System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及应急或战时后勤保障,尤其涉及应急状态下被装物资需求预测方法、系统、设备及介质。
技术介绍
1、面对突发性公共应急事件,为了迅速有效地处置急情,国家应急物资保障部门需要调配用途合适、数量合理的应急物资为一线提供后勤保障。
2、传统的应急被装物资需求是根据现场各方反馈的信息进行统计并得到的,如此得到的应急被装物资需求并不准确,容易受反馈的信息的数量和准确性影响,而且应急被装物资筹措效率低下、准确率较低,难以满足应急现场队伍的需求。还有一些演练模型是通过时间序列分析来预测应急物资需求的,但是时间序列分析仅适用于具有明显时间关联性的数据,例如通过分析历史数据的趋势、季节性和周期性来预测未来的需求,但是突然性公共应急事件具备特发性、事件紧迫性、随机性等特点,时间序列分析无法捕捉到非线性的和复杂的关系,并且对于具有快速变化和不稳定趋势的需求模式预测效果不佳。
3、因此,亟需一种新型的应急状态下被装物资需求预测方法。
技术实现思路
1、本专利技术提供一种应急状态下被装物资需求预测方法、系统、设备及介质,用以解决现有技术对突然性公共应急事件下被装物资需求预测准确性低的缺陷。
2、本专利技术提供一种应急状态下被装物资需求预测方法,包括:
3、得到应急或战时数据,所述应急或战时数据包括以下任一项或其任意组合:人体数据、应急或战场环境数据、保障态势数据、保障资源数据;
4、根据应急或战时数据,通过应急被装物资需求预测模型,得到应急
5、其中,应急被装物资需求预测模型根据人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据和应急被装物资需求样本标签数据,并结合改进型随机森林算法训练得到。
6、根据本专利技术提供的一种应急状态下被装物资需求预测方法,人体样本数据包括以下任一项或其任意组合:性别、年龄、岗位、个体外廓数据;应急或战场环境样本数据包括以下任一项或其任意组合:应急或战场所在气候区、地理数据、气象数据;保障态势样本数据包括以下任一项或其任意组合:任务和计划数据、灾害和紧急事件数据;保障资源样本数据包括以下任一项或其任意组合:被装物资库存数据、运输和后勤资源。
7、根据本专利技术提供的一种应急状态下被装物资需求预测方法,个体外廓数据包括以下任一项或其任意组合:身高、体重、臂长、腿长、头围、颈围、胸围、腹围、臀围、脚趾围;应急或战场所在气候区包括以下任一项或其任意组合:极寒区、寒区、温区、热区,地理数据包括以下任一项或其任意组合:地形、地貌、地图、地理坐标,气象数据包括以下任一项或其任意组合:温度、湿度、风速、降水量;任务和计划数据包括以下任一项或其任意组合:任务部署、任务进度、任务目标,灾害和紧急事件数据包括以下任一项或其任意组合:火灾、水灾、地震、爆炸;被装物资库存数据包括以下任一项或其任意组合:库存量、库存位置、有效期、物资编目编码,运输和后勤资源包括以下任一项或其任意组合:车辆、运输机、运输船、人员。
8、根据本专利技术提供的一种应急状态下被装物资需求预测方法,所述应急被装物资需求预测模型根据人体样本数据、现场环境样本数据、保障态势样本数据、保障资源样本数据和被装应急物资需求样本标签数据,并结合改进型随机森林算法训练得到,包括:
9、采用特征选择法,对人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据进行特征选择,得到样本特征;
10、根据关键样本和应急被装物资需求样本标签数据,结合梯度提升决策树算法,训练得到若干棵决策树;
11、引入自适应学习率,优化若干棵决策树的贡献,得到梯度提升决策树模型;
12、根据关键样本和被装应急物资需求样本标签数据,采用支持向量机和/或神经网络训练得到辅助决策模型;
13、集成梯度提升决策树模型和辅助决策模型,得到应急被装物资需求预测模型。
14、根据本专利技术提供的一种应急状态下被装物资需求预测方法,所述采用特征选择法,对人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据进行特征选择,得到样本特征,包括:
15、对人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据进行预处理,预处理包括以下任一项或其任意组合:数据清洗处理、缺失值处理、异常值处理;
16、采用基于信息增益的特征选择法,对预处理后的人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据进行特征选择,得到样本特征。
17、根据本专利技术提供的一种应急状态下被装物资需求预测方法,所述应急被装物资需求预测模型根据人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据和应急物资需求样本标签数据,并结合改进型随机森林算法训练得到,还包括:
18、利用均方误差、平均绝对误差、r方值中的一个或其任意组合来评估梯度提升决策树模型和/或辅助决策模型的性能,以优化模型参数。
19、根据本专利技术提供的一种应急状态下被装物资需求预测方法,所述根据应急或战场及时数据,通过应急被装物资需求预测模型,得到应急被装物资需求预测结果,包括:
20、根据应急或战时数据,通过梯度提升决策树模型,得到第一应急被装物资需求预测结果;
21、根据应急或战时数据,通过辅助决策模型,得到第二应急被装物资需求预测结果;
22、结合第一应急被装物资需求预测结果和第二应急被装物资需求预测结果,得到最终的应急被装物资需求预测结果。
23、本专利技术还提供一种应急状态下被装物资需求预测系统,包括:
24、数据获取模块,用于:得到应急或战时数据,所述应急或战时数据包括以下任一项或其任意组合:人体数据、应急或战场环境数据、保障态势数据、保障资源数据;
25、预测模块,用于:根据应急或战时数据,通过应急被装物资需求预测模型,得到应急被装物资需求预测结果;
26、其中,应急被装物资需求预测模型根据人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据和应急被装物资需求样本标签数据,并结合改进型随机森林算法训练得到。
27、本专利技术还提供一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现上述任一种所述的应急状态下被装物资需求预测方法。
28、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种所述的应急状态下被装物资需求预测方法。
29、本专利技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述任一种所述的应急状态下被装物资需求预测方法。
30、本专利技术提供的一种应急状态下被装物资需求预测方法、系统本文档来自技高网...
