本申请涉及基于随机森林的资源消耗趋势预测方法、装置和设备，该方法包括：采集设定时段的训练保障资源消耗数据并进行数据统计处理，建立训练保障资源消耗数据集；根据训练保障资源消耗数据的数据特征，建立资源消耗因素集和资源消耗因素权重集；根据训练保障资源消耗数据集、资源消耗因素集和资源消耗因素权重集，基于随机森林算法进行训练保障资源消耗趋势预测，得到资源消耗预测结果。针对传统的训练保障体系的实际需求，建立训练保障资源消耗的相关数据集后，利用于随机森林算法进行资源消耗预测，实现了对训练保障资源消耗情况进行有效预测的目的。有效预测的目的。有效预测的目的。
【技术实现步骤摘要】
基于随机森林的资源消耗趋势预测方法、装置和设备
[0001]本专利技术属于训练保障数据的资源统筹
，涉及一种基于随机森林的资源消耗趋势预测方法、装置和设备。
技术介绍
[0002]训练保障对于整个训练管理工作至关重要，完备的训练保障体系能够极大提高训练管理工作的整体质量。依托训练管理海量数据资源，采用大数据技术分析发掘训练管理各领域环节信息内在逻辑关联，对训练保障资源消耗趋势进行分析和预测，有助于做好训练准备工作，具有较强的实际意义。然而，在实现本专利技术的过程中，专利技术人发现在传统的训练保障体系中，尚未有专门的训练保障资源跟踪管理手段，存在着复无法对训练保障资源消耗情况进行有效预测的技术问题。
技术实现思路
[0003]针对上述传统技术中存在的问题，本专利技术提出了一种能够对训练保障资源消耗情况进行有效预测的基于随机森林的资源消耗趋势预测方法、一种基于随机森林的资源消耗趋势预测装置、一种资源预测设备以及一种计算机可读存储介质。
[0004]为了实现上述目的，本专利技术实施例采用以下技术方案：
[0005]一方面，提供一种基于随机森林的资源消耗趋势预测方法，包括步骤：
[0006]采集设定时段的训练保障资源消耗数据并进行数据统计处理，建立训练保障资源消耗数据集；
[0007]根据训练保障资源消耗数据的数据特征，建立资源消耗因素集和资源消耗因素权重集；
[0008]根据训练保障资源消耗数据集、资源消耗因素集和资源消耗因素权重集，基于随机森林算法进行训练保障资源消耗趋势预测，得到资源消耗预测结果。
[0009]在其中一个实施例中，采集设定时段的训练保障资源消耗数据并进行数据统计处理，建立训练保障资源消耗数据集的步骤，包括：
[0010]按照设定时间范围对训练保障资源消耗数据进行统计处理，得到初始的训练保障资源消耗数据集；
[0011]对初始的训练保障资源消耗数据集进行数据预处理，得到建立的训练保障资源消耗数据集；数据预处理包括数据去重处理、缺失值和异常值删除处理。
[0012]在其中一个实施例中，根据训练保障资源消耗数据的数据特征，建立资源消耗因素集和资源消耗因素权重集的步骤，包括：
[0013]根据训练保障资源消耗数据的数据特征，分析并提取各资源消耗因素，得到资源消耗因素集；
[0014]分别为各资源消耗因素设置权重，得到资源消耗因素权重集。
[0015]在其中一个实施例中，根据训练保障资源消耗数据集、资源消耗因素集和资源消
耗因素权重集，基于随机森林算法进行训练保障资源消耗趋势预测，得到资源消耗预测结果的步骤，包括：
[0016]利用Bootstrap随机有放回地从训练保障资源消耗数据集中进行N次抽样且每次抽取m个样本，形成N个学习样本子集；N和m均为不小于2的正整数；
[0017]根据N个学习样本子集发展N个决策树；
[0018]根据资源消耗因素集和资源消耗因素权重集，分别为每个决策树选取最优特征；
[0019]将每个决策树按照相应最优特征进行分裂，形成随机森林；
[0020]获取随机森林的预测值并取平均值作为资源消耗预测结果。
[0021]在其中一个实施例中，根据资源消耗因素集和资源消耗因素权重集，分别为每个决策树选取最优特征的步骤，包括：
[0022]根据资源消耗因素集和资源消耗因素权重集，利用信息增益率分别为每个决策树选取一个最优消耗因素作为最优特征。
[0023]另一方面，还提供一种基于随机森林的资源消耗趋势预测装置，包括：
[0024]数据采集模块，用于采集设定时段的训练保障资源消耗数据并进行数据统计处理，建立训练保障资源消耗数据集；
[0025]特征因素模块，用于根据训练保障资源消耗数据的数据特征，建立资源消耗因素集和资源消耗因素权重集；
[0026]预测输出模块，用于根据训练保障资源消耗数据集、资源消耗因素集和资源消耗因素权重集，基于随机森林算法进行训练保障资源消耗趋势预测，得到资源消耗预测结果。
[0027]在其中一个实施例中，数据采集模块包括：
[0028]数据统计子模块，用于按照设定时间范围对训练保障资源消耗数据进行统计处理，得到初始的训练保障资源消耗数据集；
