融合鹈鹕算法的飞行风险预测方法技术

本发明专利技术公开了一种融合鹈鹕算法的飞行风险预测方法

【技术实现步骤摘要】
融合鹈鹕算法的飞行风险预测方法、电子设备及存储介质


[0001]本专利技术涉及飞行风险随机森林模型预测领域，尤其涉及一种融合鹈鹕算法的飞行风险预测方法
、
电子设备及存储介质
。

技术介绍

[0002]随机森林模型
(Random Forest
，英文简称
RF)
是
2001
年由
Leo Breiman
和
Adele Cutler
共同提出的一种集成学习方法
。
通过构建多个决策树进行分类或回归任务，它结合了决策树的简单
、
易解释以及对复杂数据的建模能力，并通过引入随机性和集成思想来提高模型的鲁棒性和泛化能力
。
随机森林模型能够有效地处理非线性
、
小样本和过学习等问题，因此在文本图像分类
、
数据挖掘和模式识别等领域被广泛应用
。
它的优势在于对复杂的数据进行建模，可以更准确地捕捉数据之间的非线性关系
。r/>同时，随机森林本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种融合鹈鹕算法的飞行风险预测方法，其特征在于：其方法包括：
S1、
构建飞行风险预测模型，向飞行风险预测模型输入飞行风险样本数据进行模型训练，飞行风险预测模型包括融合有鹈鹕算法的随机森林模型，随机森林模型参数包括决策树的数量
、
最大拆分特征
、
决策树最大深度
、
最小样本划分
、
叶节点最小样本，鹈鹕算法参数包括概率因子最大迭代次数
T
；
S2、
利用鹈鹕算法对随机森林模型训练的参数进行寻优处理，寻优处理表达式如下：其中：其中表示鹈鹕算法最终阶段更新后第
i
只鹈鹕
、
第
j
维特征的位置；
rand
表示
[0
，
1]
范围内的随机数；
R
为0或2的随机整数；
x
i
，
j
为在最大迭代次数
T
处理时的第
i
只鹈鹕
、
第
j
维特征的位置，
F(x
i
，
j
)
表示
x
i
，
j
所对应的目标函数值；
Q
为增加的优化搜索因子；
x
i
，
j
′
表示
x
i
，
j
上一次迭代时第
i
只鹈鹕
、
第
j
维特征的位置，
F(x
i
，
j
′
)
表示
x
i
，
j
′
所对应的目标函数值；
x
best
，
j
表示第
j
维特征当前全局最优的位置；由此得到每个鹈鹕的适应值存储于
x
best
中，同时得到随机森林模型的参数的最优值；
S3、
采集飞行数据输入飞行风险预测模型，飞行风险预测模型输出预测结果
。2.
按照权利要求1所述的融合鹈鹕算法的飞行风险预测方法，其特征在于：随机森林模型采用
n1
棵决策树共同进行决策：其中
Y
q
表示第
q
棵决策树的决策值，
Y
表示随机森林模型最后得到的预测结果
。3.
按照权利要求1或2所述的融合鹈鹕算法的飞行风险预测方法，其特征在于：飞行风险预测模型中输入飞行风险样本数据的特征向量集
n
为特征向量总数，表示样本
k
的第
n
特征向量，第
n
特征向量对应第
n
维特征；
k
表示样本，
k
＝1，2，3，
……
N
，
N

【专利技术属性】
技术研发人员：王占海，黄毅峰，毛延峰，万健，
申请(专利权)人：中国民航科学技术研究院，
类型：发明
国别省市：