【技术实现步骤摘要】
本专利技术涉及航运事故风险分析领域，具体涉及一种基于启发式的两阶段选择性集成的航运事故风险预测方法。
技术介绍
1、随着经济全球化的快速发展，海上交通运输的规模不断扩大，航运事故的风险也相应增加。同时，海上运输受到多种复杂且不确定风险因素的影响，如恶劣的天气条件，自然灾害等不可抗力的因素等，这些因素极易导致航运事故的发生，给经济、人员安全和海洋环境带来严重损失。因此，亟需研究准确、高效的航运事故风险预测方法，为完善航运事故预警机制，提高航运安全提供辅助支持。
2、机器学习技术因为其自适应性、多特征综合分析的优势以及处理非线性关系的能力，广泛应用于风险预测领域。由于航运数据复杂高维、规模庞大、时效性强，所涉及的风险因素具有动态不确定性的特点，导致单一的机器学习方法的分类预测性能不稳定，预测精度不足，所以在单一的机器学习方法基础上，提出通过结合多个基分类器来实现最终航运事故风险决策的集成学习方法。虽然与单分类器相比，集成学习具有更稳定的分类预测能力，但随着集成学习中基分类器和数据规模的增加，需要较多的计算开销，从而影响整个航运事故风险预测过程的计算效率。
技术实现思路
1、本专利技术是为了克服现有技术存在的不足之处，提出了一种基于启发式的两阶段选择性集成的航运事故风险预测方法，以期能有效利用复杂高维的航运数据，适应快速变化的新数据，从而提高航运事故风险集成预测的准确性和预测效率，为航运从业者风险决策提供支持。
2、本专利技术为达到上述专利技术目的，采用如下技术方
3、本专利技术一种基于启发式的两阶段选择性集成的航运事故风险预测方法的特点在于，是按照如下步骤进行：
4、步骤1、获取航运事故数据集并划分为训练集g1和验证集g2；
5、利用bootstrap方法对训练集g1重复采样n次，得到n个采样数据集，并分别用于训练n个elm分类器，从而得到n个航运事故风险预测基模型，并构成原始基分类池；
6、步骤2、基于k-means++算法对原始基分类池进行预选择，获得n'个差异性较大的航运事故风险预测基模型；
7、步骤3、利用改进的哈里斯鹰优化算法对n'个航运事故风险预测基模型进行二次选择，直至找到最优基模型组合，并用于航运事故风险的预测：
8、步骤3.1、定义当前迭代次数为t，并初始化t＝1，定义最大迭代次数为t，种群规模为pop；在搜索空间内随机初始化第t代哈里斯鹰种群的位置集合表示第t代第o个哈里斯鹰的位置，代表从n'个航运事故风险预测基模型中选择不同的航运事故风险预测基模型构成模型组合方案；且lb和ub分别表示搜索空间的下界和上界；
9、步骤3.2、在n'个航运事故风险预测基模型中引入混沌初始化机制，从而对第t代哈里斯鹰种群的位置集合进行更新，得到更新后的位置集合；
10、步骤3.3、从更新后的位置集合中选取适应度值最优的哈里斯鹰的位置作为全局最优个体的位置xbest；
11、步骤3.4、根据式(4)计算第t代猎物的逃逸能量et：
12、
13、式(4)中，e0表示猎物的初始逃逸能量；
14、步骤3.5、以改进的位置更新策略再次更新所述更新后的位置集合，并得到第t+1代哈里斯鹰种群后，从中选取适应度值最优的哈里斯鹰的位置作为全局最优个体的位置xbest；
15、步骤3.6、利用反向折射学习机制在搜索空间内搜索第t+1代哈里斯鹰种群的反向个体，得到第t+1代哈里斯鹰种群更新后的位置集合，并从中选取适应度值最优的哈里斯鹰的位置作为最优个体的位置xbest；
16、步骤3.7、判断t＝t是否成立，若成立，则将全局最优适应度值对应的哈里斯鹰个体作为航运事故风险预测基模型组合的选择方案，并用于构建航运事故风险集成预测模型，否则，将t+1赋值给t后，返回步骤3.4顺序执行；
17、步骤4、运用多数投票法对上述步骤得到的最优航运事故风险预测基模型组合方案进行集成，从而构建航运事故风险集成预测模型，用于对输入的高维、复杂、时效性强的航运数据进行航运事故风险预测。
18、本专利技术所述的基于启发式的两阶段选择性集成的航运事故风险预测方法的特点也在于，所述步骤2包括：
19、步骤2.1、所述验证集g2分别输入n个航运事故风险预测基模型中进行处理，得到n个航运事故风险预测值，并计算n个航运事故风险预测基模型的预测精度；
20、定义变量z，并初始化z＝1；
21、随机选择一个航运事故风险预测值作为第z个聚类中心cz，并构成聚类中心集合c＝{cz}；定义c中聚类中心的个数为α，并初始化α＝1；
