(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211043108.X (22)申请日 2022.08.29 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 杨懿　刘维　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06N 20/20(2019.01) (54)发明名称 一种基于集成学习的装备后续备件需求预 测方法 (57)摘要 本发明公开了一种基于集成学习的装备后 续备件需求预测方法， 属于机器学习领域技术领 域， 包括基于场景分析的理论和方法， 对装备的 使用和保障过程进行分析和数字化描述， 获取影 响备件需求的数字特征集合； 基于随机森林算法 对数字特征集合中特征的重要程度进行排序， 获 取最优数字特征集合； 确定多个备选预测模型， 基于GridSearchCV方法对各备选预测模型进行 超参调优， 获取调优后的备选预测模型； 基于调 优后的备选预测模型建立集成学习Stacking模 型， 并利用最优数字特征集合行训练和预测， 获 取装备后续备件需求数量的预测值。 本发明克服 了单一预测方法的片面和局限性， 为进一步提高 武器装备保障系统的高效性、 及时性和实用性提 供了技术支撑。 权利要求书2页 说明书9页 附图3页 CN 115438849 A 2022.12.06 CN 115438849 A 1.一种基于集成学习的装备后续备件需求预测方法， 其特征在于， 所述方法包括以下 步骤： S1、 基于场景分析的理论和方法， 对装备的使用和保障过程进行分析和数字化描述， 获 取影响备件需求的数字特 征集合； S2、 基于随机森林算法对数字特征集合中特征的重要程度进行排序， 并根据特征重要 程度进行 特征选择， 获取最优数字特 征集合； S3、 确定多个备选预测模型， 基于GridSearchCV方法对各备选预测模型进行超参调优， 获取调优后的备选预测模型； S4、 基于调优后的备选预测模型建立集成学习Stacking模型， 并利用最优数字特征集 合对Stack ing模型进行训练和预测， 获取装备后续备件需求数量的预测值。 2.根据权利要求1所述的基于集成学习的装备后 续备件需求预测方法， 其特征在于， 还 包括对Stacking模型进行改进， 利用改进的Stacking模型进行备件需求数量预测， 具体包 括： 将原始 最优数字特征集合的特征矩阵与Stacking模 型基学习器的输出预测值相结合生 成新的高维特征矩阵， 并将新的高维特征矩阵作为St acking模型元学习器的输入， 从而实 现对装备后续备件需求数量的预测。 3.根据权利要求1所述的基于集成学习的装备后 续备件需求预测方法， 其特征在于， 所 述步骤S1中， 基于场景分析 的理论和方法， 对装备的使用和保障过程进行分析和数字化描 述， 获取影响备件需求的数字特 征集合， 具体包括： 分析装备的使用场景和维修保障流 程， 获取装备的使用场景信息和维修信息； 分析装备周期任务 量和装备 备件自身消耗 规律， 获取装备 备件消耗和补充数量信息； 综合分析装备的使用场景信息、 维修信息及装备备件消耗和补充数量信息， 获取影响 备件需求的数字特 征集合。 4.根据权利要求1所述的基于集成学习的装备后 续备件需求预测方法， 其特征在于， 所 述步骤S2中具体包括以下步骤： S21： 建立随机森林模型， 计算数字特征集合中所有特征的重要程度， 并按照重要程度 对特征进行降序排序； S22： 确定删除比例， 从当前数字特征集合中剔除相应删除比例的排序靠后的特征， 形 成新的特 征集。 S23： 基于新的特征集建立新的随机森林， 重新计算新的特征集中每个特征的重要度并 进行降序排列。 S24： 重复执行步骤S22 ‑S23， 直到特征集 中的特征数目达到预设值m， 则m个特征组成的 特征集即为 最优数字特 征集合。 5.根据权利要求4所述的基于集成学习的装备后 续备件需求预测方法， 其特征在于， 步 骤S21中计算数字特 征集合中特征的重要程度采用以下步骤： S211： 建立由Ntree棵决策树组成的随机森林， 对于随机森林中的每一颗决策树， 利用 每一颗决策树的袋外数据对 决策树的性能进行评估， 计算该决策树的袋外数据预测 误差， 记为errOOB1； S212： 随机地对袋外数据OOB中所有样本的某一特征X加入噪声干扰， 再次计算该决策 树的袋外数据误差， 记为er rOOB2；权　利　要　求　书 1/2 页 2 CN 115438849 A 2S213： 通过公式∑(er rOOB2‑errOOB1)/Ntree， 计算特 征X的重要程度计算 值。 6.根据权利要求1所述的基于集成学习的装备后 续备件需求预测方法， 其特征在于， 步 骤S3中基于GridSearchCV方法对各备选预测模 型进行超参调优， 获取调优后的备选预测模 型具体包括： S31： 针对随机森林的n_estimators和max_features参数进行超参调优， 分别根据n_ estimators和max_features参数个数n1、 n2建立数据表格， n_estimators表示随机森林中 决策树的数量， max_features表示每个 决策树随机选择的特征数量， 则超参数的组合方式 数量N为n1*n2； S32： 确定交叉验证的折数cv， 对数据表格中每一种超参数的组合方式进行交叉验证， 获取验证分数最高的超参数组合方式； S33： 利用验证分数最高的超参数组合方式， 在全部训练集上重新训练一个新模型， 所 述新模型即为调优后的备选预测模型。 7.根据权利要求1所述的基于集成学习的装备后 续备件需求预测方法， 其特征在于， 步 骤S4具体包括： S41： 基于步骤S3得到的调优后的备选预测模型作为Stack ing模型的备选基模型； S42： 基于步骤S2得到的最优数字特征集合， 作为每个备选基模型的输入， 备件历史需 求数量数据作为备选基模型的标签值， 训练备选基模型并测试备选基模型的泛化能力和预 测性能， 选择表现最优的备选基模型作为Stack ing模型的最终基模型； S43： 利用S42中获取的最终基模型进行装备后续备件需求数量的预测， 并计算得到最 终基模型的均方误差 MSE、 平均绝对误差 MAE以及回归预测模型的分数R2_score； S44： 利用Scikit ‑learn库调用简单线性回归模型作为元模型， 调用Sklearn库中的 StackingRegressor函数， 将最终基模型的输出结果输入StackingRegressor函数， 获取装 备后续备件需求数量。权　利　要　求　书 2/2 页 3 CN 115438849 A 3