【技术保护点】
1.一种应急状态下被装物资需求预测方法,其特征在于,包括:
2.根据权利要求1所述的应急状态下被装物资需求预测方法,其特征在于,人体样本数据包括以下任一项或其任意组合:性别、年龄、岗位、个体外廓数据;应急或战场环境样本数据包括以下任一项或其任意组合:应急或战场所在气候区、地理数据、气象数据;保障态势样本数据包括以下任一项或其任意组合:任务和计划数据、灾害和紧急事件数据;保障资源样本数据包括以下任一项或其任意组合:被装物资库存数据、物资编目编码、运输和后勤资源。
3.根据权利要求2所述的应急状态下被装物资需求预测方法,其特征在于,个体外廓数据包括以下任一项或其任意组合:身高、体重、臂长、腿长、头围、颈围、胸围、腹围、臀围、脚趾围;战场所在气候区包括以下任一项或其任意组合:极寒区、寒区、温区、热区,地理数据包括以下任一项或其任意组合:地形、地貌、地图、地理坐标,气象数据包括以下任一项或其任意组合:温度、湿度、风速、降水量;任务和计划数据包括以下任一项或其任意组合:任务部署、任务进度、任务目标,灾害和紧急事件数据包括以下任一项或其任意组合:火灾、水灾、地震、爆炸
4.根据权利要求3所述的应急状态下被装物资需求预测方法,其特征在于,所述应急被装物资需求预测模型根据人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据和应急被装物资需求样本标签数据,并结合改进型随机森林算法训练得到,包括:
5.根据权利要求4所述的应急状态下被装物资需求预测方法,其特征在于,所述采用基于特征选择法,对人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据进行特征选择,得到样本特征,包括:
6.根据权利要求4所述的应急状态下被装物资需求预测方法,其特征在于,所述应急被装物资需求预测模型根据人体样本数据、应急或战场环境样本数据、保障态势样本数据、保障资源样本数据和应急被装物资需求样本标签数据,并结合改进型随机森林算法训练得到,还包括:
7.根据权利要求6所述的应急状态下被装物资需求预测方法,其特征在于,所述根据战时数据,通过应急被装物资需求预测模型,得到应急被装物资需求预测结果,包括:
8.一种应急状态下被装物资需求预测系统,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的应急状态下被装物资需求预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的应急状态下被装物资需求预测方法。
...【技术特征摘要】
1.一种应急状态下被装物资需求预测方法,其特征在于,包括:
2.根据权利要求1所述的应急状态下被装物资需求预测方法,其特征在于,人体样本数据包括以下任一项或其任意组合:性别、年龄、岗位、个体外廓数据;应急或战场环境样本数据包括以下任一项或其任意组合:应急或战场所在气候区、地理数据、气象数据;保障态势样本数据包括以下任一项或其任意组合:任务和计划数据、灾害和紧急事件数据;保障资源样本数据包括以下任一项或其任意组合:被装物资库存数据、物资编目编码、运输和后勤资源。
3.根据权利要求2所述的应急状态下被装物资需求预测方法,其特征在于,个体外廓数据包括以下任一项或其任意组合:身高、体重、臂长、腿长、头围、颈围、胸围、腹围、臀围、脚趾围;战场所在气候区包括以下任一项或其任意组合:极寒区、寒区、温区、热区,地理数据包括以下任一项或其任意组合:地形、地貌、地图、地理坐标,气象数据包括以下任一项或其任意组合:温度、湿度、风速、降水量;任务和计划数据包括以下任一项或其任意组合:任务部署、任务进度、任务目标,灾害和紧急事件数据包括以下任一项或其任意组合:火灾、水灾、地震、爆炸;被装物资库存数据包括以下任一项或其任意组合:库存量、库存位置、有效期、物资编目编码,运输和后勤资源包括以下任一项或其任意组合:车辆、运输机、运输船、人员。
4.根据权利要求3所述的应急状态下被装物资需求预测方法,其特征在于,所述应急被装物资需求...
【专利技术属性】
技术研发人员:李淑清,宋雷,刘博,蔡万江,杨秾菡,马宇萌,郑梓璇,
申请(专利权)人:新兴际华北京材料技术研究院有限公司,
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。