軍事物流預測方法研究

摘要：基于實現(xiàn)精確保障的最終目標，提出了軍事物流預測的概念；論述了軍事物流預測的意義，明確了軍事物流預測的程序；對當前軍事物流預測各種方法進行了對比分析，提出基于BP神經(jīng)網(wǎng)絡的組合預測方法，將不同預測模型的預測結果有機結合起來，相互取長補短，達到提高預測精度和增加預測結果可靠性的效果；用實例進行驗證，證明用組合預測的方法效果較好。

關鍵詞：軍事物流；預測；神經(jīng)網(wǎng)絡

中圖分類號：E257文獻標識碼：A

文章編號：1002-3100(2008)04-0113-03

Abstract: In order to realize the goal of accurate supply， the paper puts forward the concept of the military logistics forecast. Then explains the sense and procedure of the forecast. The paper compares the current forecast models and introduces the combination forecast model based on BP neural network， integrates these models and merit from them， then reaches thegoal of enhancing the precision and stability of forecast results. At last using an example tests the model and proves its feasibility.

Key words: military logistics; forecast; neural network

伴隨著世界新軍事革命在全球范圍的興起，后勤領域也掀起了一場全面而深刻的變革，即軍事后勤革命，其目標是：在正確的時間、正確的地點、按正確的數(shù)量為部隊提供品種正確的保障，即要實現(xiàn)“精確保障”。“精確保障”目標的實現(xiàn)，要依靠精確化的物資保障計劃，而要想制定精確化的物資保障計劃，就需要采用科學、有效的方法，對軍事物流進行預測。

1軍事物流預測的概念、意義

1.1概念

軍事物流預測，即根據(jù)戰(zhàn)爭規(guī)模樣式、指揮員的想定決心、以往戰(zhàn)爭對物資消耗數(shù)據(jù)、作戰(zhàn)環(huán)境資料等各種因素，應用一定的科學方法，對未來戰(zhàn)爭所需消耗的物資種類數(shù)量及其供應等作出科學的估計[1]。軍事物流預測的目的就是要掌握對軍事物流決策具有重要作用的、未來的不確定因素，為制定軍事物流計劃、規(guī)劃和決策提供信息和數(shù)據(jù)服務。

1.2意義

精確保障能力是要通過制定精確化物資保障計劃實現(xiàn)的，而要制定精確計劃就要求解決軍事物流系統(tǒng)中的不確定性問題，即讓指揮員能夠?qū)娛挛锪鞯男蝿萦星逦⑼暾涂煽康陌盐铡Ｔ谲娛挛锪飨到y(tǒng)中主要有兩類不確定性問題：第一類產(chǎn)生于有關事件的當前信息，如實際供應情況、供應能力情況等。理論上，這種關于已發(fā)生事件的不確定性不應該存在，但在現(xiàn)實中，由于通信線路、信息網(wǎng)絡、計算機系統(tǒng)以及戰(zhàn)爭的進程等原因，信息在物流操作者、物資消費者向物流指揮與決策者傳輸過程中產(chǎn)生失真、扭曲、延時等，從而使物流指揮員的決策產(chǎn)生失誤或延遲。這種不確定性可以通過建立和應用先進的C3I系統(tǒng)、物資可視化系統(tǒng)、戰(zhàn)術物流信息通道等減少。第二類產(chǎn)生于有關計劃事件或過程的未來信息，這種關于未來的不確定性不能通過改進通信和指揮系統(tǒng)而減少，只能通過高效的軍事物流預測系統(tǒng)來解決。

可以看出，物流指揮員要把握更加符合現(xiàn)實和未來情況的軍事物流形勢，制定精確化物資保障計劃，最終實現(xiàn)精確保障，就必須從軍事物流信息系統(tǒng)和預測系統(tǒng)兩個方面進行改進，軍事物流預測的重要性可見一斑。

2軍事物流預測程序

軍事物流預測的程序隨著預測目的和所用的方法不同而存在差異，但不論進行哪一類預測，采用什么樣的手段，通常離不開以下幾個步驟。

2.1設定戰(zhàn)斗態(tài)勢的層次結構（想定），確定預測目標

根據(jù)不同層次的情況，確定預測目標，也就是明確要解決什么問題、達到什么目標，包括確定預測的目的；確定預測的時間，即時限期要求；確定預測的計劃。

2.2搜集和整理有關資料，構建各種想定的物流需求樣本庫

也就是搜集信息，包括各種想定下戰(zhàn)斗發(fā)展變化的歷史數(shù)據(jù)、統(tǒng)計資料，以及某一特定時期內(nèi)的各種有關信息。這是軍事物流預測的基礎。數(shù)據(jù)越準確、資料越充分，預測的精度就越高。為此，還要對搜集到的信息進行去粗取精、去偽存真的分析篩選。最后，對整理好的各種想定下的戰(zhàn)斗數(shù)據(jù)轉(zhuǎn)化為物流資源消化表，形成表達各種想定的軍事物流需求樣本庫，為預測做好基礎數(shù)據(jù)準備。

2.3針對一定想定下的預測對象，選擇合適的方法進行預測

各種預測方法都有自己的適用范圍，應根據(jù)不同想定下不同預測對象的時間范圍、數(shù)據(jù)樣式、模型類型、費用、準確性和應用便利性原則選擇適當?shù)念A測方法，構建預測模型。

3軍事物流常用預測方法對比分析

常用的軍事物流預測方法包括直觀預測法、時間序列預測法、回歸預測法、灰色預測法和神經(jīng)網(wǎng)絡預測法等[2]。

直觀預測模型主要依靠人的主觀經(jīng)驗和綜合分析能力，對未來事物的發(fā)展遠景作出判斷。主要形式是專家座談會法和德爾菲法等。這類模型主要是建立在專家的主觀判斷和分析能力基礎上，多適用于客觀資料和歷史數(shù)據(jù)缺乏情況下的預測。

