[發(fā)明專利]一種基于改進隨機森林的船舶主機備件預測方法

在審

• 申請?zhí)枺?/td>: 202210031090.5
• 申請日: 2022-01-12
• 公開（公告）號: CN114386697A
• 公開（公告）日: 2022-04-22
• 發(fā)明（設計）人: 孟冠軍;楊思平;錢曉飛;曹先懷;鄭文劍
• 申請（專利權）人: 合肥工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00;G06K9/62
• 代理公司: 合肥中悟知識產權代理事務所(普通合伙) 34191
• 代理人: 張婉

本發(fā)明公開了一種基于改進隨機森林的船舶主機備件預測方法，首先采集船舶主機備件原始的歷史數(shù)據(jù)，按照一定的比例劃分為訓練集和測試集，再運用全局粒子群算法對通過集成學習形成的隨機森林模型中的參數(shù)進行第一次調優(yōu)，獲得局部最優(yōu)參數(shù)值；然后在局部最優(yōu)參數(shù)值附近重新選定合適區(qū)間進行小步長的網格搜索算法，對隨機森林參數(shù)進行第二次精細尋優(yōu)，并且不斷緩慢擴大區(qū)間，逐步跳出局部最優(yōu)情況，獲取最優(yōu)參數(shù)；使用改進后的隨機森林模型對船舶主機備件的歷史數(shù)據(jù)進行訓練，得到預測模型，并利用測試集進行回歸預測，以獲得最佳的預測效果。本發(fā)明方法可以有效為船舶公司中長期主機備件需求的預測提供新途徑，從而優(yōu)化公司內部庫存管理。

技術領域

本發(fā)明屬于船舶主機備件預測技術領域，具體涉及一種基于改進隨機森林的船舶主機備件預測方法。

背景技術

近年來，船舶行業(yè)逐漸朝著一個新的態(tài)勢往前發(fā)展，中國船舶制造業(yè)在市場中所占的比重也明顯提升。由此，便涉及到船舶相關的裝備備件規(guī)劃問題，船舶備件需求規(guī)劃策略的優(yōu)劣將會對裝備備件維修保障費用和戰(zhàn)備完好性產生顯著影響。

在船舶行業(yè)中，船舶主機備件是為保障船舶裝備日常使用和維修而備用的各種重要零部件。備件的需求和預測是進行備件籌措、供應、儲運等各項管理工作的基礎。合理的備件規(guī)劃可以優(yōu)化庫存、降低備件管理的難度，從而進一步降低成本，因此科學合理的裝備備件規(guī)劃技術是非常重要的。

對于船舶主機備件而言，備件需求呈現(xiàn)出數(shù)據(jù)量小、規(guī)律性不強、需求間隔期不確定等特點，而備件的消耗又會受到船舶航行環(huán)境、設備維護、設備故障等多種因素影響，因此很難進行科學性的預測。現(xiàn)在流行的一些備件需求預測的方法主要有指數(shù)平滑法、灰色預測法等，上述的預測方法都有其優(yōu)劣，但在進行船舶主機備件預測時預測效果都不大明顯。

隨機森林(Random Forest)的原理是從原始的訓練數(shù)據(jù)集中采用bootstrap自助采樣的方式選擇K個數(shù)據(jù)集，重復m次得到m個決策樹。再將這m個不同的決策樹通過bagging集成學習，實現(xiàn)多個弱學習器轉換成一個強學習器，避免了部分隨機誤差，能夠產生較好的預測效果。傳統(tǒng)的隨機森林算法預測結果受自身參數(shù)：子樹的數(shù)量(n_estimators)、最小樣本葉片數(shù)量(min_sample_leaf)影響較大。合適的參數(shù)設置會產生最佳的預測效果，從而使得預測誤差降到最低。針對此類參數(shù)優(yōu)化的問題，已經提出不少優(yōu)化算法，包括網格搜索法(Grid Research，GS)、粒子群算法((Particle Swarm Optimization,PSO)、遺傳算法(Genetic Algorithm，GA)等。但網格搜索算法消耗時間過長、搜索速度慢；粒子群算法容易陷入局部最優(yōu)。這些算法在一定程度上都提升了隨機森林的預測性能，但仍然存在一些不足。本文提出了一種基于改進的隨機森林船舶主機備件預測方法，將基于粒子群算法優(yōu)化改進后的網格搜索算法應用到隨機森林的參數(shù)調優(yōu)，進而更為精準地預測出船舶主機維修更換備件的需求量。

發(fā)明內容

為更好地實現(xiàn)船舶主機備件需求預測規(guī)劃，本發(fā)明提供了一種基于改進的隨機森林船舶主機備件預測方法。

一種基于改進隨機森林的船舶主機備件預測方法，具體步驟如下：

步驟1：采集近T年內船舶主機備件的維修更換數(shù)據(jù)，按照一定的比例生成訓練集N_train和測試集N_test；

步驟2：通過訓練集數(shù)據(jù)N_train采用bootstrap自助采樣法方法構建隨機森林船舶主機備件預測模型；運用粒子群算法對隨機森林的參數(shù)進行優(yōu)化，粒子個體代表隨機森林中的兩個參數(shù)：子樹的數(shù)量(n_estimators)、最小樣本葉片數(shù)量(min_sample_leaf)；把初始的隨機森林預測誤差作為個體粒子的適應度函數(shù)；通過粒子種群中粒子的位置和速度的不斷迭代更新，動態(tài)地搜索到粒子群中的局部最優(yōu)值，即隨機森林的局部最優(yōu)參數(shù)值；