑系数的最优解，确定平滑系数。

13、当预测数据的图像呈一条直线，一次线性平滑法就不再具有适用性，因此需要引入二次指数平滑法来进行预测，预测模型表示为：，其中，为时刻的航材预测值，t为预测时间，和为t和t-1时期的第一次平滑值，和分别为t和t-1时期的二次指数平滑值。

14、进一步优化，随机型航材备件消耗采用时间序列模型其中的自回归移动平均模型进行预测，其中，自回归移动平均模型记作arima(p,d,q)模型，具体包括：根据航材备件消耗原始序列得到航材备件消耗时间序列，对航材备件消耗时间序列进行平稳性检测，采用spss软件对时间序列数据可视化，根据时间序列的时序图、自相关函数图acf和偏自相关函数图pacf观察季节性与平稳性特征，初步判别数据的平稳性，将航材的时间序列分为平稳时间序列和非平稳时间序列。

15、将非平稳时间序列平稳化处理，对非平稳时间序列进行差分运算，直到处理后的数据通过平稳性检验，此时进行差分运算的次数记为差分次数，所述arima(p,d,q)中p为自回归阶数，d为差分次数，q为滑动平均阶数。

16、arima(p,d,q)模型，包括自回归模型ar(p)、单整i(d)以及移动平均模型ma(q)三部分；其中，ar为时间序列的序列值，为滞后p期观测值的线性组合；单整i(d)次数具体指将一个非平稳时间序列经过d次差分后转化为平稳序列所需的差分处理次数；ma即模型值，表示为：q阶残差项的线性函数，

17、arima(p,d,q)模型的计算：，其中，为自回归模型的参数，其中的值不能为0，代表时刻t的观测值；为白噪声序列；为移动平均模型的参数，其中q的值不能为0，是t-1时刻预测值和序列值的偏差，是t-q时刻预测值和序列值的偏差，是的权重。

18、arima(p,d,q)模型其中，的p阶自回归模型的计算：，

19、arima(p,d,q)模型其中，的q阶移动平均模型的计算：，

20、得到自回归移动平均模型arma(p,q)：，

21、其中，表示任意一个t时刻的序列值，表示任意一个t时刻的随机误差，表示t时刻的前p个序列值的线性组合，表示一个常数，表示t时刻的前q个序列的白噪声累加和的线性组合。

22、采用bic准则来进行模型定阶，bic准则即贝叶斯信息准则，其中，k是模型中的参数个数，包括自回归系数、差分次数和滑动平均系数的数量；n为样本的个数；l为似然函数。

23、取一个p、q的上限值，小于10，然后遍历取所有p、q组合，通过构建bic矩阵，分别求bic值，使bic值最小的p、q值即为最终的p、q，即选取其中，bic信息量最小的数据作为arima(p,d,q)模型中p和q的值,确定arima(p,d,q)模型。

24、并对arima(p,d,q)模型进行检验，判断残差序列是否为白噪声序列；其中，残差是预测值减去真实值，残差序列是所有预测值序列减去真实值序列，白噪声是一种特殊的弱平稳过程，对残差序列进行白噪声检验，若残差序列是白噪声，则说明原始序列中已经将有效数据提取完毕；利用已通过检验arima(p,d,q)模型进行预测，得到预测的随机型航材备件消耗数据。

25、进一步优化，间断型航材备件消耗采用时间序列模型其中的解决非周期性模型进行预测，其中，解决非周期性模型采用间歇性需求预测croston法或灰色预测法对间断型航材备件消耗进行预测。

26、其中，间歇性需求预测croston法通过分解成两个阶段，一是预测间隔长度，二是预测每个间隔内的需求量，分别采用指数平滑和线性回归模型；灰色预测法采用gm(1,1)模型，利用加权累积生成函数来处理序列数据。

