一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法技术

本发明专利技术公开了一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法，包括：电梯维保企业数据记录库，用于链接物联网数据库、官方、第三方相关数据库，保存电梯维保企业各项参数的历史数据，并实时更新记录其最新的各项指标参数；专家评级结果记录数据库，用于记录历年电梯维保企业各项参数下，业内知名专家的评级情况，为特征数据处理模块提供一定的评价参考；特征数据处理模块，用于对获取的数据进行进一步处理；结果评估模块，用于对最后得到的结果进行显示，并对其进行进一步分析评估，以雷达图的形式显示出对应电梯维保企业的不足之处，并输出相应的评级报告，从而促进电梯维保企业的维保质量进一步的提高。梯维保企业的维保质量进一步的提高。梯维保企业的维保质量进一步的提高。

【技术实现步骤摘要】
一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法


[0001]本专利技术属于大数据评级和机器学习
，特别涉及一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法。

技术介绍

[0002]电梯安全是人民群众和政府关切的热点，电梯维保质量对电梯日常运行安全影响巨大。电梯维保企业的好坏在很大程度上影响了电梯维保质量，然而在现实情况下，电梯维保企业质量稂莠不齐，现有的电梯维保企业评级方案都依赖于人的评判。存在较大的主观性和不确定性，会在很大程度上影响电梯维保企业评价的准确性客观性。因此如何最大化去除人的主观影响与各种场外因素，对电梯维保企业进行一个科学、规范、客观的评级，从而筛选出技术过硬、安全可靠的电梯维保企业一直是一个亟待解决的问题。
[0003]针对上述现有技术存在的不足，本专利技术所解决的技术问题在于提供一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法，利用大数据算法，结合链接电梯物联网设备的MySQL数据库，对电梯维保质量进行自动化评价，并进一步的提供评价分析，得出当前电梯维保存在的不足之处，以便于电梯维保企业更好的完善自己，提高工作能力的同时使得其维保工作质量进一步提升，减少电梯事故的发生。

