中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Modeling & Simulation

A forecasting algorithm of oil consumption of marine formation based on big data

  • ZHANG Jinghao ,
  • CAO Yi ,
  • MA Jianliang
Expand
  • Chinese People’s Liberation Army National Defense University Joint Combat College, Beijing 100091, China

Received date: 2024-11-05

  Revised date: 2024-12-08

  Online published: 2025-09-25

Abstract

This paper presents an algorithmic model based on simulation for predicting oil consumption of marine formation teams. Based on the analysis of relevant contents of offshore oil consumption, nine influencing factors were extracted from combat pattern, combat mission, enemy-ego capability and battlefield environment. The grey correlation degree of each influencing factor and oil consumption was calculated by combining grey correlation analysis and multivariate linear regression analysis.Multivariate linear regression analysis was adopted to establish the prediction model after selecting the four factors with the greatest influence. Example verification shows that the model constructed in this paper has little deviation from the actual value, which proves that the model can better predict the oil consumption of offshore formation team, and it has certain practical value in marine formation oil guarantee.

Cite this article

ZHANG Jinghao , CAO Yi , MA Jianliang . A forecasting algorithm of oil consumption of marine formation based on big data[J]. Command Control and Simulation, 2025 , 47(5) : 144 -149 . DOI: 10.3969/j.issn.1673-3819.2025.05.020

随着海洋在国家安全和发展中地位的上升,海上军事斗争对维护国家主权和海洋权益作用日益重要,海上方向信息化局部战争将成为未来作战新的关注点。航母编队等海上编队以其强大的独立作战能力和机动灵活性,成为现代战争中的重要战略力量。其中,油料保障作为物资保障的重要一环,对保证海上编队战斗力具有深远影响,直接关系到海上编队成功遂行作战任务,因此,正确分析和预测油料消耗量十分重要[1]
目前,国内外关于油料消耗预测的研究成果比较丰富,闫娟[2]提出了一种组合方法,采用灰色预测模型对训练样本进行学习,利用BP神经网络对物流需求值进行预测;刘权羲[3]基于GM(1,1)模型对BP神经网络结构进行优化,提出了一种改进串联型灰色神经网络组合预测模型,并通过灰色关联分析计算权重系数;张敬祎等[4]通过灰色理论和时间序列构建油料消耗量组合预测模型,削弱单一预测模型中不确定性的影响。总体而言,已有成果中利用推演大数据进行预测的算法则偏少一些。笔者考虑多种影响油料消耗的因素,提出了一种基于仿真推演系统现有推演大数据进行油料消耗预测的算法。

1 海上编队油料消耗影响因素分析

海上编队油料消耗量除了和航行时间等因素直接相关外,还受到许多方面因素的影响[5]。因此,为了建立更为准确的油料消耗预测算法模型,必须首先对海上编队油料消耗问题进行分析,找出主要影响因素。这些影响因素主要可以分为作战样式因素、作战任务因素、作战能力因素和战场环境因素等四大类内容[6,7]

1.1 作战样式因素

作战样式因素,是指不同的作战样式会对海上编队油料消耗产生影响,如海上编队在执行防空作战和反潜作战时,在其他条件基本相同情况下,油料消耗会存在一定差异。由于作战样式因素是无序枚举属性值,需要通过专家打分等人为评判的方式,得到 1, 2区间的值。

1.2 作战任务因素

作战任务因素,是指任务内容中会影响到海上编队油料消耗的因素。对于海上编队,作战任务因素主要包括海上编队航行时间、航行里程和作战任务难度等因素。

1.2.1 航行时间

对于海上编队油料消耗问题,航行时间是最直接的影响因素之一,一般情况下油料消耗量和航行时间显然呈正相关。在仿真推演系统中,航行时间可以直接从推演数据中获取,为方便后续计算,本文将计量单位统一为小时(h)。

1.2.2 航行里程

由于海上编队在不同航速下单位时间内油料消耗是有差异的,因此,航行里程也是影响编队油料消耗的关键因素之一,和航行时间相结合可以更精准地对油料消耗问题进行预测。在仿真推演系统中,航行里程可以直接从推演数据中获取,为方便后续计算,本文将计量单位统一为千米(km)。

1.2.3 作战任务难度

海上编队执行作战任务的难度也会对油料消耗量产生影响,但影响关系不像时间和里程一样可以直观看出。一般情况下,可以简单认为任务难度越大,油料消耗越高。作战任务难度需要根据推演数据进行进一步量化,作为有序枚举属性值,可以设置单位为基数a并根据任务内容和规模进行量化[8]

