基于K-means范例推理的救援物资需求预测

中国民航大学学报

基于K-means范例推理的救援物资需求预测

喻慧，张明，喻珏

（南京航空航天大学民航学院，南京211106）

收稿日期:2016-09-05 修回日期:2016-10-13 出版日期:2017-04-22 发布日期:2017-06-14
作者简介:喻慧(1992—)，女，湖北孝感人，硕士研究生，研究方向为低空救援、空中交通智能化.
基金资助:
国家自然科学基金项目（U1233101，7127113）；中央高校基本科研业务费专项（NS2016062）

Low altitude rescue demand forecasting based on K-means CBR

YU Hui, ZHANG Ming, YU Jue

(College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China)

Received:2016-09-05 Revised:2016-10-13 Online:2017-04-22 Published:2017-06-14

摘要/Abstract

摘要：

针对低空救援过程中物资需求的模糊性，提出基于K-means范例推理法的物资需求预测。首先，对范例属性用粗糙集进行简约，并计算各属性的权重值；其次，将简约后的范例运用基于DB Index 准则的K-means算法进行聚类分析；然后，计算当前范例与距离最小类中所有范例的相关系数，检索出相似度最大的目标范例，并根据目标范例的消耗量线性求解当前范例的需求量；最后，比较该方法与遗传优化BP 算法的准确性，结果表明基于K-means范例推理的预测算法具有更高精度。

关键词: K-means, 范例推理, 粗糙集, 需求预测

Abstract:

Aiming at the fuzziness of supplies demand in the process of low altitude rescue, a CBR(case based reasoning) prediction algorithm based on K-means is proposed. Firstly, the attributes of case are reduced through rough set,the weight values of attributes are calculated. Next, a cluster analysis is made on simplified case through DB Index K-means algorithm; then, correlation coefficient is calculated between the current case and each case in the nearest group, retrievaling the target case with maximum similarity. Finally, according to the supplies of target case, demand of the current case is obtained. A real seismic data is conducted to compare the accuracy of the current approach and genetic optimization BP algorithm. Result shows that the K-means CBR algorithm has higher precision.

Key words: K-means, CBR, rough set, demand forecasting

中图分类号:

V355.2

喻慧，张明，喻珏. 基于K-means范例推理的救援物资需求预测[J]. 中国民航大学学报.

YU Hui, ZHANG Ming, YU Jue. Low altitude rescue demand forecasting based on K-means CBR[J]. .

[1]	赵箫, 杨文东, 胡俊成. 基于 WOA-BP 神经网络的多趋势机场间 OD 需求预测[J]. 中国民航大学学报, 2026, 44(2): 88-96.
[2]	樊玮, 张永翔. 基于旅客支付意愿随机性的卖高率估算方法 [J]. 中国民航大学学报, 2025, 43(5): 82-89.
[3]	瞿红春, 高鹏宇, 朱伟华, 许旺山, 郭龙飞. 基于 NRS-CNN 的民航发动机滑油消耗量预测[J]. 中国民航大学学报, 2021, 39(5): 16-21.
[4]	陶志, 王丹. 双向S-优势概率粗集的构造及应用#br#[J]. 中国民航大学学报, 2019, 37(5): 60-64.
[5]	赵洪利，陈民恺，刘诗雄. 发动机下发时间预测和机队下发方案优化[J]. 中国民航大学学报, 2018, 36(2): 16-19,27.
[6]	陶志，潘丽平，何丹峰. 改进的模糊粗糙集模型[J]. 中国民航大学学报, 2017, 35(5): 60-64.
[7]	陶志，何丹峰，潘丽平. 条件先验概率优势关系粗糙集模型[J]. 中国民航大学学报, 2017, 35(3): 59-6.
[8]	李红启，简晓荣，刘寅莹，袁俊丽. 中国民航货运量预测规则集及其应用[J]. 中国民航大学学报, 2017, 35(3): 54-58.
[9]	李国，张春杰，张志远. 一种基于加权LDA模型的文本聚类方法[J]. 中国民航大学学报, 2016, 34(2): 46-51.
[10]	何昕，罗亮，陈海杰. 基于粗糙集的雷达模拟机培训质量综合评价研究[J]. 中国民航大学学报, 2015, 33(5): 56-59.
[11]	陶志，胡树芹. 不完备偏好决策系统中一种扩展优势关系模型[J]. 中国民航大学学报, 2015, 33(4): 51-55.
[12]	陶志，岳美汐. 优势关系集值决策系统中变精度粗集模型[J]. 中国民航大学学报, 2015, 33(1): 55-58.
[13]	王力，张冰洁. 基于改进粗糙集的机场智能电网报警处理方法[J]. 中国民航大学学报, 2015, 33(1): 36-40.
[14]	陶志，刘彩平. 一种改进的先验概率粗集模型[J]. 中国民航大学学报, 2014, 32(4): 48-51,64.
[15]	张永莉，梁京. 航材需求预测方法研究综述及启示[J]. 中国民航大学学报, 2014, 32(1): 92-96.