[發(fā)明專利]一種基于優(yōu)化C5.0和Apriori的民航NOSHOW預測及強因子分析方法

有效

• 申請?zhí)枺?/td>: 201810161720.4
• 申請日: 2018-02-26
• 公開（公告）號: CN108304974B
• 公開（公告）日: 2022-02-08
• 發(fā)明（設計）人: 林彤;曹衛(wèi)東;許代代;曾進進
• 申請（專利權）人: 中國民航信息網(wǎng)絡股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30
• 代理公司: 北京集佳知識產(chǎn)權代理有限公司 11227
• 代理人: 王學強

1.一種基于優(yōu)化C5.0和Apriori的民航NOSHOW預測及強因子分析方法，其特征在于：所述方法包括按順序進行的下列步驟：

步驟一、收集民航旅客信息服務系統(tǒng)產(chǎn)生的離港數(shù)據(jù)，從中選取與NOSHOW相關的N項指標的數(shù)據(jù)作為屬性因子集合，然后將其中的部分數(shù)據(jù)進行預處理，之后將上述由N項指標的數(shù)據(jù)組成的數(shù)據(jù)樣本集合分成訓練樣本集合和測試樣本集合；

步驟二、利用上述訓練樣本集合，采用優(yōu)化C5.0決策樹算法構造NOSHOW預測模型，用測試樣本集合對NOSHOW預測模型進行驗證分析，同時生成與NOSHOW相關的屬性因子的量化結果；

步驟三、從上述量化結果中提取與NOSHOW相關的強因子，采用Apriori算法對提取出來的強因子進行關聯(lián)規(guī)則挖掘；

在步驟二中，所述的利用上述訓練樣本集合，采用優(yōu)化C5.0決策樹算法構造NOSHOW預測模型，用測試樣本集合對NOSHOW預測模型進行驗證分析，同時生成與NOSHOW相關的屬性因子的量化結果的方法是：

設訓練樣本＝S,A,C,其中S是訓練樣本集合，A是與NOSHOW相關的屬性因子，即輸入變量，C為是否IS_NOSHOW類別集合，即輸出變量；設訓練樣本集合S中有m個相互不同的類Ci,i＝1,2,...m；n_i是S中屬于類別C_i的樣本數(shù)，屬性A有V個取值：{a₁,a₂,...a_v}，將訓練樣本集合S分成子集{S₁,S₂,...S_v}，n_ij是子集S_j中類別C_i的樣本數(shù)；

(1)定義訓練樣本集合S的信息熵，并將其記為Info(S)，計算公式如下：

其中p_i為任意抽取樣本屬于類別C_i的概率

(2)計算屬性因子A的條件熵，并將其為Info(S/A)，公式如下：

其中p_ij為子集S_j屬于類別C_i的概率，

(3)根據(jù)上述訓練樣本集合S的信息熵和屬性因子A的條件熵計算屬性因子A的信息增益，并將其記為Gain(A)，公式如下：

Gain(A)＝Info(S)-Info(S/A)；

(4)計算屬性因子A的分裂信息熵，并將其記為SplitInfo(A)，公式如下：

(5)根據(jù)屬性因子A的信息增益和屬性因子A的分裂信息熵計算屬性因子A的信息增益率，并將其記為GainRs(A)，公式如下：

(6)待按照步驟(2)至步驟(5)計算出所有屬性因子A的信息增益率后，以具有最大信息增益率的屬性因子A作為最佳分組變量Vbest，按照最佳分組變量Vbest的k個取值而將訓練樣本集合S重新分成k組，生成決策樹的k個分支；

(7)重復步驟(1)至步驟(6)，直至各分支繼續(xù)分組不再有意義為止；由此構造出初始NOSHOW預測模型；

(8)定義將屬于類別Cj的樣本誤判為類別Ci的誤判成本值，并將其記為Cost(i,j)，若i＝j，則Cost(i,j)＝0；否則Cost(i,j)0；

(9)定義將屬于類別Ci的樣本誤判為其他類別樣本的誤判成本值，并將其記為C(i)，計算公式如下：

(10)定義樣本屬于類別C_i的權重值，并將其記為w(i)，計算公式如下：

(11)定義屬于類別C_i的帶權重值的樣本數(shù)，并將其記為W_i，計算公式如下：

W_i＝w(i)n_i；

(12)定義子集S_j中屬于類別C_i的帶權重值的樣本數(shù)，并將其記為W_ij，計算公式如下：

W_ij＝w(i)n_ij；

為了區(qū)別對待不同誤判的錯誤分類，對不同誤判設定誤判成本值，在計算屬性因子的信息增益時將誤判情況考慮進去，即在計算信息熵和條件熵時，用W_i代替n_i，W_ij代替n_ij，即將概率p_i、p_ij更新為：

(13)從葉節(jié)點逐層向上，以最小子樹為基本單位，計算其葉節(jié)點的錯誤率并計算根節(jié)點的錯誤率，若前者大于后者，則剪去該子樹的分支，直至無需剪枝為止；

(14)用測試樣本集合對上述NOSHOW預測模型進行驗證分析，同時生成與NOSHOW相關的屬性因子的量化結果。