本發(fā)明涉及數(shù)據(jù)處理，具體涉及目標(biāo)隨機(jī)森林模型的構(gòu)建方法、裝置、設(shè)備及程序產(chǎn)品。

背景技術(shù)：

1、飛機(jī)事故等級通常是根據(jù)事故造成的人員傷亡、飛機(jī)損壞程度以及社會影響等因素來劃分的。一般來說，飛機(jī)事故等級可以分為以下幾個級別：特別重大飛行事故、重大飛行事故以及一般飛行事故。

2、為了準(zhǔn)確地確定飛機(jī)事故等級，目前，通過k-means聚類算法模型對運輸航空飛機(jī)進(jìn)行歷史聚類分析得出若干個初始修復(fù)費用比例范圍，然后采集新事故下運輸航空飛機(jī)的數(shù)據(jù)通過校驗算法模型得出效驗類別，進(jìn)而實現(xiàn)運輸航空飛機(jī)事故基于直接經(jīng)濟(jì)損失的等級評測，實現(xiàn)了基于數(shù)據(jù)分析處理的輔助事故評測，便于科學(xué)劃分與區(qū)分事故大小。

3、但是，k-means聚類算法的效果高度依賴于輸入數(shù)據(jù)的質(zhì)量和特性。如果歷史數(shù)據(jù)存在噪聲、異常值或數(shù)據(jù)分布不均勻等問題，那么聚類的結(jié)果可能會受到影響，從而導(dǎo)致無法準(zhǔn)確地確定飛機(jī)事故等級。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種目標(biāo)隨機(jī)森林模型的構(gòu)建方法、裝置、設(shè)備及程序產(chǎn)品，以解決如果歷史數(shù)據(jù)存在噪聲、異常值或數(shù)據(jù)分布不均勻等問題，那么聚類的結(jié)果可能會受到影響，從而導(dǎo)致無法準(zhǔn)確地確定飛機(jī)事故等級的問題。

2、第一方面，本發(fā)明提供了一種目標(biāo)隨機(jī)森林模型的構(gòu)建方法，該方法包括：獲取訓(xùn)練數(shù)據(jù)集，并構(gòu)建隨機(jī)森林模型；利用訓(xùn)練數(shù)據(jù)集對隨機(jī)森林模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的隨機(jī)森林模型；基于浣熊算法對隨機(jī)森林模型的超參數(shù)進(jìn)行優(yōu)化，得到目標(biāo)參數(shù)；其中，超參數(shù)至少包括：決策樹的最大深度、最小樣本數(shù)量、葉節(jié)點上所需的最小樣本、決策樹的數(shù)量以及每一個節(jié)點的特征數(shù)量；基于目標(biāo)參數(shù)和訓(xùn)練好的隨機(jī)森林模型，構(gòu)建目標(biāo)隨機(jī)森林模型。

3、本實施例提供的目標(biāo)隨機(jī)森林模型的構(gòu)建方法，通過集成多個決策樹來工作，每個決策樹都基于隨機(jī)選擇的數(shù)據(jù)和特征進(jìn)行訓(xùn)練。這種集成策略減少了過擬合的風(fēng)險，提高了模型的穩(wěn)定性和準(zhǔn)確性，并且通過調(diào)整決策樹的數(shù)量和決策樹的最大深度等參數(shù)，可以控制模型的復(fù)雜度和泛化能力。相比于k-means聚類算法，本實施例能夠解決噪聲、異常值或數(shù)據(jù)分布不均勻等問題，從而準(zhǔn)確地確定飛機(jī)事故等級。

4、在一個可選的實施方式中，基于浣熊算法對隨機(jī)森林模型的超參數(shù)進(jìn)行優(yōu)化，得到目標(biāo)參數(shù)，包括：在探索階段，獲取小波函數(shù)擾動因子、當(dāng)前位置以及最優(yōu)個體位置；基于小波函數(shù)擾動因子、當(dāng)前位置以及最優(yōu)個體位置，確定第一目標(biāo)位置；在開發(fā)階段，獲取屬性參數(shù)的上邊界、下邊界、當(dāng)前個體和隨機(jī)個體交互關(guān)系以及利益因子；基于屬性參數(shù)的上邊界、下邊界、當(dāng)前個體和隨機(jī)個體交互關(guān)系以及利益因子，對第一目標(biāo)位置進(jìn)行優(yōu)化，得到第二目標(biāo)位置；其中，第二目標(biāo)位置包括：目標(biāo)決策樹的數(shù)量以及每一個節(jié)點的目標(biāo)特征數(shù)量；基于目標(biāo)決策樹的數(shù)量以及每一個節(jié)點的目標(biāo)特征數(shù)量，對決策樹的最大深度、最小樣本數(shù)量、葉節(jié)點上所需的最小樣本進(jìn)行優(yōu)化，得到目標(biāo)決策樹的最大深度、目標(biāo)最小樣本數(shù)量、目標(biāo)葉節(jié)點上所需的最小樣本。