27、进一步优化，间歇性需求预测croston法具体包括：

28、根据航材备件消耗原始序列转换为需求间隔序列和需求量序列，

29、根据航材备件消耗原始序列中的元素是每个月的航材备件的消耗量是需求量，相邻的两个非零需求量的间隔构成需求间隔序列，非零需求量构成需求量序列，得到：

30、需求间隔序列，其中，

31、航材备件需求量序列，其中。

32、需求间隔序列和航材备件需求量序列采用指数平滑法和线性回归模型结合进行预测，表示为：

33、需求间隔估计，需求量估计，其中，为平滑系数，其数值应当介于0和1之间；

34、最终得到下一期的需求预测值为：。

35、进一步优化，gm(1,1)模型具体包括：

36、根据航材备件消耗原始序列得到原始非负序列，其中；

37、对原始非负序列进行累加操作，得到生成序列。

38、累加后生成序列与原始序列之间满足灰微分方程即建立白化形式方程：，这是一阶一个变量的微分方程模型，故记为gm（1,1），

39、其中，为发展系数，为灰作用量，。

40、利用最小二乘法对参数进行估计，得到：，其中，，

41、生成序列满足gm(1,1)模型的白化微分方程，求解发展系数和灰作用量，并带入上述白化微分方程即可得出gm(1,1)模型的时间响应函数，还原得预测模型。

42、进一步优化，采用两维度分类方法将航材备件消耗原始序列根据变异系数的平方、以及平均需求间隔的设定阈值分为平缓型需求、间断型需求和随机型需求的三种航材备件类型具体包括：计算平均需求间隔adi和航材拆换数据变异系数的平方为cv²，其中，变异系数的平方cv²是需求的标准差除以需求均值的平方表示为：，其中，。

43、平均需求间隔adi是航材备件连续两次需求时间间隔的平均值，表示为，其中，为发生需求的航材备件需求数量，为两个连续的航材备件需求之间的时间间隔，n为时间间隔次数，为需求平均值。

44、其中，设定阈值cv2=0.49,adi=1.32作为不同需求类型之间的分界值。

45、当adi<1.32，cv2<0.49时，该航材备件需求是平缓型需求；当adi<1.32，cv2≥0.49时，该航材备件需求是随机型需求；当adi≥1.32时，该航材备件需求是间断型需求。

46、进一步优化，系统具体包括顺序连接的航材备件需求分类单元和维修航材备件消耗预测单元；所述航材备件需求分类单元将收集到的数据根据每一种航材备件消耗的数据分别按月等间距进行集合得到每一种航材备件消耗原始序列，每一种航材备件消耗原始序列通过syntetos航材备件需求分类判定标准模块采用两维度分类方法将航材备件消耗原始序列根据变异系数的平方、以及平均需求间隔的设定阈值分为平缓型需求、间断型需求和随机型需求的三种航材备件类型。

47、所述维修航材备件消耗预测单元包括三个时间序列模块分别对平缓型需求航材、间断型需求航材和随机型需求航材进行航材备件需求量的预测，其中，平缓型需求航材备件消耗采用包括指数平滑法的时间序列模块来进行预测，其中，间断型航材备件消耗采用包括解决非周期性模型的时间序列模块来进行预测，其中，对随机型航材备件消耗采用包括自回归移动平均模型的时间序列模块来进行预测。

48、进一步优化，解决非周期性模型的时间序列模块采用间歇性需求预测croston模块。

49、进一步优化，解决非周期性模型的时间序列模块采用灰色预测模块实现

50、综上所述，本发明与现有技术相比具有以下有益效果：

51、本发明时间序列预测方法建立在严密的数学理论基础之上，具有结构简单、预测速度快、方便操作等特点；采用两维度分类方法将航材备件需求进行进一步分类，对不同类型航材备件需求采取更合适的时间序列预测模型，更准确预测不同类型航材备件需求，既保障航材的使用需求，又避免了航材过量采购、领用和储存，导致浪费；并且系统和方法可以迁移学习到其他预测场景，可以应用在许多的工业实践中，在需求预测的场景中，由于目标数据与源数据都是时间序列数据，都可以从时间序列中构造出相同的特征列，从而进行样本融合训练，从而训练出针对目标数据的模型。