1.3 敌我能力因素

敌我能力因素是指敌我双方作战能力方面能够对编队油料消耗产生影响的因素。对于海上编队,敌我能力因素主要包括我方兵力规模、敌方兵力规模和敌我双方兵力比。

1.3.1 我方兵力规模

我方兵力规模也是直接影响油料消耗情况的关键因素之一,相同情况下兵力规模越大,油料消耗越多。作为有序枚举属性值,我方兵力规模在仿真推演数据中可以直接获取,然后通过设置基数b为计量单位进行量化。

1.3.2 敌方兵力规模

海上编队油料消耗情况不仅与我军自身情况有关,也和敌军情况相关。在同样条件下,面对敌军兵力规模不同,油料消耗情况也会发生变化。作为有序枚举属性值,敌方兵力规模在仿真推演数据中也可以直接获取,同样以基数b为计量单位进行量化。

1.3.3 敌我双方兵力比

为更好地综合考虑敌我兵力对油料消耗影响,在我方兵力规模和敌方兵力规模基础上,笔者计算敌我双方兵力比值,作为无量纲的数据项参与模型计算。

1.4 战场环境因素

战场环境因素是指战场环境中对海上编队油料消耗能够产生影响的因素。对于海上编队,战场环境因素主要包括战场地理位置、海洋环境和气象环境等因素。在此基础上进一步分析,地理位置和海洋环境对海上编队的主要影响体现在海况,而气象环境中主要影响因素有温度、湿度和气压等,受限于推演数据内容,气象环境仅考虑温度因素。

1.4.1 海况

海况对海上编队油料消耗情况有直接影响,复杂的海况会导致油料消耗增长,但海况作为无序枚举属性值难以量化。为方便计算,本文根据系统数据以海况的复杂程度作为标准进行量化,转变为有序枚举属性值,通过专家打分等人为评判的方式,得到 0, 2区间的值。

1.4.2 温度

在气象环境中,温度对油料消耗情况更为直接。一般情况下,当温度增加时,发动机散热受到影响,总效率降低,油料消耗率增加。在仿真推演系统中,温度可以直接从推演数据中获取,为方便后续计算,将计量单位统一为摄氏度(℃)。

2 基于仿真推演大数据的油料消耗预测模型

通过上述分析,海上编队油料消耗受以上4类共9种因素的影响。在此基础上,本文提出一种基于仿真推演大数据并采用灰色关联分析结合多元线性回归分析的方法计算海上编队的油料消耗。从这些因素中选择关联关系较高的几项,排除其他因素的干扰,给出海上编队油料消耗量的预测模型。

2.1 灰色关联分析

为从多项因素中筛选影响较大的几项因素,需要分析各影响因素的关联度。考虑到海上编队油料消耗是一个极其复杂的系统,本文选用灰色关联分析,其基本思想是根据序列曲线几何形状的相似度来判断其联系是否紧密。曲线越接近,说明该因素和油料消耗关联程度越高,灰色关联度越大;反之则关联程度越低,灰色关联度越小[9-10]
计算灰色关联度主要可以分为3个步骤:计算灰色绝对关联度、计算灰色相对关联度和计算灰色综合关联度。

2.1.1 灰色绝对关联度

(1)确定行为序列和关联序列。根据本文研究内容,将海上编队m次执行作战任务按油料消耗从小到大排序,并将油料消耗量按顺序记为Y=(y(1),y(2),…,y(m)),在此顺序下把各影响因素的值记为Xi=(xi(1),xi(2),…,xi(m)),i=1,2,…,n,本文中n=8。
(2)对行为序列和关联序列进行始点零画像处理。即用序列中的每一项减去该序列中的首项,得到Y0=(y0(1),y0(2),…,y0(m)),Xi0=(xi0(1),xi0(2),…,xi0(m)),其中,y0(k)=y(k)-y(1),xi0(k)=xi(k)-xi(1),i=1,2,…,n
(3)计算 s 0, s i和|si-s0|。即对始点零画像处理后的行为序列和关联序列进行求和,公式为

s 0=| k = 2 n - 1y0(k)+ 1 2y0(n)|

s i=| k = 2 n - 1xi0(k)+ 1 2xi0(n)|

s i - s 0=| k = 2 n - 1(xi0(k)-y0(k))+ 1 2(xi0(n)-y0(n))|

(4)计算各关联序列的灰色绝对关联度,公式为

εi= 1 + s 0 + | s i | 1 + s 0 + s i + | s i - s 0 |

2.1.2 灰色相对关联度

(1)对行为序列和关联序列进行初值像处理。即将行为序列和关联序列各项的绝对数值转换为和首项的相对比值。其中,Y'=Y/y(1),X'i=Xi/xi(1)。
(2)对初值像处理后的行为序列和关联序列进行始点零画像处理。方法与计算灰色绝对关联度中步骤(2)相同,计算得到Y'0X'i0
(3)计算 s ' 0, s ' i和|s'i-s'0|。该方法与计算灰色绝对关联度的步骤(3)相同。
(4)计算各关联序列的灰色相对关联度,公式为