5、本實施例提供的目標(biāo)隨機(jī)森林模型的構(gòu)建方法，探索階段基于小波函數(shù)擾動因子、當(dāng)前位置和最優(yōu)個體位置來確定第一目標(biāo)位置，這有助于在搜索空間中進(jìn)行全局搜索，發(fā)現(xiàn)潛在的優(yōu)質(zhì)解。開發(fā)階段則進(jìn)一步對第一目標(biāo)位置進(jìn)行優(yōu)化，得到第二目標(biāo)位置，這體現(xiàn)局部優(yōu)化的思想，能夠在已發(fā)現(xiàn)的優(yōu)質(zhì)解附近進(jìn)行精細(xì)搜索，提高解的精度。并且，該過程不僅優(yōu)化了目標(biāo)決策樹的數(shù)量和每一個節(jié)點的目標(biāo)特征數(shù)量，還進(jìn)一步對決策樹的最大深度、最小樣本數(shù)量、葉節(jié)點上所需的最小樣本進(jìn)行了優(yōu)化。這種全面的參數(shù)優(yōu)化能夠確保隨機(jī)森林模型在多個維度上達(dá)到最優(yōu)性能。

6、在一個可選的實施方式中，方法還包括：基于第二目標(biāo)位置，確定第二目標(biāo)位置對應(yīng)的目標(biāo)適應(yīng)度值；檢測目標(biāo)適應(yīng)度值是否滿足預(yù)設(shè)條件；若目標(biāo)適應(yīng)度值滿足預(yù)設(shè)條件，將目標(biāo)適應(yīng)度值作為最優(yōu)個體位置，并重復(fù)執(zhí)行步驟在探索階段，獲取小波函數(shù)擾動因子和當(dāng)前最優(yōu)位置至基于屬性參數(shù)的上邊界、下邊界、當(dāng)前個體和隨機(jī)個體交互關(guān)系以及利益因子，對第一目標(biāo)最優(yōu)位置進(jìn)行優(yōu)化，得到第二目標(biāo)位置的步驟，直至迭代次數(shù)滿足預(yù)設(shè)次數(shù)。

7、本實施例提供的目標(biāo)隨機(jī)森林模型的構(gòu)建方法，通過不斷地在探索階段和開發(fā)階段之間切換，并基于目標(biāo)適應(yīng)度值來決定是否接受新的最優(yōu)位置，算法能夠自適應(yīng)地調(diào)整搜索策略，尋找更好的解。并且，當(dāng)目標(biāo)適應(yīng)度值滿足預(yù)設(shè)條件時，算法選擇繼續(xù)迭代搜索，這確保了資源被有效地用于搜索可能存在的更優(yōu)解。同時，當(dāng)?shù)螖?shù)達(dá)到預(yù)設(shè)次數(shù)時，算法會停止，從而避免了無意義的過度搜索。

8、在一個可選的實施方式中，基于目標(biāo)參數(shù)和訓(xùn)練好的隨機(jī)森林模型，構(gòu)建目標(biāo)隨機(jī)森林模型，包括：將目標(biāo)決策樹的最大深度、目標(biāo)最小樣本數(shù)量、目標(biāo)葉節(jié)點上所需的最小樣本、目標(biāo)決策樹的數(shù)量以及每一個節(jié)點的目標(biāo)特征數(shù)量輸入至訓(xùn)練好的隨機(jī)森林模型，得到目標(biāo)隨機(jī)森林模型。

9、本實施例提供的目標(biāo)隨機(jī)森林模型的構(gòu)建方法，優(yōu)化后的超參數(shù)能夠減少不必要的計算，如減少決策樹的深度或節(jié)點的特征數(shù)量，從而降低模型的計算復(fù)雜度和運行時間。這有助于在保持模型性能的同時，減少計算資源的消耗。并且，通過優(yōu)化這些超參數(shù)，目標(biāo)隨機(jī)森林模型能夠更準(zhǔn)確地擬合訓(xùn)練數(shù)據(jù)，并且在測試數(shù)據(jù)上表現(xiàn)出更好的性能。這些超參數(shù)直接影響模型的復(fù)雜度和泛化能力，優(yōu)化后的參數(shù)能夠平衡過擬合和欠擬合，提高模型的預(yù)測準(zhǔn)確性。

10、在一個可選的實施方式中，方法還包括：獲取測試數(shù)據(jù)集；將測試數(shù)據(jù)集輸入目標(biāo)隨機(jī)森林模型，得到測試結(jié)果；檢測測試結(jié)果是否滿足預(yù)設(shè)要求；若測試結(jié)果滿足預(yù)設(shè)要求，則判定目標(biāo)隨機(jī)森林模型合格；若測試結(jié)果不滿足預(yù)設(shè)要求，則判定目標(biāo)隨機(jī)森林模型不合格。

11、本實施例提供的目標(biāo)隨機(jī)森林模型的構(gòu)建方法，測試數(shù)據(jù)集提供了獨立的、未見過的數(shù)據(jù)，用于模擬真實環(huán)境中模型可能遇到的場景。將測試數(shù)據(jù)集輸入目標(biāo)隨機(jī)森林模型，得到的測試結(jié)果能夠客觀地反映模型的性能。并且，通過預(yù)設(shè)要求，可以設(shè)定模型在測試數(shù)據(jù)集上需要達(dá)到的性能標(biāo)準(zhǔn)。只有當(dāng)測試結(jié)果滿足這些要求時，才能判定目標(biāo)隨機(jī)森林模型合格。這確保了模型在實際應(yīng)用中的可靠性和準(zhǔn)確性。