技术实现思路

[0004](一)要解决的技术问题
[0005]解决现有的电梯维保企业评级方案都依赖于人的评判，存在较大的主观性和不确定性，会在很大程度上影响电梯维保企业评价的准确性客观性，因此如何最大化去除人的主观影响与各种场外因素，对电梯维保企业进行一个科学、规范、客观的评级的问题，提供了一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法。
[0006](二)技术方案
[0007]本专利技术的目的是通过以下技术方案来实现的：一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法，包括：
[0008](1)电梯维保企业数据记录库，用于链接物联网数据库、官方、第三方相关数据库，保存电梯维保企业各项参数的历史数据，并实时更新记录其最新的各项指标参数；
[0009](2)专家评级结果记录数据库，用于记录历年电梯维保企业各项参数下，业内知名专家的评级情况，为特征数据处理模块提供一定的评价参考；
[0010](3)特征数据处理模块，用于对获取的数据进行进一步处理；
[0011](4)结果评估模块，用于对最后得到的结果进行显示，并对其进行进一步分析评估，以雷达图的形式显示出对应电梯维保企业的不足之处，并输出相应的评级报告。
[0012]作为优选的技术方案，电梯维保企业数据记录库包含维保电梯企业基本信息：被投诉率、检验检测合格率、检验检测不合格率、维保电梯数、应维保次数、维保不合格率、超
期电梯数、超期次数、总不合规次数、维保有效率、不合格电梯数、检验电梯总数、一次检验合格率、故障电梯数、故障率、困人两次电梯数、困人三次电梯数、困人四次及以上电梯数、故障次数、合规次数、反馈总次数、处置及时率、一次及时率、救援及时率。
[0013]作为优选的技术方案，特征数据处理模块初步处理数据记录库中的24个输入值，从专家评级经验数据库中分别收集数据作为训练集与测试集，对梯度提升树算法模型进行网格搜索调参，通过训练集与测试集的表现情况择出最优适用于此数据结构的梯度提升树模型，将模型上传程序；将新的待评维保后电梯相关数据输入模型，模型进行评价，对电梯维保企业进行打分。
[0014]作为优选的技术方案，基于改进后梯度提升树模型的分类算法，分类算法包括以下步骤：
[0015](1)将用于训练学习和测试的特征值进行归一化处理，处理方法如下所示：
[0016]其中x
′
表示处理后的特征值，x
min
表示此特征值的最小值，x
max
表示此特征值的最大值；
[0017]将分类数据进行One
‑
hot编码处理，One
‑
hot编码原理如下：
[0018]采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效；使用One
‑
hot编码，可以将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点，从而有效地让离散特征之间的距离计算的更加合理；
[0019](2)从完整24个特征值中选取k个特征，其中k<<24；从完整的m条数据中随机选取n条数据，其中n<<m，输入m条数据的k个特征值训练弱决策树(CART算法)：
[0020]其中弱决策树的训练算法为：对于任意划分特征A，对应的任意划分点s两边划分成的数据集D1和D2，求出使D1和D2各自集合的均方差最小，同时D1和D2的均方差之和最小所对应的特征和特征值划分点；
[0021]相关表达式：
[0022][0023]其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。决策回归树最后输出采用的是用最终叶子中位数来预测输出结果；
[0024]对应输出值公式：
[0025]D1(A,s)＝{x∣x
(A)
≤s}
[0026]D2(A,s)＝{x∣x
(A)
>s}
[0027][0028]其中，分别代表的是左子节点和右子节点，而对两个节点上的估计值采用相应子节点上目标值的均值来表示；
[0029]CART算法计算所有属性的特征划分点作为决策树的根节点；采用属性值的用最终叶子中位数进行回归预测。然后以同样的方式选择子样本的新根节点，直到样本数为0；
[0030]生成CART决策树公式：
[0031][0032]其中便是我们学习到的CART决策树,表示相应样本属于的区域，在相应区域其值为1,否则为0；最终，训练得到的回归树的叶结点包含多个y；找到使该叶结点的损失函数最小的值，作为预测值输出；而对于这里的“误差平方和”作为损失函数而言，由于其求导后可以直接作为误差，因此平均值就是使损失函数最小的值，只需要取平均值输出即可；
[0033]由于CART没有规定树的终止准则，树会一直生长到最大，在决策树完成后，可能会存在过拟合的问题；CART使用基于代价复杂度的剪枝算法来去除噪声和异常分支；这种方法最后会生成一系列大小不同的树，每个树都是将最大树的某些子树替换为叶结点而得到的，其中最小的一棵树只含有一个叶结点，最终在验证集上使用交叉验证来评估所有树的性能，并选择性能最佳的树；
[0034]假设我们形成初始最大的初始决策树，我们将通过以下损失函数来防止过拟合与欠拟合；
[0035]损失函数公式：
[0036]C
α
(T)＝C(T)+α|T|；
[0037]其中T为任意子树，为该子树在训练集上的预测误差(误差平方和)，为该子树的叶节点个数，为正则化惩罚系数；
[0038]我们的最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网感知数据和梯度提升树模型的电梯维保评价方法，其特征在于，包括：(1)电梯维保企业数据记录库，用于链接物联网数据库、官方、第三方相关数据库，保存电梯维保企业各项参数的历史数据，并实时更新记录其最新的各项指标参数；(2)专家评级结果记录数据库，用于记录历年电梯维保企业各项参数下，业内知名专家的评级情况，为特征数据处理模块提供一定的评价参考；(3)特征数据处理模块，用于对获取的数据进行进一步处理；(4)结果评估模块，用于对最后得到的结果进行显示，并对其进行进一步分析评估，以雷达图的形式显示出对应电梯维保企业的不足之处，并输出相应的评级报告。2.如权利要求1所述的基于物联网感知数据和梯度提升树模型的电梯维保评价方法，其特征在于，所述电梯维保企业数据记录库包含维保电梯企业基本信息：被投诉率、检验检测合格率、检验检测不合格率、维保电梯数、应维保次数、维保不合格率、超期电梯数、超期次数、总不合规次数、维保有效率、不合格电梯数、检验电梯总数、一次检验合格率、故障电梯数、故障率、困人两次电梯数、困人三次电梯数、困人四次及以上电梯数、故障次数、合规次数、反馈总次数、处置及时率、一次及时率、救援及时率。3.如权利要求1所述的基于物联网感知数据和梯度提升树模型的电梯维保评价方法，其特征在于，所述特征数据处理模块初步处理数据记录库中的24个输入值，从专家评级经验数据库中分别收集数据作为训练集与测试集，对梯度提升树算法模型进行网格搜索调参，通过训练集与测试集的表现情况择出最优适用于此数据结构的梯度提升树模型，将模型上传程序；将新的待评维保后电梯相关数据输入模型，模型进行评价，对电梯维保企业进行打分。4.如权利要求3所述的基于物联网感知数据和梯度提升树模型的电梯维保评价方法，其特征在于，基于改进后所述梯度提升树模型的分类算法，所述分类算法包括以下步骤：(1)将用于训练学习和测试的特征值进行归一化处理，处理方法如下所示：其中x
′
表示处理后的特征值，x
min
表示此特征值的最小值，x
max
表示此特征值的最大值；将分类数据进行One
‑
hot编码处理，One
‑
hot编码原理如下：采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效；使用One
‑
hot编码，可以将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点，从而有效地让离散特征之间的距离计算的更加合理；(2)从完整24个特征值中选取k个特征，其中k<<24；从完整的m条数据中随机选取n条数据，其中n<<m，输入m条数据的k个特征值训练弱决策树(CART算法)：其中弱决策树的训练算法为：对于任意划分特征A，对应的任意划分点s两边划分成的数据集D1和D2，求出使D1和D2各自集合的均方差最小，同时D1和D2的均方差之和最小所对应的特征和特征值划分点；相关表达式：
其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。决策回归树最后输出采用的是用最终叶子中位数来预测输出结果；对应输出值公式：D1(A,s)＝{x∣x
(A)
≤s}D2(A,s)＝{x∣x
(A)
>s}其中，分别代表的是左子节点和右子节点，而对两个节点上的估计值采用相应子节点上目标值的均值来表示；CART算法计算所有属性的特...

【专利技术属性】
技术研发人员：俞平，张庆浩，周骞，吴琳琳，王强，陈家焱，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：