22、步骤2.2、计算剩余n-α个航运事故风险预测值分别与第z个聚类中心cz之间的欧式距离，并构成第z个距离集合dz＝{dz,1,dz,2,...,dz,i,...,dz,n-α}，其中，dz,i表示第i个航运事故风险预测值与第z个聚类中心cz之间的欧式距离；
23、步骤2.3、计算第i个累加距离其中，dz,i′表示第i'个航运事故风险预测值与第z个聚类中心cz的欧式距离；从而得到第z个累加距离集合dz,s＝{vz,1,vz,2,...,vz,i,vz,n-α}；
24、步骤2.4、从dz,s中随机选择一个累加距离vz后，依次减去集合dz中的各元素，并判断vz-dz,i≤0是否成立，若成立，则将dz,i对应的航运风险预测值加入集合c中；否则，直接执行步骤2.5；
25、步骤2.5、计算第i个航运事故风险预测值到c中各个聚类中心的最小欧氏距离di,min，从而得到最小欧氏距离集合dmin＝{d1,min,d2,min,...,di,min,...,dn-α,min}；
26、步骤2.6、计算最小欧式距离集合dmin中第i个最小欧式距离di,min被选择的概率从而根据每个最小欧式距离被选择的概率，运用轮盘赌算法从dmin中确定最终选中的最小欧式距离dlast,min，从而将dlast,min对应的航运事故风险预测值加入集合c；否则，直接执行步骤2.7；
27、步骤2.7、判断集合c中的聚类中心个数是否达到k个，若达到，则执行步骤2.8，否则，将z+1赋值给z后，返回执行步骤2.2；
28、步骤2.8、计算剩余n-k个航运事故风险预测值分别与k个聚类中心之间的欧氏距离，从而根据欧氏距离，将n-k个航运事故风险预测值分配到距离最近的聚类中心所属的簇中；
29、步骤2.9、从每个簇中挑取预测精度高的前w个航运事故风险预测值所对应的基模型作为具有较大差异性的n'个航运事故风险预测基模型。
30、所述步骤3.2包括：
31、步骤3.2.1、利用式(1)对第t代第o个哈里斯鹰的位置进行更新，得到更新后的位置
32、
33、式(1)中，δ为混沌因子，mod表示取余；
34、步骤3.2.2、本文档来自技高网...
【技术保护点】
1.一种基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，是按照如下步骤进行：
2.根据权利要求1所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤2包括：
3.根据权利要求2所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤3.2包括：
4.根据权利要求3所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤3.3包括：
5.根据权利要求4所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤3.5包括：
6.根据权利要求5所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤3.6包括：
7.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-6中任一所述航运事故风险预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述
...【技术特征摘要】
1.一种基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，是按照如下步骤进行：
2.根据权利要求1所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤2包括：
3.根据权利要求2所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤3.2包括：
4.根据权利要求3所述的基于启发式的两阶段选择性集成的航运事故风险预测方法，其特征在于，所述步骤3.3包括：
5.根据权利要求4所述的基于启发式的两阶段选择性集成的航运事故风险预测...
【专利技术属性】
技术研发人员：夏平凡，朱旭辉，马国灿，程爽，彭张林，彭承亮，
申请(专利权)人：安徽大学，
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。