[发明专利]一种贫困发生率模型的训练方法及装置

权利要求书

1.一种贫困发生率模型的训练方法，其特征在于，包括：

获取构建完成的贫困发生率预测模型；

获取与贫困发生率相关的多项第一预设数据；

在所述第一预设数据中随机选取第一预设比例的数据为训练集，并随机选取第二预设比例的数据为测试集；

通过所述训练集对所述贫困发生率预测模型的权重参数进行调整；

根据所述测试集对调整权重参数之后的贫困率预测模型的整体误差进行验证；

在所述贫困预测模型的整体误差小于第一预设误差阈值的情况下，确定所述预测模型训练完成。

2.如权利要求1所述的方法，其特征在于，还包括：

获取目标区域与贫困发生率相关的多项第二预设数据；

将所述第二预设数据输入至预训练后的贫困发生率预测模型中；

获取所述贫困发生率预测模型的输出端输出的贫困发生率；

根据所述输出端输出的贫困发生率判断所述目标区域是否为贫困区域。

3.如权利要求1所述的方法，其特征在于，所述获取与贫困发生率相关的多项第一预设数据，包括：

获取同一区域内的以下至少一种与贫困发生率相关的原始数据：

坡度数据、年均温数据、植被覆盖指数、灾害发生频率、是否处于生态保护区、年均降雨量、土地资源占有量、距离主干道的距离以及历史贫困发生率；

对所述原始数据进行预处理，以得到与贫困发生率相关的多项第一预设数据。

4.如权利要求3所述的方法，其特征在于，所述对所述原始数据进行预处理，包括：

获取各个原始数据的类型；

根据所述原始数据的类型生成所述原始数据对应的栅格数据。

5.如权利要求1所述的方法，其特征在于，所述通过所述训练集对所述贫困发生率预测模型的权重参数进行调整，包括：

设置所述贫困发生率预测模型的初始权重；

通过所述训练集进行神经网络的正向迭代，以生成一组输出数据集；

计算所述输出数据集的整体误差；

根据所述整体误差对每个初始权重求偏导以确定每类权重对整体误差的影响；

根据每类权重对整体误差的影响对所述初始权重进行调整。

6.如权利要求1所述的方法，其特征在于，所述贫困发生率预测模型基于以下方式构建：

构建基准年份贫困发生率预测模型，其公式为：

P₂₀₁₇＝f(x1，x2，x3，x4，x5，x6，x7，x8)

其中，P₂₀₁₇为目标区域2017年终贫困发生率，x1为目标区域的坡度信息、x2为目标区域的年均温、x3为目标区域的植被覆盖指数、x4为目标区域的灾害发生频率、x5为目标区域是否处于生态保护区、x6为目标区域的年均降雨量、x7为目标区域土地资源占有量、x8为目标区域距离主干道的距离；

构建贫困发生率年均演化预测模型，其公式为：

其中，ΔP为一时间段内贫困发生率的演化值；Δt为一时间段，x1为目标区域的坡度信息、x2为目标区域的年均温、x3为目标区域的植被覆盖指数、x4为目标区域的灾害发生频率、x5为目标区域是否处于生态保护区、x6为目标区域的年均降雨量、x7为目标区域土地资源占有量、x8为目标区域距离主干道的距离；

通过基准年份贫困发生率预测模型和贫困发生率年均预测模型，构建贫困发生率预测模型，其公式为：

其中，P为一时间节点的贫困发生率；t_2017-为预测时间点距离2017年的年份数。