[發(fā)明專利]考慮部分數(shù)據(jù)模糊和缺失的應急物資需求預測的方法

有效

• 申請?zhí)枺?/td>: 201811181487.2
• 申請日: 2018-10-11
• 公開（公告）號: CN109472346B
• 公開（公告）日: 2020-08-07
• 發(fā)明（設計）人: 張明;仇志峰;吳翰林;張一帆;李伯權;孔祥魯;黃倩文;劉思涵
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/12;G06Q10/04;G06Q50/26
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 向妮

1.考慮部分數(shù)據(jù)模糊和缺失的應急物資需求預測模型構建方法，其特征在于，包括以下步驟：

S1、對于模糊的區(qū)間信息，計算模糊區(qū)間灰數(shù)的核，并將所得的核代替原有的模糊的區(qū)間信息；

S2、對于缺失的數(shù)據(jù)項信息，在結合灰色關聯(lián)度和K近鄰填補算法的基礎上，于填補環(huán)節(jié)引入權重，并在填補后加入邏輯檢驗條件；

S3、將S1和S2預處理后的信息輸入經(jīng)過改進的遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡模型進行訓練，得到訓練好的應急物資需求預測模型；

S4、對S3得到的應急物資需求預測模型進行測試，根據(jù)測試結果不斷調整模型參數(shù)，以得到目標應急物資需求預測模型；

所述步驟S2具體包括：

隨機初始化K值，對選取的K個候選樣本進行關聯(lián)度排序；

為各候選樣本設定權重，所述權重為對應候選樣本與目標樣本灰色關聯(lián)度的值占所有候選樣本與目標樣本灰色關聯(lián)度的和的百分比；

對每一個填補的缺失信息的填補結果進行檢驗，檢驗的條件根據(jù)所研究的內(nèi)容進行設置；

初始化K值，K在內(nèi)隨機取值，n為樣本規(guī)模，確定K值后繼續(xù)填補；

一旦填補結果不符合所設置的條件，則返回K值確定階段，在范圍內(nèi)重新選取K值，取值方法為K＝K-1；

確定K值后繼續(xù)填補，若填補結果仍不符合條件，則返回K值選取階段重新取值；

當K＝1時，則重新令

通過變異概率和交叉概率的自適應公式對模型參數(shù)不斷調整，使得輸出結果滿足設置的訓練精度要求；

所述步驟S3具體包括：

S31、輸入樣本，對BP神經(jīng)網(wǎng)絡進行訓練，包括：設定網(wǎng)絡訓練的迭代次數(shù)、訓練精度和學習速率，訓練完畢后得到網(wǎng)絡初始結構，然后對初始的權值和閾值進行編碼，讓其隨機生成初始種群；

S32、遺傳算法參數(shù)初始化：包括初始化遺傳算法最大進化次數(shù)、種群規(guī)模、交叉概率和變異概率，將收集到的訓練樣本輸入，計算網(wǎng)絡預測結果的誤差，誤差平方和的倒數(shù)作為個體適應度；

S33、當個體適應度較小時，適當增大交叉概率P_c和變異概率P_m，以增加種群多樣性；當個體適應度較大時，適當減小交叉概率P_c和變異概率P_m，以增強尋優(yōu)收斂速度；

S34、重復S34，讓神經(jīng)網(wǎng)絡的權值和閾值不斷地進化，直到網(wǎng)絡預測結果的誤差達到訓練目標或自適應遺傳算法進化迭代次數(shù)達到最大值時遺傳算法結束，輸出最優(yōu)的初始權值和閾值；

S35、將得到的最優(yōu)的初始權值和閾值賦給BP神經(jīng)網(wǎng)絡進行仿真預測；

其中：所述自適應遺傳算法的交叉概率P_c和變異概率P_m分別表示如下：

式中：f_max表示種群中最大適應度的值；f_avg表示每一代種群平均適應度的值；f_min表示種群中最小適應度的值；f₁表示要交叉的兩個個體中適應度較大的值；f₂表示要變異個體的適應度的值；P表示取(0,1)之間的值。

2.如權利要求1所述的方法，其特征在于，所述步驟S1包括：

S11、根據(jù)獲取的灰值分布信息構造區(qū)間灰數(shù)的白化權函數(shù)，所述白化權函數(shù)表示區(qū)間灰數(shù)對于其區(qū)間范圍內(nèi)取不同的值所體現(xiàn)的傾向程度；

S12、利用白化權函數(shù)求區(qū)間灰數(shù)的核，即求得最能體現(xiàn)其傾向程度的數(shù)值；

S13、用求得的區(qū)間灰數(shù)的核來近似代表該區(qū)間灰數(shù)。