時間序列預測包括移動平均法、指數(shù)平滑法等。移動平均法要求的數(shù)據(jù)量大（至少n個），且權值多不易確定，預測結果往往不準確，一般只把它們作為長期粗略預測的基礎。而在移動平均法的基礎上發(fā)展起來的指數(shù)平滑法把前一期的實際觀測值和預測值的加權平均作為預測值，從而避開了移動平均法的缺點。但指數(shù)平滑因子和初始值的確定有很大的隨意性，故這種方法傾向于主觀。

回歸分析法揭示了預測對象與其相關因素的因果關系。但是，在一個復雜的大系統(tǒng)中，影響預測對象的因素可能是很多的，實際中幾乎不可能把所有的因素一一羅列。而且在預測時要通過解釋變量的未來值得到因變量的預測值，而解釋變量的未來值也是不可知的，這就對利用回歸分析法預測造成了一定的困難。

灰色預測的基本思路是將已知的數(shù)據(jù)序列按某種規(guī)則構成動態(tài)的或非動態(tài)的白色模塊，再按某種規(guī)則、解法來求解未來灰色模塊。在灰色模塊中，通過某種準則，逐步提高白度，直到未來發(fā)展變化的規(guī)律基本明確為止。它對于數(shù)據(jù)序列較短，歷史數(shù)據(jù)較少，且具有明確上升趨勢的數(shù)據(jù)預測精度較高，但有時也存在較大的誤差。

上述預測方法各有其優(yōu)點和不足之處，所預測的結果也有差異，為了將每種預測方法所包含的有用信息都反映在預測結果里，可采用組合預測方法。

4基于BP神經(jīng)網(wǎng)絡的軍事物流組合預測方法

組合預測就是對多種不同預測方法的預測結果進行適當組合，充分提取不同預測結果的有價值信息，更為全面地反映系統(tǒng)的變化規(guī)律。其基本思想是采用某種恰當?shù)姆椒ǎ瑢⒉煌A測模型的預測結果有機組合起來，相互取長補短，達到提高預測精度和增加預測結果可靠性的效果[3]。自1969年J.N.BAES和C.W.J.Granger提出“組合預測”思想以來，對組合預測方法的研究和應用已經(jīng)取得了很大進展。組合預測原理表明：在某種測度下，組合模型的某種度量要比單一模型優(yōu)越。

組合預測的關鍵是確定各預測子模型的權重，總的原則是使組合預測的誤差最小，盡量體現(xiàn)各預測模型在組合預測中的重要性。BP神經(jīng)網(wǎng)絡具有廣泛的學習能力、適應能力及高度的非線性映射能力，可以充分利用神經(jīng)網(wǎng)絡的學習特性和函數(shù)映射功能，讓網(wǎng)絡在對各預測子模型與真值的歷史數(shù)據(jù)進行學習的基礎上，自動分配權重，建立組合預測。

通過樣本集對ＢＰ網(wǎng)絡進行訓練，確定出神經(jīng)元之間的連接權值即實際統(tǒng)計量與各預測模型預測值之間的非線性關系后，即可進行預測。

5應用實例

已知我軍某單位年運輸量從1993年到2003年統(tǒng)計如表1所示，分別采用灰色GM1，1模型，二元線性回歸模型和趨勢預測法進行預測，各方法預測模型見表2，預測結果（1993～2003年）見表3。

可以看出每種預測方法的預測精度都不是很高。將三種預測方法的預測結果（1993～2000年）為ＢＰ神經(jīng)網(wǎng)絡的輸入，以對應各年實際貨運量為輸出，建立3-9-1的三層神經(jīng)網(wǎng)絡結構，在MATLAB神經(jīng)網(wǎng)絡工具箱中通過訓練函數(shù)traincgf()來實現(xiàn)。得到ＢＰ神經(jīng)網(wǎng)絡組合模型的預測結果（1993～2000年）及相對誤差見表4。可以看出采用組合預測模型的預測精度在2%左右。

將3種預測模型預測出的2001～2003年運量作為訓練好的神經(jīng)網(wǎng)絡的輸入，采用組合預測，從而得到2001～2003年組合預測結果，將此預測結果與各年實際統(tǒng)計貨運量相比較以檢驗模型的預測精度。預測結果及相對誤差見表5，預測結果的相對誤差都在1%左右，結果比較滿意。

6結束語

軍事物流預測是隨著精確保障目標的提出而出現(xiàn)的新的課題。現(xiàn)有各種預測方法如灰色預測、回歸預測、趨勢預測等都有其自身的適用范圍和局限性。而基于BP神經(jīng)網(wǎng)絡的組合預測模型，將不同預測模型的預測結果有機組合起來，相互取長補短，利用神經(jīng)網(wǎng)絡的學習特性和函數(shù)映射功能，讓網(wǎng)絡在對各預測子模型與真值的歷史數(shù)據(jù)進行學習的基礎上，自動分配權重，建立組合預測，實現(xiàn)了提高預測精度和增加預測結果可靠性的效果。實例證明，用這種方法進行軍事物流預測，效果較好。

參考文獻：

[1] 姜大立. 軍事物流系統(tǒng)模型與應用[M]. 北京：中國物資出版社，2006.

[2] 劉靜. 交通流預測方法綜述[J]. 公路交通科技，2004(3):83.

[3] 田振中. 基于ＢＰ神經(jīng)網(wǎng)絡的組合預測模型及其在公路運輸量預測中的應用[J]. 交通運輸系統(tǒng)工程與信息，2005(4):108-109.