《基于支持向量机的不常用备件需求预测方法研究》由会员分享，可在线阅读，更多相关《基于支持向量机的不常用备件需求预测方法研究（52页珍藏版）》请在金锄头文库上搜索。
1、 I摘摘 要要 备件管理是设备管理工作的一项重要内容， 它与企业的生产运行绩效和经济效益密切相关。既满足设备维护检修需要，又合理占用资金是备件库存管理的基本原则，准确的备件需求预测对于备件库存控制与优化十分重要。 不常用备件具有使用频次低、间隔期长且需求不确定等特征，其历史需求数据的样本量十分有限，使得该类备件需求的预测非常困难。以样本数目趋于无穷大的渐进理论为基础的传统统计学预测方法，不能很好地解决这个问题。 基于此，本文研究了基于支持向量机的不常用备件需求预测方法。首先对不常用备件所具有的间续性需求特征进行了描述与界定，并分析了指数平滑法、Croston方法、Bootstrap 方法等常用
2、的间续性需求预测方法的基本思想与不足之处。然后引入了基于有限样本统计学习理论的支持向量机预测方法，对线性和非线性支持向量机回归（SVR）算法进行了说明。接着，结合不常用备件的特点，了两种基于SVR 的不常用备件需求预测方法： 基于时间序列的 SVR 预测和基于影响因素的 SVR预测，对其基本步骤和框架以及需求预测结果评价机制进行了探讨，并通过一个实例研究，验证了这两种方法的有效性。最后，结合预测支持系统（FSS）的相关理论，研究了基于 SVR 的不常用备件需求预测 FSS 系统。 关键词：关键词：不常用备件 间续性需求预测 支持向量机 预测支持系统 IIAbstract Spare parts
3、 management is one of the important tasks of equipment management, which ties up with the operating performance and economical efficiency of the enterprise. The basic principle of spare parts inventory management is not only to fulfill the requirement of equipment maintenance and overhaul, but also
4、to occupy reasonable capital. Accurate forecast of spare parts demand is crucial for spare parts inventory control and optimization. Rarely used spare parts with intermittent demand which appears at random, with many time periods having no demand, have very few demand data samples. So it is very dif
5、ficult to forecast the demand of spare parts of this type. Forecasting methods based on traditional statistics can not solve this problem properly. According to this, the thesis does some research on support vector machines（SVMs）based forecasting method for rarely used spare parts demand. First of a
6、ll, the intermittent demand characteristics of rarely used spare parts are described, and then the basic ideas and drawbacks of the intermittent demand forecasting methods in common use such as exponential smoothing, Croston method and Bootstrap method etc. are analyzed. Secondly, the forecasting me
7、thod of support vector machines which based on the statistical learning theory is introduced. And the linear and nonlinear support vector regression (SVR) algorithms are also explained. Thirdly, two kinds of SVR based forecasting methods for rarely used spare parts demand are depicted, they are SVR
8、forecasting method based on time series and SVR forecasting method based on impact factors. The main steps and frame of these methods and the estimation approaches of forecast results are discussed. And then an example is given to verify the validity of the SVR based forecasting methods for rarely u
9、sed spare parts demand. Lastly, a SVR based forecasting support system (FSS) for rarely used spare parts demand is designed. Key words：Rarely Used Spare Parts Intermittent Demand Forecasting Support Vector Machines Forecasting Support System 独创性声明独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已
10、经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到，本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密 ，在_年解密后适用本授权书。 不保密。 （请在以
11、上方框内打“” ） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日本论文属于 11 绪 论 1 绪 论 1.1 选题依据和意义选题依据和意义 当代制造技术突飞猛进，不断朝着连续化、集成化、精细化、自动化方向发展，生产对设备的依赖程度越来越高。备件管理作为设备管理的重要组成部分，其科学管理水平将对企业的生产运行绩效及经济效益产生直接的影响。备件是设备正常检修维护和应急处理的保障性物资。随着生产设备的自动化程度越来越高，生产设备某一处一旦发生故障，就可能导致整个生产线的停产。为避免因备件短缺而造成的设备停工现象，必须保证足够、及时的备件供应。因此，设置一定量的备件库存有
12、利于维持设备的正常运行，保证生产过程的连续性。但是同时也必须考虑备件库存量的合理限额，尽量降低备件库存占用资金。既满足设备检修维护需要，又合理占用资金是备件库存管理的基本原则，做好备件库存控制与优化十分重要。 不常用备件是指那些使用频次低、间隔期长且需求不确定的备件，该类备件常为设备的核心部件，价值大、重要性高，在航空、电力、石油、化工、军事等行业中普遍存在，其库存模型是备件管理理论研究的一个重要领域。准确描述不常用备件需求是构建其库存模型需要解决的首要问题，通常采用预测的方法来产生该类备件的需求数据。预测是根据过去和现在的已知去推测和预料将来的未知，是对被预测事件发展过程中可能发生的一些不确
13、定性因素和未知事件做出定性和定量描述。一般库存模型在预测库存物品的需求时假定其服从某种概率分布，如正态分布、泊松分布等，然后通过样本数据进行参数估计和假设检验，进而得到需求预测数据。但是这类方法的理论基础是基于样本数目趋于无穷大的渐进理论。不常用备件的需求特征决定其历史使用数据的样本量有限，对于不常用备件需求样本数据有限的特征，这些需求分布的假设受到了极大的挑战。 支持向量机是近年来新兴的一种机器学习方法， 它建立在基于有限样本的统计学习理论基础之上，提供了一套较好的有限样本条件下机器学习的理论框架和通用学习算法，既有严格的理论基础，又能较好地解决小样本、非线性、高维数和局部极小点等问题。因此
14、，应用支持向量机进行不常用备件需求预测方法研究，并以此作为建立不常用备件库存模型的基础，不仅具有理论上的优势，也具有较大的实际应用价值。 本课题来源于国家自然科学基金资助项目 “基于支持向量机预测方法的不常用备2件库存模型研究” ，项目编号：70401015。通过本课题的研究，可以更加准确的描述不常用备件的需求特征及其预测方法，建立更为合理的不常用备件库存模型，从而对于推动航空、电力、石油、化工、军事等行业不常用备件的科学管理提供有益的决策支持，同时对于发展和完善支持向量机预测方法也具有重要的理论与现实意义。 1.2 研究的内容和目的研究的内容和目的 本文通过引入基于有限样本的统计学习理论，运
15、用该理论中较为成熟的支持向量机方法，对不常用备件有限使用样本进行学习，基于支持向量机的不常用备件需求预测方法，以此作为构建不常用备件库存模型的基础。 论文的研究工作主要包括以下几个方面的内容： (1) 研究了不常用备件的需求特征，总结并分析了不常用备件需求预测一些常用方法的基本思想与不足，引入了支持向量机预测方法； (2) 分别了基于时间序列和基于影响因素的支持向量机回归（SVR）不常用备件需求预测方法的基本步骤及框架，对需求预测结果评价机制进行了探讨，并通过一个实例分析验证了基于支持向量机的不常用备件需求预测方法的有效性； (3) 结合预测支持系统（FSS）的相关理论，研究了基于 SVR 的
16、不常用备件需求预测 FSS 系统。 1.3 国内外研究现状国内外研究现状 本课题研究的主要问题可以简单地归为两个方面的内容：一是不常用备件需求预测问题；二是支持向量机方法及其在预测中的应用。因此，本小节国内外的研究现状与分析都将从这两个方面展开。 1.3.1 不常用备件需求预测国内外研究现状不常用备件需求预测国内外研究现状 国外在备件需求预测方面，通常的作法是给出一种需求概率分布的假设。为了有效的选择合适的概率分布去描述备件的需求特征，许多学者关注于对备件本身的分析，其中备件的寿命特征成为主要依据。Ritchie1采用了形如 ( )mMtAt e=的需求率函数拟合备件寿命周期变化规律，使用对其寿命周期分段线性近似求解的方法来确定需求函数的参数。但是，学者们在研究过程中对一类特殊备件使用寿命特征的描述上遇到了困难，那就是不常用备件的需求很难找到合适描述。Wil
