[发明专利]一种基于多模型融合Stacked的害鸟密度分布预测方法

说明书

一种基于多模型融合Stacked的害鸟密度分布预测方法，包括步骤A：选取特征丰富区域；步骤B：基于选取的丰富区域作为样本进行数据采集，对所采集的数据进行模型训练前的特征处理，根据涉害鸟种的密度的不同范围进行定级处理；步骤C：搭建并训练首层Stacked模型；步骤D：搭建并训练次层Stacked模型；步骤E：在首层Stacked模型和次层Stacked模型的学习训练中，基于网格搜索法进行参数调优，选取含有最优参数的首层Stacked模型和次层Stacked模型；步骤F：结合并优化首层Stacked模型和次层Stacked模型以获得预测模型，将步骤B中特征处理后的特征数据导入预测模型，获取对应区域的涉害鸟种的密度等级分布数据。本发明采用多模型融合的思想，对害鸟的密度进行分布预测，适用范围广，预测精度高。

技术领域

本发明涉及智能预测技术领域，尤其涉及一种基于多模型融合Stacked的害鸟密度分布预测方法。

背景技术

近年来，随着国家对环境保护的重视和相关保护动物的法律法规的不断完善，我国自然环境在不断地得到改善，同时鸟类的繁衍逐渐加快，其活动日渐频繁，已经影响到输电线路等地方的安全工作。

输电线路的安全可靠运行是电网安全的重要保障，目前，线路运维人员对鸟类知识匮乏，难以对涉害鸟种及其危害程度进行甄别；对于传统的专家系统和基于最大熵模型预测得到的害鸟密度分布数据，其精度相对不够高，无法做到实时更新，实用性不高。

发明内容

本发明的目的在于针对背景技术中的缺陷，提出一种基于多模型融合Stacked的害鸟密度分布预测方法，采用多模型融合的思想，对害鸟的密度进行分布预测，适用范围广，预测精度高。

为达此目的，本发明采用以下技术方案：

一种基于多模型融合Stacked的害鸟密度分布预测方法，包括如下步骤：

步骤A：选取特征丰富区域；

步骤B：基于所选取的丰富区域作为样本进行数据采集，对所采集的数据进行模型训练前的特征处理，根据涉害鸟种的密度的不同范围进行定级处理；

步骤C：搭建并训练首层Stacked模型；

步骤D：搭建并训练次层Stacked模型；

步骤E：在首层Stacked模型和次层Stacked模型的学习训练中，基于网格搜索法进行参数调优，选取含有最优参数的首层Stacked模型和次层Stacked模型；

步骤F：结合并优化首层Stacked模型和次层Stacked模型以获得预测模型，将步骤B中特征处理后的特征数据导入所述预测模型，获取对应区域的涉害鸟种的密度等级分布数据。

优选的，所述步骤A包括获取涉害鸟种的丰富度、分布及多样性、觅食策略和繁殖行为的数据，并以此数据分析出影响涉害鸟种密度分布的季节和生态信息，并依次选取出特征丰富的区域。

优选的，所述步骤B包括基于神经网络对样本区域进行数据采集，采集的数据包括该区域的气候类型、地形地貌、海拔高度、农作物分布情况、水域分布情况和居民区分布情况；

对上述数据进行预处理，所述预处理包括对清洗数据和规范化数据；

将预处理后的数据划分为训练集、验证集和测试集后进行从特征处理，所述特征处理包括：

特征构建：从原始数据中构建新的特征，标记为原始特征；

特征提取：将原始特征转换为具有物理意义和统计意义的特征集；

特征选择：从特征集中选取最具有统计意义的特征子集，即与涉害鸟种密度分布的预测具有强相关性的特征子集；