申请/专利权人：安徽大学;合肥工业大学

申请日：2024-01-25

公开（公告）日：2024-04-26

公开（公告）号：CN117934249A

主分类号：G06Q50/40

分类号：G06Q50/40;G06F18/214;G06F18/23213;G06F18/241;G06N3/006

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开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，包括：1、获取航运事故数据集，并划分为训练集G1和验证集G2，从而构造原始基分类池；2、用K‑means++算法对ELM分类器进行预选择，获得n’个具有较大差异性的航运事故风险预测基模型；3、改进哈里斯鹰优化算法并进行二次选择，得到综合性能较优的m’个航运事故风险预测基模型的组合方案；4、进行航运事故风险集成预测。本发明引入混沌初始化策略、反向折射学习机制改进标准哈里斯鹰优化算法，提高航运事故风险预测准确性和预测效率，为航运从业者风险决策提供支持。

主权项：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：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；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；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；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：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；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；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；步骤3.4、根据式4计算第t代猎物的逃逸能量Et： 式4中，E0表示猎物的初始逃逸能量；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；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；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，并用于构建最优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；步骤4、运用多数投票法对最优航运事故风险预测基模型的组合方案进行集成，从而构建航运事故风险集成预测模型，用于对输入的航运数据进行航运事故风险预测。

全文数据：

权利要求：

百度查询： 安徽大学;合肥工业大学 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD