基于人工神经网络的后续航材需求预测研究

陈余胜 徐贵强

摘要：航材需求预测是航材库存管理的前提，提高后续航材需求预测的精确度能有效降低航材库存成本，节省公司运营成本，提升公司盈利能力。本文针对后续航材需求预测中航材需求呈现的不确定性、非线性特点，建立基于Adam优化算法的人工神经网络需求预测方法，并采用Tensorflow平台设计神经网络进行训练，可提高航材需求预测的准确性。

关键词：航材；需求预测；人工神经网络

Keywords：aircraft material；demand forecasting；artificial neural network

0 引言

通常情况下，为了减少因航材缺件导致航班延误或取消而给航空公司带来的经济损失和负面影响，航材部门会在预算之内尽量多储备航材库存，以满足飞机维护和维修中航材的需求，这种方式能使公司航材保障率维持在较高水平，但是也容易导致航材库存总成本逐年上升、库存周转率低。分析发现，在日常后续航材需求预测中，随着新飞机的不断引进，仅考虑航材历史消耗情况，依据经验确定再订货时间点及订货数量，容易造成预测出的需求数量精度不高。

本文运用人工神经网络比传统方法假设更少、具有很强的容错能力和优异的并行处理能力的优势，建立了航材备件需求预测模型，并以某航空公司某航材某个时间段的实际需求量与其9大影响因素的22组原始数据为例，选取样本中的前21组数据作为训练样本，采用神经网络进行训练，再选取最后1组数据中的实际需求量与其9大影响因素作为检测样本，将预测值与最后1项实际需求量进行对比，证明了该预测模型的有效性和准确性。

1 假设和参数设置

由于后续航材需求具有不确定性、非线性的特点，后续航材实际需求量受多种因素影响，本文假设以下9种因素影响实际航材需求量。

1）機队规模：指航空公司飞机机队数量。

2）飞机机龄：指飞机的年龄，即从飞机由制造厂生产并交付到航空营运人的时间开始到当前时间的时间段，也称为飞机的寿命。

3）定检次数：为使飞机持续保持适航状态，按照飞机制造厂家制定的对飞机维护的计划性工作条目，需要定期对飞机进行检修，称为定检。按照飞机使用的飞行小时的长短，将飞机定检分为A检、C检。

4）采购单价：指采购单个航材的价格。

5）平均飞行小时：指航空公司某段时间内使用飞机的飞行小时的平均值。

6）采购周期：指航材从订购之日起到航材部门收到订购航材之日止的时间段，按天计算。

7）运输成本：指随着航空货运运费的不断变化，不同时间周期内采购某航材所需要的运输费用。

8）旺季使用率：航材需求量受季节性因素影响大，由于淡旺季飞机使用频率不一样，飞机发生故障的概率也不一样，导致对航材的需求数量不一。

9）报废率：按百分比表示航材报废的可能性，航材故障拆下后可能无法修复或者超过经济修理不值得再修理，故障航材拆下修理后以可用状态入库，本文视为航材增加库存的一种方式。

2 基于神经网络需求预测

采用神经网络进行预测，神经网络对复杂的非线性问题具有很好的描述能力，可以很容易地通过计算机实现并行计算。神经网络的训练样本数据量越大，模型越接近现实，预测的效果越好，神经网络更适合处理本文中的航材需求预测问题。

2.1 标准化处理

在运用神经网络进行学习和训练之前，有必要对原始数据进行标准化处理，使用经过标准化处理后的数据进行数据分析，更能增加数据拟合的可能性。常用的标准化处理方法有Z-score数据标准化方法和最大/最小标准化方法。最大/最小标准化方法是对原始数据的线性变换，通常设MaxA和MinA分别为A的最大值和最小值，并将A的一个原始值X通过最大/最小标准化处理后映射到区间[0，1]的值设为X′，则有：

3 基于Tensorflow平台的神经网络步骤和实例分析

Tensorflow是谷歌公司基于DistBelief平台研发的第二代人工智能学习系统，Tensor表示N维数组，Flow表示基于数据流图的计算，它是从流程图的一端流向另一端的张量。Tensorflow是一个将复杂原始数据结构直接传输到人工智能神经网络中进行分析和处理的系统。

3.1 基于Tensorflow平台的神经网络步骤

基于Tensorflow平台的神经网络步骤如图1所示。

1）参数设置：训练次数、学习率、输入层、隐含层、输出层；

2）标准化训练样本；

3）开始训练；

4）使用激活函数relu加速收敛；

5）使用均方误差计算损失函数值；

6）运用Adam优化算法加快训练速度；

7）获取损失值；每训练1000次输出损失值；

8）输入最后一组影响因素值；9）输出最后一组预测值。

3.2 实例分析

提取某航空公司2008～2018年间某航材的实际需求量与其9大影响因素每半年的数据作为一个周期，共组成22个周期的数据，样例数据见表1。将已知的前21个周期的航材需求影响因素——机队规模、飞机机龄、定检次数、采购单价、平均飞行小时数、采购周期、运输成本、旺季使用率、报废率作为输入，将前21个周期的航材需求量作为输出，建立神经网络需求预测网络的输入和输出，采用上述的Tensorflow平台进行神经网络训练，根据最后1个周期的影响因素预测出最后1个周期的航材需求量。

需进行神经网络参数设置，如表2所示。

经过6000次训练后，均方误差损失值为1.16633544e-07，神经网络收敛速度明显（见图2），并得到神经网络训练结果（见图3）和神经网络预测结果对比情况（见表3）。可以发现，第22个周期的数据实际航材需求数量为1280个，而利用神经网络预测出来的值为1256.63，差值（实际值-预测值）只有23.37个，差值比（（实际值-预测值）/实际值）为1.83%，预测精度为98.17%。

综上，根据神经网络后续航材需求预测方法进行预测，能较为准确地预测出下一个周期的航材需求数量，预测精度高。航空公司参考预测值订购所需航材，能顯著提升航材订购效能，使航材订购更及时，避免以往凭个人经验采购过多航材，造成库存严重积压，同时也能减少航材保障中的航材缺件等待次数，使公司飞机减少非计划停场时间，提升飞机利用效率，提高公司运营能力。

4 结束语

人工神经网络后续航材需求预测方法能有效降低航材人员对航材需求错误判断，尽量避免错误采购航材造成的库存积压，还能使航材人员及时参考航材备件的使用情况，在日常运营中消耗掉冗余的航材库存。同时，也可据此建立对冗余库存的售卖等处置程序，以降低航材库存成本，保证航材库存合理配置，提升公司运营能力及盈利能力。

参考文献

[1] K Amirkolaii，A Baboli，M K Shahzad，et al.. Demand forecasting for irregular demands in business aircraft spare parts [J]. IFAC Papers online，2017，50（1）：15221-15226.

[2] 王芳.基于不同航材分类的航材需求预测方法研究综述 [J].科技创新与应用，2015，12（26）：58-59.

[3] 李卓群，严广乐.考虑服务水平和成本的复杂非线性库存控制系统动态行为分析 [J].系统工程，2015，33（12）：28-34.

[4] 华晓旭.民航航材库存模型预测控制研究 [J].自动化与仪表，2014（2）：38-41.

作者简介

陈余胜，工程师，从事航材管理工作。

徐贵强，高级工程师，从事发动机工程管理工作。