[發明專利]一種城鎮燃氣埋地管道腐蝕風險的智能預測方法

在審

• 申請號: 201810706730.1
• 申請日: 2018-07-02
• 公開（公告）號: CN109034546A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 劉江濤;張濤;吳波;顧先凱;李夏喜;關鴻鵬;曹印鋒
• 申請（專利權）人: 北京市燃氣集團有限責任公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06K9/62
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 谷成

1.一種城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：所述預測方法包括如下步驟；

步驟1，選取已發生腐蝕泄露的燃氣埋地管道，獲取其腐蝕樣本數據集合；選取未發生腐蝕泄漏的燃氣埋地管道，獲取其健康樣本數據集合；

步驟2，將所述腐蝕樣本數據集合與所述健康樣本數據集合進行數據比較，以篩選出具有相同類別的有用腐蝕樣本數據和有用健康樣本數據，將所述有用腐蝕樣本數據和所述有用健康樣本數據共同作為訓練樣本；

步驟3，對所述訓練樣本進行數據預處理，利用數據預處理后的訓練樣本對隨機森林分類模型進行訓練；

步驟4，對訓練后的隨機森林分類模型進行驗證，如果驗證的準確率大于或等于預設值，則執行步驟5；如果驗證的準確率小于預設值，則再返回步驟3；

步驟5，將待被預測的燃氣埋地管道的基本數據輸入至訓練后的隨機森林分類模型中，以得到待被預測的燃氣埋地管道腐蝕風險的預測結果。

2.根據權利要求1所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：步驟3中，對所述訓練樣本進行數據預處理的過程包括如下步驟；

步驟3a，挑選出所述訓練樣本中存在缺失值的目標特征集合；

步驟3b，判斷所述目標特征集合所屬的數據類型：如果目標特征集合所屬的數據類型為數值型屬性，則執行步驟3c；如果目標特征集合所屬的數據類型為標稱型屬性，則執行步驟3d；

步驟3c，計算所述目標特征集合中所有值的平均值，然后將該平均值作為缺失值、補充至所述目標特征集合中，以完成缺失值預處理；

步驟3d，計算所述目標特征集合的眾數，然后將該眾數作為缺失值、補充至所述目標特征集合中，以完成缺失值預處理。

3.根據權利要求2所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：步驟3中，對所述訓練樣本進行數據預處理的過程包括如下步驟；

步驟3e，將所述訓練樣本中的目標特征集合的所有目標特征值由大到小或由小到大排序；

步驟3f，對排序后的所有目標特征值進行等寬分段，以完成離散化預處理。

4.根據權利要求3所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：步驟3中，通過如下方式對隨機森林分類模型進行訓練；

步驟3g，對數據預處理后的訓練樣本進行隨機有放回采樣，得到n個訓練集，每個訓練集由多個訓練樣例組成；

步驟3h，利用所述n個訓練集分別對隨機森林分類模型進行訓練，以得到n個決策樹模型；

步驟3i，對于任一個決策樹模型，選取gini指數最小的劃分點進行分裂，直至各個決策樹模型自身的訓練樣例都屬于同一類，從而生成n個決策樹；

步驟3j，將生成的n個決策樹組成隨機森林，并通過多棵樹分類器投票的方式將所述隨機森林調整為訓練后的隨機森林分類模型。

5.根據權利要求1-4中任一權利要求所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：

步驟4中，采用k-折交叉驗證方式對訓練后的隨機森林分類模型進行驗證。

6.根據權利要求5所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：步驟4中，采用如下方式進行k-折交叉驗證；

步驟4a，從訓練樣本中隨機選出k個具有相同樣本數量的樣本集；

步驟4b，將k個樣本集中的任一個樣本集作為測試集、將其余k-1個樣本集作為訓練集，以進行k輪試驗，共得到k個正確率；

步驟4c，將所述k個正確率的均值作為驗證的準確率；如果驗證的準確率小于預設值，則執行步驟5；否則返回步驟3。

7.根據權利要求6所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：

在步驟5前，還包括對所述待被預測的燃氣埋地管道的基本數據進行缺失值預處理和/或離散化預處理的步驟。

8.根據權利要求1或7所述的城鎮燃氣埋地管道腐蝕風險的智能預測方法，其特征在于：

步驟1中，從燃氣企業的事件記錄中獲取獲取腐蝕樣本數據集合，從燃氣GIS系統中隨機獲取健康樣本數據集合。