贾 琦，王铁宁，王 丁

（1.陆军装甲兵学院，北京 100072；2.北部战区陆军，济南 250000；3.国民核生化灾害防护国家重点实验室，北京 102205）

0 引言

需求预测是装备器材筹措决策阶段的重要环节，其准确性直接决定了筹措工作的效益［1］。消耗型器材一般采用换件维修策略，但随着装备信息化和复杂性程度不断加深，装备器材的消耗规律较以往不确定性也大大提升，加之装备列装时间短，历史消耗数据积累较少，这些都对装备器材精确化需求预测提出了现实考验。

装备器材需求预测的关键在于解决两个方面：一是准确构建器材需求预测模型；二是确定合适的模型求解方法。常用的模型构建方法有：基于历史数据的统计学方法、基于保障任务的分类计算法［2］和基于仿真的建模计算法［3］。其中，后两种方法精度高、可信度强，目前广受欢迎的统计学方法主要有：平滑指数法［4］、季节指数法［5］、BP 神经网络［6］、Bayesian 方法［7］等，这些方法对于求解器材消耗和需求预测具备一定的优势，但都以大量历史数据作为研究基础，面对小样本数据和数据真实性有待考究问题，这两种方法的预测结果往往差强人意，难以获得预期的效果，同时局限性也十分明显，如季节指数法不适用于间断性使用或消耗的器材种类、Bayesian 方法的稳定性较低、神经网络运算灵活性不高等。支持向量机［8］（Support Vector Machine，SVM）作为一种精确预测方法，以统计学的VC 维理论和结构风险最小化理论为基础，实现对小样本数据的有效学习分析，以超高的运算灵活度和较强的推广能力，逐渐应用到数据挖掘的各个领域，是近年最常用的智能挖掘方法之一。……