12、在一個可選的實施方式中，獲取測試數(shù)據(jù)集以及訓(xùn)練數(shù)據(jù)集的方式，包括：獲取飛機(jī)數(shù)據(jù)；其中，訓(xùn)練數(shù)據(jù)集至少包括：最大起飛重量、價格以及經(jīng)濟(jì)損失；對飛機(jī)數(shù)據(jù)進(jìn)行預(yù)處理，得到原始數(shù)據(jù)集；將原始數(shù)據(jù)集按照預(yù)設(shè)比例分為測試數(shù)據(jù)集以及訓(xùn)練數(shù)據(jù)集；其中，訓(xùn)練數(shù)據(jù)集的數(shù)量大于測試數(shù)據(jù)集的數(shù)量。

13、本實施例提供的目標(biāo)隨機(jī)森林模型的構(gòu)建方法，當(dāng)訓(xùn)練數(shù)據(jù)集的數(shù)量遠(yuǎn)大于測試數(shù)據(jù)集時，模型有更多的機(jī)會在訓(xùn)練數(shù)據(jù)上進(jìn)行學(xué)習(xí)，同時仍然能夠使用獨立的測試數(shù)據(jù)集來評估模型的性能。這種分割方式有助于防止模型在訓(xùn)練數(shù)據(jù)上過擬合。并且，通過獲取飛機(jī)數(shù)據(jù)，我們能夠基于實際的數(shù)據(jù)來構(gòu)建和評估模型，而不是基于假設(shè)或經(jīng)驗。這種方法使得決策更加客觀和科學(xué)。

14、在一個可選的實施方式中，基于小波函數(shù)擾動因子、當(dāng)前位置以及最優(yōu)個體位置，確定第一目標(biāo)位置，包括：

15、x(t+1)＝x(t)·σ+r·(xbest-i·x(t))；其中，xbest為最優(yōu)個體位置，r是隨機(jī)數(shù)，i是隨機(jī)整數(shù)，σ是小波函數(shù)擾動因子；

16、所述基于所述屬性參數(shù)的上邊界、下邊界、當(dāng)前個體和隨機(jī)個體交互關(guān)系以及利益因子，對所述第一目標(biāo)位置進(jìn)行優(yōu)化，得到第二目標(biāo)位置，包括：

17、x(t+2)＝x(t+1)-(1-2r)·(lblocal+r·(ublocal-lblocal))·(xbest-rmv×bf)；其中，x(t+2)為第二目標(biāo)位置，ublocal為第j維變量隨迭代次數(shù)而更新的上界，lblocal為第j維變量隨迭代次數(shù)而更新的下界，rmv為當(dāng)前個體和隨機(jī)個體交互關(guān)系，bf為利益因子。

18、第二方面，本發(fā)明提供了一種目標(biāo)隨機(jī)森林模型的構(gòu)建裝置，該裝置包括：獲取模塊，用于獲取訓(xùn)練數(shù)據(jù)集，并構(gòu)建隨機(jī)森林模型；其中，訓(xùn)練數(shù)據(jù)集至少包括：實際最大起飛重量(噸)、價格(單位:萬元)、經(jīng)濟(jì)損失；訓(xùn)練模塊，用于利用訓(xùn)練數(shù)據(jù)集對隨機(jī)森林模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的隨機(jī)森林模型；優(yōu)化模塊，用于基于浣熊算法對隨機(jī)森林模型的超參數(shù)進(jìn)行優(yōu)化，得到目標(biāo)參數(shù)；其中，超參數(shù)至少包括：決策樹的最大深度、最小樣本數(shù)量、葉節(jié)點上所需的最小樣本、決策樹的數(shù)量以及每一個節(jié)點的特征數(shù)量；構(gòu)建模塊，用于基于目標(biāo)參數(shù)和訓(xùn)練好的隨機(jī)森林模型，構(gòu)建目標(biāo)隨機(jī)森林模型。

19、第三方面，本發(fā)明提供了一種計算機(jī)設(shè)備，包括：存儲器和處理器，存儲器和處理器之間互相通信連接，存儲器中存儲有計算機(jī)指令，處理器通過執(zhí)行計算機(jī)指令，從而執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的目標(biāo)隨機(jī)森林模型的構(gòu)建方法。

20、第四方面，本發(fā)明提供了一種計算機(jī)可讀存儲介質(zhì)，該計算機(jī)可讀存儲介質(zhì)上存儲有計算機(jī)指令，計算機(jī)指令用于使計算機(jī)執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的目標(biāo)隨機(jī)森林模型的構(gòu)建方法。

21、第五方面，本發(fā)明提供了一種計算機(jī)程序產(chǎn)品，包括計算機(jī)指令，計算機(jī)指令用于使計算機(jī)執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的目標(biāo)隨機(jī)森林模型的構(gòu)建方法。