[发明专利]一种基于改进随机森林的船舶主机备件预测方法

说明书

本发明公开了一种基于改进随机森林的船舶主机备件预测方法，首先采集船舶主机备件原始的历史数据，按照一定的比例划分为训练集和测试集，再运用全局粒子群算法对通过集成学习形成的随机森林模型中的参数进行第一次调优，获得局部最优参数值；然后在局部最优参数值附近重新选定合适区间进行小步长的网格搜索算法，对随机森林参数进行第二次精细寻优，并且不断缓慢扩大区间，逐步跳出局部最优情况，获取最优参数；使用改进后的随机森林模型对船舶主机备件的历史数据进行训练，得到预测模型，并利用测试集进行回归预测，以获得最佳的预测效果。本发明方法可以有效为船舶公司中长期主机备件需求的预测提供新途径，从而优化公司内部库存管理。

技术领域

本发明属于船舶主机备件预测技术领域，具体涉及一种基于改进随机森林的船舶主机备件预测方法。

背景技术

近年来，船舶行业逐渐朝着一个新的态势往前发展，中国船舶制造业在市场中所占的比重也明显提升。由此，便涉及到船舶相关的装备备件规划问题，船舶备件需求规划策略的优劣将会对装备备件维修保障费用和战备完好性产生显著影响。

在船舶行业中，船舶主机备件是为保障船舶装备日常使用和维修而备用的各种重要零部件。备件的需求和预测是进行备件筹措、供应、储运等各项管理工作的基础。合理的备件规划可以优化库存、降低备件管理的难度，从而进一步降低成本，因此科学合理的装备备件规划技术是非常重要的。

对于船舶主机备件而言，备件需求呈现出数据量小、规律性不强、需求间隔期不确定等特点，而备件的消耗又会受到船舶航行环境、设备维护、设备故障等多种因素影响，因此很难进行科学性的预测。现在流行的一些备件需求预测的方法主要有指数平滑法、灰色预测法等，上述的预测方法都有其优劣，但在进行船舶主机备件预测时预测效果都不大明显。

随机森林(Random Forest)的原理是从原始的训练数据集中采用bootstrap自助采样的方式选择K个数据集，重复m次得到m个决策树。再将这m个不同的决策树通过bagging集成学习，实现多个弱学习器转换成一个强学习器，避免了部分随机误差，能够产生较好的预测效果。传统的随机森林算法预测结果受自身参数：子树的数量(n_estimators)、最小样本叶片数量(min_sample_leaf)影响较大。合适的参数设置会产生最佳的预测效果，从而使得预测误差降到最低。针对此类参数优化的问题，已经提出不少优化算法，包括网格搜索法(Grid Research，GS)、粒子群算法((Particle Swarm Optimization,PSO)、遗传算法(Genetic Algorithm，GA)等。但网格搜索算法消耗时间过长、搜索速度慢；粒子群算法容易陷入局部最优。这些算法在一定程度上都提升了随机森林的预测性能，但仍然存在一些不足。本文提出了一种基于改进的随机森林船舶主机备件预测方法，将基于粒子群算法优化改进后的网格搜索算法应用到随机森林的参数调优，进而更为精准地预测出船舶主机维修更换备件的需求量。

发明内容

为更好地实现船舶主机备件需求预测规划，本发明提供了一种基于改进的随机森林船舶主机备件预测方法。

一种基于改进随机森林的船舶主机备件预测方法，具体步骤如下：

步骤1：采集近T年内船舶主机备件的维修更换数据，按照一定的比例生成训练集N_train和测试集N_test；

步骤2：通过训练集数据N_train采用bootstrap自助采样法方法构建随机森林船舶主机备件预测模型；运用粒子群算法对随机森林的参数进行优化，粒子个体代表随机森林中的两个参数：子树的数量(n_estimators)、最小样本叶片数量(min_sample_leaf)；把初始的随机森林预测误差作为个体粒子的适应度函数；通过粒子种群中粒子的位置和速度的不断迭代更新，动态地搜索到粒子群中的局部最优值，即随机森林的局部最优参数值；