信息化條件下運輸裝備 零部件需求預測研究
2008-12-31 00:00:00呂建新
現代商貿工業 2008年12期
摘 要：對運輸裝備零部件需求預測的方法進行了對比分析，選取了多元線性回歸預測法在零部件需求預測中應用，建立了多元線性回歸需求預測模型，并用實例進行了驗證和分析。
關鍵詞：武警部隊；信息化；運輸裝備零部件；需求預測
中圖分類號：F12文獻標識碼：A文章編號：1672-3198（2008）12-0154-01
1 零部件需求預測方法的選擇
1.1 零部件需求預測的一般方法
零部件需求預測方法可分為定性預測方法和定量預測方法。定性預測方法是指預測人員根據相關的歷史數據和對預測對象的理解，憑借自身主觀分析、實踐經驗和直覺判斷，依據戰時后勤補給的規范、條例，以及不完整的信息數據，推測計算未來作戰物資的需求水平。定性預測常用的方法有專家調查法和比較類推法等。定量預測就是根據作戰物資消耗的歷史統計數據，合理選擇預測模型，對未來戰時軍事物流的需求水平進行推算。常用的定量預測方法有指數平滑法和回歸分析法等。定量預測常用的方法有指數平滑法、灰色模型法、神經網絡法和回歸分析法等。
1.2 零部件需求預測方法的選擇
定性預測不需要選擇預測模型和進行復雜的計算，對數據完備性要求低，操作簡單方便。但是，由于其預測時間較長、不確定性因素多和歷史數據少等原因，一般預測精度相對較低，預測結果受主觀因素影響大。定量預測就是根據作戰物資消耗的歷史統計數據，合理選擇預測模型，對未來戰時軍事物流的需求水平進行推算。定量預測方法邏輯嚴密，結構嚴謹，預測結果較為準確，且可以進行誤差分析。但是，定量預測方法需要有較完備的歷史數據，計算過程復雜，一般需要專門軟件進行計算，對預測人員數學和計算水平要求較高。
運輸裝備零部件預測屬于短期預測，由于短期預測主要是為制定戰時軍事物流系統的日常運作計劃服務，需要比較精確的預測結果作為制定運作計劃的依據，如戰場環境下作戰物資的庫存控制方案、運輸調度決策等，它容易取得比較完備的歷史統計數據。因此，物流需求的短期預測大都采用定量預測方法，能夠取得比較精確的預測結果。本文對運輸裝備零部件的需求預測就采用回歸分析法進行定量預測。
2 線性回歸需求預測模型
回歸預測以預測對象(響應變量)受其它因素(預報變量)的影響程度為研究內容，通過預測對象和影響因素的多組觀察值建立適當的模型進行預測。最常用回歸分析方法是一元線性回歸和多元線性回歸。由于在實際預測中，其影響因素一般都不單一，因此，多元線性回歸分析更適于在實例中得到應用，本文主要介紹多元線性回歸分析。
多元線性回歸分析，在回歸預測中，預測對象y(響應變量)可能受多個因素xi（i=1，2，…，m）影響（部隊機動距離、運輸裝備數量、持續機動時間等)，假定各個xi互不相關，則xi與y的相關關系可以近似用線性函數：
y=β0+β1x1+β1x1+β2x2+…+βmxm+ε
其中，xi為可觀測隨即變量，β0、β1、β2、…、βm為未知數，ε是不可觀測的隨即誤差，滿足E（ε）=0、D（ε）=σ2<∝（∝<ε未知），則可建立多元線性回歸預測模型進行預測，其基本形式為：
y^=β0+β1x1+β1x1+β2x2+…+βmxm
β0、β1、β2、…、βm成為回歸因子或預報因子，它反映了預報變量xi（i=1，2，…，m）對預測對象y貢獻的大小。
設觀測到n 組統計數據：y1x11x12x1m
y2x21x22x1m
ynxn1xn1xnm。
令：Y=y1y2yn，
β=β0β1βm，
X=1x11x12x1m
1x21x22x1m
1xn1xn1xnm
利用最小二乘法得：
在實際應用中，希望選取用來進行預測與控制的回歸方程是最優的線性回歸方程，即方程中包含所有對Y有顯著影響的自變量，而且要方程所包含的自變量盡可能少，這就要求進行“最優選擇”，主要有：全部比較法、“只出不進法”、逐步回歸法。其中逐步回歸法計算量不大，又有較成熟的計算程序可供使用，故應用較多。
3 回歸分析法在運輸裝備零部件需求預測中的應用
在實際應用中，依托歷史數據，部隊用戶可以應用零部件需求模型的定量預測進行保障策略的輔助決策。下面本文例舉某部隊零部件需求預測的示解。（案例中的數據已進行加權處理）
案例：X部隊需要對某車型的某零部件A在應急機動狀態下的需求量進行預測，根據歷史數據，選擇持續機動時間、運輸裝備數量、部隊機動距離三個制約因素，并匯總、篩選歷年來執行應急保障任務過程中A的消耗量。歷史數據。
求解：
（1）需求預測模型基本形式：=β0+β1x1+β1x1+β2x2+β3x3，其中β0、β1、β2、β3為回歸因子。x1、x2、x3為自變量，為因變量預測值。
（2）計算各變量的平均量：1=5286，2=11796，3=49200，=4582
通過對正規方程：β^=（′）-1 中：
-0.
因此回歸方程為：yβ^=697.5+0.1606x1+0.1076x2+0.0359x3
（5）在實際應用中，回歸方程得出后，要繼續進行顯著性檢驗，剔除對零部件需求量影響不明顯的因素，重新得到回歸方程。
（6）根據新的回歸方程，我們將需求預測的因素值代入方程中，得到基于歷史數據回歸分析的需求量預測值。
參考文獻
［1］胡延川.武警后勤理論研究［M］.北京：群眾出版社，2005，（4）.
［2］張最良，李長生，趙文志，丁立富．軍事運籌學［M］.北京：軍事科學出版社，1997.