ε'i= 1 + s ' 0 + | s ' i | 1 + s ' 0 + s ' i + | s ' i - s ' 0 |

2.1.3 灰色综合关联度

(1)确定综合关联系数θ。综合关联系数θ∈(0,1],表示灰色绝对关联度的权重。θ越大,则灰色绝对关联度影响越大,反之则越小。本文考虑到灰色相对关联度更能反映序列的动态变化特性,故取θ=0.4。
(2)计算各关联序列的灰色综合关联度ρi=θεi+(1-θ)ε'i
通过灰色关联分析计算各因素和海上编队油料消耗的关联程度后,可以根据灰色综合关联度从大到小排序,并选取其中影响较大的因素进行下一步计算。本文在这里选择关联程度最大的4个因素,并按从大到小顺序记为第1至第4项。

2.2 多元线性回归分析

在对影响因素进行筛选后,留存的影响因素和海上编队油料消耗关联程度较高,线性相关关系较为明显,因此选择采用多元线性回归分析的方法,进一步构建预测模型[11]

2.2.1 构建多元线性回归模型

本文将海上编队m次执行作战任务按油料消耗从小到大排序,并将油料消耗量按顺序记为因变量Y,已排序的四个影响因素记为X1X2X3X4,则有总体回归模型如下

Y=β0+β1X1+β2X2+β3X3+β4X4+ε

其中,β0β1β2β3β4称为回归系数,ε通常认为是期望值为0的正态分布。将上述关系简化,记作

Y = X β + ε ε ~ ( 0 , σ 2 E n )

其中,

X= 1 x 11 x 12 x 13 x 14 1 x 21 x 22 x 23 x 24 1 x m 1 x m 2 x m 2 x m 2,Y= y 1 y 2 y m

式中,xij 表示第i次航行任务中第j个影响因素,yi表示第i次航行任务中油料消耗量,Enn 阶单位矩阵。

β= β 0 β 1 β 2 β 3 β 4 τ,ε= ε 1 ε 2 ε m

2.2.2 回归参数计算

通过样本可以对回归系数的值进行估计,得到 β ˙ 0 β ˙ 1 β ˙ 2 β ˙ 3 β ˙ 4,此时

Y ˙= β ˙ 0+ β ˙ 1X1+ β ˙ 2X2+ β ˙ 3X3+ β ˙ 4X4

回归参数估计通常采用最小二乘估计,设

Q=∑(Yi- Y ˙ i)2=min

β ˙ 0, β ˙ 1, β ˙ 2, β ˙ 3, β ˙ 4分别求偏导数并令其等于0,可得方程组

Q β ˙ 0 = ( Y i - β ˙ 0 - β ˙ 1 X 1 - - β ˙ 4 X 4 ) ( - 1 ) = 0 Q β ˙ 1 = ( Y i - β ˙ 0 - β ˙ 1 X 1 - - β ˙ 4 X 4 ) ( - X 1 ) = 0 Q β ˙ 4 = ( Y i - β ˙ 0 - β ˙ 1 X 1 - - β ˙ 4 X 4 ) ( - X 4 ) = 0

对上述方程组求解,即可得到参数估计值 β ˙ 0 β ˙ 1 β ˙ 2 β ˙ 3 β ˙ 4。一般取置信度α=0.05,可以利用Excel 中回归分析工具直接求解。

3 实例分析

本文基于公开仿真平台展开推演实验,选取某一外军海上舰艇编队15次执行海上作战任务时的油料消耗及影响因素数据,经过量化处理并按油料消耗量从小到大排列后得到初始数据如表1所示。
表1 海上编队油料消耗数据

