[发明专利]基于多算法模型融合的故障接报量预测方法

说明书

本申请实施例提出了基于多算法模型融合的故障接报量预测方法，包括获取故障接报量数据，对接报量数据进行基于特征提取后输入至组合模型中；对组合模型中的各个模型进行训练，基于训练结果调整对应每个模型输出结果的权重值；基于调整后的权重值得到组合模型输出的接报量预测值。通过采取包括基于深度学习技术的循环神经网络LSTM、基于梯度提升树的XGBoost算法和LightGBM算法以及传统的时间序列算法SARIMA算法在内的多模型融合的算法设计，并且采取加权的方式得到最终预测结果，能够提成预测的准确性。

技术领域

本发明属于数据预测领域，尤其涉及基于多算法模型融合的故障接报量预测方法。

背景技术

由于抢修时长更容易受到各种人为和客观因素的影响，相比于故障接报量，抢修时长更难预测。影响故障抢修时长的因素众多，包括环境因素(温度等天气状况)、抢修人因素(抢修队、抢修人等)、发生时间、故障所在位置、故障类型等。为了对抢修时长进行更加精确的预测，有必要对影响故障抢修时长的因素进行分析。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了基于多算法模型融合的故障接报量预测方法，通过构建多个模型组成的组合模型进行接报量预测，能够得到更为精准的预测结果，以便于根据预测结果进行事先准备，降低出错概率。

具体的，本申请实施例提出的基于多算法模型融合的故障接报量预测方法，包括：

获取故障接报量数据，对接报量数据进行基于特征提取后输入至组合模型中；

对组合模型中的各个模型进行训练，基于训练结果调整对应每个模型输出结果的权重值；

基于调整后的权重值得到组合模型输出的接报量预测值。

可选的，所述获取故障接报量数据，对接报量数据进行基于特征提取后输入至组合模型中，包括：

确定输入特征；

基于已确定的输入特征对故障接报量数据进行特征提取。

可选的，所述确定输入特征包括：

对初始特征进行处理，获取组合特征；

计算跨天的长时特征，

将已知特征进行组合得到最终的输入特征。

可选的，所述对组合模型中的各个模型进行训练，基于训练结果调整对应每个模型输出结果的权重值，包括：

利用季节性ARIMA模型SARIMA作为时间序列预测模型；

通过参数搜索的方法得到LightGBM的主要参数；

通过参数搜索方法的得到的XGBoost的主要参数；

通过参数搜索方法的得到的LSTM的主要参数；

分别训练完三种算法后，需要将三种算法输出结果根据权重进行融合。

可选的，所述故障接报量预测方法，还包括：

构建平均绝对误差MAE作为组合模型的性能评价指标，

其中y_i表示第i个组合模型输出的实际值，f_i表示对应第i个实际值的预测值，n、i的取值范围为正整数。

本发明提供的技术方案带来的有益效果是：

通过采取包括基于深度学习技术的循环神经网络LSTM、基于梯度提升树的XGBoost算法和LightGBM算法以及传统的时间序列算法SARIMA算法在内的多模型融合的算法设计，并且采取加权的方式得到最终预测结果，能够提成预测的准确性。