基于机器学习方法的航空消耗件需求自适应预测

企业状态不稳定性、消耗件故障规律不确定性及需求特征的动态性,特别是新冠疫情期间航空公司航班的大量停飞和逐渐恢复导致固定单一需求预测方法存在较大偏差。基于平均绝对误差和均方误差进行不同需求模式预测方法筛选,构建自组织特征映射网(self-organizing feature map,SOFM)对需求时间序列聚类,提出不同聚类模式和预测方法映射关系并实现数据与方法动态自适应。此自适应预测框架能够实现不同航材需求模式识别、多预测方法决策及同一航材多阶段动态预测。通过某航空公司实例验证表明该自适应框架具有较好的应用效果,适用于各类型的消耗备件需求预测。

一种基于库存绩效的航空消耗备件分类方法

航空消耗备件需求量大、缺货成本难以计算及获取不易等特性导致大量的在库库存,影响航空企业的库存周转率和总成本,不利于保持企业资产结构的流动性,阻碍效益的提高。由于传统定量分类方法无法基于库存绩效对备件进行全方面的分类,文中提出一种同时考虑备件年使用价值和库存信息的航空消耗备件分类方法。首先,基于需求数据及管理要求以(S-1,S)策略参数作为分类指标;其次,采用内生加权模型将其与年使用价值相结合,建立以库存绩效为优化目标的航空消耗备件分类模型;最后,以某航空企业实际备件数据为例对文中方法进行验证。结果表明:该分类方法能够在满足服务水平约束下降低平均库存,显著提高备件周转率和降低总成本,达到优化库存绩效的效果,且订购成本的降低和持有成本占备件价格比例的提高或是服务水平的降低都会增强分类方法的效果。