[0029]预处理子模块，用于对初始的训练保障资源消耗数据集进行数据预处理，得到建立的训练保障资源消耗数据集；数据预处理包括数据去重处理、缺失值和异常值删除处理。
[0030]在其中一个实施例中，特征因素模块包括：
[0031]因素提取子模块，用于根据训练保障资源消耗数据的数据特征，分析并提取各资源消耗因素，得到资源消耗因素集；
[0032]权重设置子模块，用于分别为各资源消耗因素设置权重，得到资源消耗因素权重集。
[0033]又一方面，还提供一种资源预测设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的基于随机森林的资源消耗趋势预测方法的步骤。
[0034]再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于随机森林的资源消耗趋势预测方法的步骤。
[0035]上述技术方案中的一个技术方案具有如下优点和有益效果：
[0036]上述基于随机森林的资源消耗趋势预测方法、装置和设备，通过首先采集设定时段的训练保障资源消耗数据后，对其进行数据统计处理以建立训练保障资源消耗数据集，然后基于训练保障资源消耗数据的数据特征建立资源消耗因素集及其相应的资源消耗因素权重集，最后利用建立的训练保障资源消耗数据集、资源消耗因素集和资源消耗因素权
重集，基于随机森林算法预测得到资源消耗预测结果。如此，针对传统的训练保障体系的实际需求，建立训练保障资源消耗的相关数据集后，利用于随机森林算法进行资源消耗预测，实现了对训练保障资源消耗情况进行有效预测的目的，确保训练保障任务中可及时补充各类资源，对训练保障资源调度起到积极的作用，当面对各类突发情况时也能提前保证提供充足的调度训练保障物资。
附图说明
[0037]为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为一个实施例中基于随机森林的资源消耗趋势预测方法的流程示意图；
[0039]图2为一个实施例中基于随机森林的资源消耗预测流程示意图；
[0040]图3为另一个实施例中基于随机森林的资源消耗趋势预测方法的流程示意图；
[0041]图4为一个实施例中基于随机森林的资源消耗趋势预测装置的模块结构示意图。
具体实施方式
[0042]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于随机森林的资源消耗趋势预测方法，其特征在于，包括步骤：采集设定时段的训练保障资源消耗数据并进行数据统计处理，建立训练保障资源消耗数据集；根据所述训练保障资源消耗数据的数据特征，建立资源消耗因素集和资源消耗因素权重集；根据所述训练保障资源消耗数据集、所述资源消耗因素集和所述资源消耗因素权重集，基于随机森林算法进行训练保障资源消耗趋势预测，得到资源消耗预测结果。2.根据权利要求1所述的基于随机森林的资源消耗趋势预测方法，其特征在于，采集设定时段的训练保障资源消耗数据并进行数据统计处理，建立训练保障资源消耗数据集的步骤，包括：按照设定时间范围对所述训练保障资源消耗数据进行统计处理，得到初始的所述训练保障资源消耗数据集；对初始的所述训练保障资源消耗数据集进行数据预处理，得到建立的所述训练保障资源消耗数据集；所述数据预处理包括数据去重处理、缺失值和异常值删除处理。3.根据权利要求1或2所述的基于随机森林的资源消耗趋势预测方法，其特征在于，根据所述训练保障资源消耗数据的数据特征，建立资源消耗因素集和资源消耗因素权重集的步骤，包括：根据所述训练保障资源消耗数据的数据特征，分析并提取各所述资源消耗因素，得到所述资源消耗因素集；分别为各所述资源消耗因素设置权重，得到所述资源消耗因素权重集。4.根据权利要求3所述的基于随机森林的资源消耗趋势预测方法，其特征在于，根据所述训练保障资源消耗数据集、所述资源消耗因素集和所述资源消耗因素权重集，基于随机森林算法进行训练保障资源消耗趋势预测，得到资源消耗预测结果的步骤，包括：利用Bootstrap随机有放回地从所述训练保障资源消耗数据集中进行N次抽样且每次抽取m个样本，形成N个学习样本子集；N和m均为不小于2的正整数；根据N个所述学习样本子集发展N个决策树；根据所述资源消耗因素集和所述资源消耗因素权重集，分别为每个所述决策树选取最优特征；将每个所述决策树按照相应所述最优特征进行分裂，形成随机森林；获取所述随机森林的预测值并取平均值作为所述资源消耗预测结果。5.根据权利要...
【专利技术属性】
技术研发人员：王昊冉，戴超凡，何华，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。