《Computers & Industrial Engineering》：Intermittent demand forecasting of aerospace rotable parts. A framework for unpredictable flight patterns
編輯推薦：
本文針對航空維修、修理和大修（MRO）領域中，在飛行模式不可預測（如軍用機、公務機、救援機等）場景下，航空可周轉件（Rotalbes）的間歇性需求預測難題，提出了一種創新的機器學習（ML）框架。該研究通過整合機隊使用（Usage）和配置（Units）等運營特征，構建了一個基于LightGBM的集成預測模型。驗證結果表明，相比傳統基準方法，該框架在99.2%的庫存單位（SKU）上實現了最精確的預測，顯著提升了在不確定運營環境下的備件需求預測準確率，對優化MRO庫存管理、降低成本和提升機隊可用性具有重要意義。
想象一下，一家負責維護軍用運輸機、空中救護車或私人公務機的維修公司。這些飛機的飛行任務極不規律：今天可能待命，明天可能緊急出動，執行高強度的救援或特殊任務。這種“神出鬼沒”的飛行模式，給后勤保障人員帶來了巨大挑戰——他們很難準確預測未來需要多少備用零件。如果備貨不足，飛機可能因為等一個零件而“趴窩”，影響關鍵任務；如果備貨過多，又會占用巨額資金，造成浪費。尤其是在航空領域，許多關鍵部件是“可周轉件”（Rotalbes），它們壽命有限或需定期檢修，其更換需求既與使用時間（如飛行小時）相關，也可能與日歷時間掛鉤。傳統的預測方法主要依據歷史消耗數據，往往忽視了機隊實際運營狀況的變化，在應對這種高度不確定的飛行模式時，常常力不從心。
為了破解這一難題，Manuel del Olmo和Rosario Domingo在《Computers in Industry》上發表了一項研究。他們瞄準航空可周轉件間歇性需求預測這一痛點，創新性地將機隊運營數據融入預測模型，開發了一個全新的機器學習框架。這個框架不僅顯著提升了在不可預測飛行模式下的預測精度，還為航空維修、修理和大修（Maintenance, Repair, and Overhaul, MRO）行業的庫存優化提供了強有力的智能決策工具。
研究人員采用了多項關鍵技術來構建和驗證他們的框架。他們首先對一個歐洲MRO中心的真實歷史數據進行了分析，該數據集包含420個庫存單位（Stock Keeping Unit, SKU）跨44個季度的備件消耗、機隊飛行小時和使用部件數量信息。研究采用了“向前驗證”（Walk-forward validation）策略來模擬模型的實際部署效果。在模型構建上，他們重點使用了梯度提升樹模型LightGBM，并為其精心設計了一系列特征，包括需求的歷史值、滾動統計量（如均值、標準差），以及關鍵的運營特征如“使用量”（Usage，即飛行小時）和“裝配量”（Units，即使用該部件的飛機數量）。為了優化模型性能，他們采用了貝葉斯優化（Bayesian Optimisation）進行超參數調優。最后，他們利用沙普利加性解釋（SHapley Additive exPlanations, SHAP）和斯皮爾曼相關性分析等方法，對模型的特征重要性進行了解釋和魯棒性評估。
研究結果部分詳細展示了該框架的優異性能：
- •
5.1. 間歇性需求預測方法：在將不同預測方法應用于數據集后，即使僅使用需求特征，LightGBM也在55%的SKU上取得了最低的均方根誤差（Root Mean Square Error, RMSE），且訓練速度遠快于長短期記憶網絡（Long Short-Term Memory, LSTM），顯示出其作為基礎預測器的優勢。
- •
5.2. 在LightGBM預測模型中整合資產使用特征：當在LightGBM模型中引入“使用量”和“裝配量”等運營特征后，其預測性能大幅提升。使用包含額外特征的LightGBM模型，在83%的SKU上取得了最佳RMSE，顯著高于僅使用需求特征時的55%。這強有力地證明了運營數據對于提升航空可周轉件需求預測精度至關重要。
- •
5.3. 針對不可預測資產使用的集成LightGBM框架：這是本研究的核心創新。研究人員構建了一個集成框架，其核心思想是：不同備件的需求驅動因素（可能是使用量、裝配量、兩者兼具或均不相關）可能隨時間變化。為此，他們訓練了四個專注于不同特征集的LightGBM模型（分別命名為Usage、Units、Both和None），并在每個預測時間步，根據模型近期的預測誤差，動態選擇表現最佳的模型用于下一步預測。這個框架還包含了自動化的超參數優化流程。結果顯示，該集成框架表現卓越：
- •
與傳統基準方法（如加權移動平均WMA、自回歸積分滑動平均ARIMA）相比，該框架在99.2%的被分析SKU上實現了最精確的預測。
- •
與一個使用所有特征但靜態不變的優化模型（Both_Optimised）相比，集成框架仍在83.9%的SKU上表現更優，表明其動態選擇策略能更好地適應部件行為的變化。
- •
在計算效率上，處理每個SKU每個季度的平均時間約為4.53秒，證明了其在MRO環境中實際部署的可行性。
- •
統計顯著性檢驗（Diebold-Mariano檢驗和模型置信集Model Confidence Set, MCS）表明，集成框架在65.1%的SKU上顯著優于WMA基準，并且100%屬于統計上無法區分的最佳模型集合。
- •
通過一個具體SKU（SKU383）的案例分析，直觀展示了該框架如何成功捕捉到機隊規模擴增、使用高峰及后續下降等運營變化所導致的需求波動，其預測曲線與實際需求貼合更緊密。
研究結論與討論部分對全文工作進行了總結并展望了未來。本研究表明，在航空備件需求預測中，機器學習方法，特別是LightGBM，通過整合關鍵運營特征，能夠顯著超越傳統時間序列方法。針對可周轉件需求驅動因素可能隨其服役生命周期動態變化的特點，所提出的集成LightGBM框架展現出了優越的適應性，在飛行模式不可預測的場景下（如軍事、公務航空、救援等）尤其有效。該框架在真實MRO數據上驗證取得了極高精度的預測結果，且具備計算可行性，為MRO中心優化庫存、降低成本、提高機隊可用性提供了強有力的新工具。
同時，作者也指出了本研究的局限性與未來方向。例如，模型的可解釋性存在挑戰，常用的SHAP特征重要性評分可能無法反映真實的因果關系，需要謹慎解讀。未來研究可以納入更多特征，如平均故障間隔時間（Mean Time Between Failures, MTBF）、部件年齡等，并進一步探索需求驅動因素隨時間演變的因果機制。此外，當某個備件歷史數據極少時，如何通過聚類（如按ATA系統、檢修周期）構建通用模型，以及將該框架擴展至非壽命件（Expendables）預測，也值得深入探索。最終，實現航空公司、MRO中心和備件供應商之間的高效數據共享，將是充分發揮此類智能預測模型價值的關鍵。