Tab.1 Oil consumption data of offshore formations

序号 油料消耗
(t)
作战样式 航行时间
(h)
航行里程
(km)
任务难度 我方兵力 敌方兵力 敌我兵力比 海况 温度
(℃)
1 4 461 1.1 72 1 753 1 1 1 0.5 1 18.4
2 4 583 1 75 1 925 1.2 1 1.1 0.55 0.8 18.7
3 5 314 1.3 90 2 316 1.4 1 1 0.5 1.1 18.6
4 9 335 1.5 150 3 733 1.5 1.2 1.1 0.46 1.2 19.2
5 9 958 1.4 171 4 235 1.5 1.2 0.9 0.38 0.9 19.5
6 13 912 1.5 228 5 812 1.7 1.2 1.2 0.5 1.4 19.1
7 21 731 1.5 360 9 073 1.7 1.3 1.2 0.46 1.4 18.9
8 25 893 1.5 432 10 632 1.6 1.4 1.1 0.39 1.3 19.4
9 28 942 1.6 480 11 949 1.5 1.3 1.3 0.5 1.1 19.6
10 34 637 1.4 576 14 521 1.8 1.4 1.3 0.46 1.4 19.3
11 43 076 1.6 720 18 106 1.8 1.4 1.2 0.43 1.2 19.6
12 46 328 1.6 768 19 036 1.8 1.5 1.3 0.43 1.2 19.1
13 50 445 1.5 840 21 548 1.9 1.4 1.2 0.43 1.3 18.5
14 51 028 1.6 840 21 890 1.8 1.6 1.2 0.38 1.2 18.9
15 57 659 1.5 960 24 215 1.8 1.5 1.3 0.43 1.1 19.3
本文选取前10次数据作为预测模型样本,通过构建的模型对第11~15次油料消耗情况进行预测并与实际值作对比,检验模型预测效果。

3.1 灰色关联分析

按照本文所述方式对上述数据计算灰色综合关联度,计算结果如表2所示。
表2 各影响因素与油料消耗灰色综合关联度

Tab.2 Grey comprehensive correlation between various influencing factors and oil consumption

作战样式 航行时间 航行里程 任务难度 我方兵力
0.615 6 0.795 4 0.869 2 0.635 1 0.609 9
敌方兵力 敌我兵力比 海况 温度
0.602 9 0.587 9 0.606 2 0.596 3
从表中可知,按照灰色综合关联度从大到小的顺序排列,最大的4个因素分别是航行里程、航行时间、任务难度和作战样式。

3.2 多元线性回归分析

本文利用Excel工具对上述4个因素和油料消耗量进行回归分析,取置信度α=0.05,其中关键数据如表3~4所示。
表3 模型汇总数据

Tab.3 Model summary data

R R2 调整R2 标注误差
0.999 938 0.999 877 0.999 794 191.936 4
表4 回归系数

Tab.4 Regression coefficients

变量 Coefficients 标准误差 t Stat P-value Lower 95% Upper 95%
常量 -6.856 78 568.108 3 -0.012 07 0.990 761 -1 396.97 1 383.254
航行里程 1.075 246 0.902 487 1.191 425 0.278 474 -1.133 06 3.283 553
航行时间 33.220 84 22.515 99 1.475 433 0.190 547 -21.873 8 88.315 49
任务难度 -621.643 616.112 2 -1.00 898 0.351 93 -2 129.22 885.929 4
作战样式 696.907 2 649.800 7 1.072 494 0.324 729 -893.098 2 286.912
可以得到 β ˙ 0=-6.856 78, β ˙ 1=1.075 246, β ˙ 2=33.220 84, β ˙ 3=-621.643, β ˙ 4=696.907 2。
代入模型可知油料消耗的预测模型为
y=-6.856 78+1.0752 46x1+33.220 84x2-621.643x3+696.907 2x4
从模型系数中可以看出,油料消耗与航行里程、航行时间和作战样式均成正相关,但与任务难度呈负相关,与直觉有一定相悖。结合前期实验内容分析认为,在现有的几次航行中,部分难度较小的任务仍然需要大量的航行时间和里程,对结果带来了一定影响。但其系数的绝对值与航行时间、里程的系数的比值极小,与事实基本相符。

3.3 预测结果分析

笔者将第11~15次的数据代入,可以通过回归分析模型计算得到预测值,如表5所示。
表5 回归分析模型预测结果

Tab.5 Regression analysis model prediction results

序号 实际值 预测值 残差 残差率
11 43 076 43 383.5 307.5 0.71%
12 46 328 45 971.2 356.8 0.87%
13 50 445 50 932.3 487.3 0.97%
14 51 028 51 431.9 403.9 0.79%
15 57 659 57 848.6 189.6 0.33%
预测结果和实际数据如图1所示。
图1 预测数据和实际数据折线图

Fig.1 Predicted and actual data line chart

根据表5图1可以看到,本文构建的多元回归模型预测结果和实际数据偏差较小,能够较好地预测海上编队油料消耗情况。虽然本文模型对于一些影响因素进行了筛除,但是对油料保障问题能够发挥出较好的参考价值。

