[發明專利]一種基于多模型融合Stacked的害鳥密度分布預測方法

在審

• 申請號: 202110679220.1
• 申請日: 2021-06-18
• 公開（公告）號: CN113392826A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 饒紅霞;嚴偉楊;魯仁全;許明慧;黎江;段恒
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62
• 代理公司: 佛山市禾才知識產權代理有限公司 44379
• 代理人: 劉羽波

一種基于多模型融合Stacked的害鳥密度分布預測方法，包括步驟A：選取特征豐富區域；步驟B：基于選取的豐富區域作為樣本進行數據采集，對所采集的數據進行模型訓練前的特征處理，根據涉害鳥種的密度的不同范圍進行定級處理；步驟C：搭建并訓練首層Stacked模型；步驟D：搭建并訓練次層Stacked模型；步驟E：在首層Stacked模型和次層Stacked模型的學習訓練中，基于網格搜索法進行參數調優，選取含有最優參數的首層Stacked模型和次層Stacked模型；步驟F：結合并優化首層Stacked模型和次層Stacked模型以獲得預測模型，將步驟B中特征處理后的特征數據導入預測模型，獲取對應區域的涉害鳥種的密度等級分布數據。本發明采用多模型融合的思想，對害鳥的密度進行分布預測，適用范圍廣，預測精度高。

技術領域

本發明涉及智能預測技術領域，尤其涉及一種基于多模型融合Stacked的害鳥密度分布預測方法。

背景技術

近年來，隨著國家對環境保護的重視和相關保護動物的法律法規的不斷完善，我國自然環境在不斷地得到改善，同時鳥類的繁衍逐漸加快，其活動日漸頻繁，已經影響到輸電線路等地方的安全工作。

輸電線路的安全可靠運行是電網安全的重要保障，目前，線路運維人員對鳥類知識匱乏，難以對涉害鳥種及其危害程度進行甄別；對于傳統的專家系統和基于最大熵模型預測得到的害鳥密度分布數據，其精度相對不夠高，無法做到實時更新，實用性不高。

發明內容

本發明的目的在于針對背景技術中的缺陷，提出一種基于多模型融合Stacked的害鳥密度分布預測方法，采用多模型融合的思想，對害鳥的密度進行分布預測，適用范圍廣，預測精度高。

為達此目的，本發明采用以下技術方案：

一種基于多模型融合Stacked的害鳥密度分布預測方法，包括如下步驟：

步驟A：選取特征豐富區域；

步驟B：基于所選取的豐富區域作為樣本進行數據采集，對所采集的數據進行模型訓練前的特征處理，根據涉害鳥種的密度的不同范圍進行定級處理；

步驟C：搭建并訓練首層Stacked模型；

步驟D：搭建并訓練次層Stacked模型；

步驟E：在首層Stacked模型和次層Stacked模型的學習訓練中，基于網格搜索法進行參數調優，選取含有最優參數的首層Stacked模型和次層Stacked模型；

步驟F：結合并優化首層Stacked模型和次層Stacked模型以獲得預測模型，將步驟B中特征處理后的特征數據導入所述預測模型，獲取對應區域的涉害鳥種的密度等級分布數據。

優選的，所述步驟A包括獲取涉害鳥種的豐富度、分布及多樣性、覓食策略和繁殖行為的數據，并以此數據分析出影響涉害鳥種密度分布的季節和生態信息，并依次選取出特征豐富的區域。

優選的，所述步驟B包括基于神經網絡對樣本區域進行數據采集，采集的數據包括該區域的氣候類型、地形地貌、海拔高度、農作物分布情況、水域分布情況和居民區分布情況；

對上述數據進行預處理，所述預處理包括對清洗數據和規范化數據；

將預處理后的數據劃分為訓練集、驗證集和測試集后進行從特征處理，所述特征處理包括：

特征構建：從原始數據中構建新的特征，標記為原始特征；

特征提取：將原始特征轉換為具有物理意義和統計意義的特征集；

特征選擇：從特征集中選取最具有統計意義的特征子集，即與涉害鳥種密度分布的預測具有強相關性的特征子集；