针对飞机平均故障间隔飞行时间(MFHBF)指标值的预测问题,提出一种基于时间序列分解的组合预测方法。首先利用STL(Seasonal and Trend Decomposition using Loess)方法分解出MFHBF指标的长期趋势项和季节变动项,然后以灰色模型预测指标...针对飞机平均故障间隔飞行时间(MFHBF)指标值的预测问题,提出一种基于时间序列分解的组合预测方法。首先利用STL(Seasonal and Trend Decomposition using Loess)方法分解出MFHBF指标的长期趋势项和季节变动项,然后以灰色模型预测指标的长期趋势,以BP神经网络和支持向量机回归组合模型分别预测指标的季节变动,根据误差权重计算季节变动的加权值,最后以加法模型合并趋势和季节的预测值获得最终结果。利用服务点积累的指标数据对方法进行检验,与单独使用支持向量机回归预测得到的结果相比,平均绝对误差由45%减小至21%,证明该方法能够有效提高预测精度,为保障人员提供可信的指标预测结果。展开更多
文摘针对飞机平均故障间隔飞行时间(MFHBF)指标值的预测问题,提出一种基于时间序列分解的组合预测方法。首先利用STL(Seasonal and Trend Decomposition using Loess)方法分解出MFHBF指标的长期趋势项和季节变动项,然后以灰色模型预测指标的长期趋势,以BP神经网络和支持向量机回归组合模型分别预测指标的季节变动,根据误差权重计算季节变动的加权值,最后以加法模型合并趋势和季节的预测值获得最终结果。利用服务点积累的指标数据对方法进行检验,与单独使用支持向量机回归预测得到的结果相比,平均绝对误差由45%减小至21%,证明该方法能够有效提高预测精度,为保障人员提供可信的指标预测结果。