4 结束语

海上编队的油料消耗预测一直是一个复杂的问题,其影响因素多且直接关系不明显,但其又对海上编队作战保障有着重要意义,值得进行深入的研究。本文在从作战样式、作战任务、敌我能力和战场环境4个方面分析了影响海上编队油料消耗的主要因素的基础上,提出了一种利用灰色关联分析和多元线性回归分析的方法,能够在一定程度上筛选出对海上编队油料消耗影响最大的因素,并建立回归分析模型。虽然该方法对于一些因素进行了筛选,并且部分因素的量化是通过人为评定的方法,但通过实例验证,可以发现本文构建的模型预测值与实际值偏差较小,证明了该模型能够较好地预测海上编队油料消耗情况,对海上编队油料保障方面有一定的实用价值。
目前研究主要基于静态数据,未能有效地展开实时预测,且主要局限于对历史数据较多、编队组成固定的海上编队油料预测,在后续的研究中可以进一步改进。
[1]
林世岗, 汪涛, 沈银华. 关于舰艇油耗标准预测方法研究[J]. 计算机仿真, 2017, 34(5): 35-38, 102.

LIN S G, WANG T, SHEN Y H. Research on prediction method of ship oil consumption standard[J]. Computer Simulation, 2017, 34(5): 35-38, 102.

[2]
闫娟. 灰色神经网络模型在物流需求预测中的研究[J]. 计算机仿真, 2011, 28(7): 200-203.

YAN J. Application of logistics demand forecasting based on grey neural network[J]. Computer Simulation, 2011, 28(7): 200-203.

[3]
刘权羲. 基于灰色神经网络的装甲部队油料消耗预测技术研究[D]. 沈阳: 沈阳航空航天大学, 2014.

LIU Q X. Research on fuel consumption prediction technology for armored forces based on grey neural network[D]. Shenyang: Shenyang Aerospace University, 2014.

[4]
张敬祎, 练萌, 龚杰. 基于时间序列与灰色理论的油料组合预测方法[J]. 兵器装备工程学报, 2018, 39(1): 132-135.

ZHANG J Y, LIAN M, GONG J. Combination forecasting of POL consumption based on time series and grey theory[J]. Journal of Ordnance Equipment Engineering, 2018, 39(1): 132-135.

[5]
吴坤, 张仁平. 基于模糊层次评价法的油料仓库保障能力评估[J]. 兵工自动化, 2024, 43(6): 71-74.

WU K, ZHANG R P. Evaluation of supply support capability of oil warehouse based on fuzzy AHP[J]. Ordnance Industry Automation, 2024, 43(6): 71-74.

[6]
张轩, 武彦辉. 基于改进径向基函数神经网络算法的后勤保障资源消耗预测技术[J]. 信息化研究, 2021, 47(5):49-53.

ZHANG X, WU Y H. Logistics support resource consumption prediction technology based on improved radial basis function neural network algorithm[J]. Informatization Research, 2021, 47(5):49-53.

[7]
夏秀峰, 刘权羲. 基于灰色神经网络的装甲部队油料消耗预测[J]. 火力与指挥控制, 2014, 39(9): 91-95, 100.

XIA X F, LIU Q X. Fuel consumption of armored forces forecasting based on gray theory and neural network[J]. Fire Control & Command Control, 2014, 39(9): 91-95, 100.

[8]
李铁民. 军事定量分析方法[M]. 北京: 国防工业出版社, 2015:52-55.

LI T M. Military quantitative analysis method[M]. Beijing: National Defense Industry Press, 2015:52-55.

[9]
周庆忠. 基于灰色神经网络的油料储备预测模型研究[J]. 中国储运, 2009, 20(5): 97-99.

ZHOU Q Z. Research on oil reserve prediction model based on grey neural network[J]. China Storage & Transport, 2009, 20(5): 97-99.

[10]
吴书金, 汪涛, 全琪, 等. 基于灰色模糊推理的油料消耗预测[J]. 计算机测量与控制, 2019, 27(9): 18-22.

WU S J, WANG T, QUAN Q, et al. POL consumption forecast based on grey relevance and fuzzy reasoning[J]. Computer Measurement & Control, 2019, 27(9): 18-22.

[11]
周弘哲, 陈智, 宋海方. 基于多元线性回归分析的海军航空兵飞行训练油料消耗预测[J]. 兵工自动化, 2020, 39(11): 58-60, 81

ZHOU H Z, CHEN Z, SONG H F. Oil consumption forecast of naval aviation flight training based on multiple linear regression analysis[J]. Ordnance Industry Automation, 2020, 39(11): 58-60, 81

Outlines

/