[发明专利]一种海警任务相关疾病的预测方法和系统

说明书

本发明涉及一种海警任务相关疾病的预测方法和系统，包括：基于历史海警任务信息，确定海警任务相关的疾病集合和诱发每种疾病的危险因素集合；基于随机森林算法对诱发每种疾病的危险因素进行重要性分析，确定疾病与危险因素的目标对应关系；基于历史海警任务信息和目标对应关系，构建目标训练集；基于目标训练集训练XGBoost预测模型，得到训练之后的预测模型；基于训练之后的预测模型对目标海警任务中的疾病进行预测。本发明缓解了现有技术中存在的无法对执行海警任务过程中可能出现的疾病进行准确的预测的技术问题。

技术领域

本发明涉及疾病预测技术领域，尤其涉及一种海警任务相关疾病的预测方法和系统。

背景技术

由于海上的不确定因素较多，因此舰艇官兵通常会面临着复杂多变的自然环境，例如昼夜温差大、缺乏淡水资源，这就导致了舰员们发生疾病的概率很高。在发生疾病后，又因海上特殊的地理位置无法得到有效的救治，损失较大。目前我国已经存在一些对海警执行任务中所发生的疾病的数据统计和研究，但多数停留在传统统计方法，无法对执行海警任务过程中可能出现的疾病进行准确的预测。

发明内容

有鉴于此，本申请提供了一种海警任务相关疾病的预测方法和系统，以缓解现有技术中存在的无法对执行海警任务过程中可能出现的疾病进行准确的预测的技术问题。

第一方面，本发明实施例提供了一种海警任务相关疾病的预测方法，包括：基于历史海警任务信息，确定海警任务相关的疾病集合和诱发每种疾病的危险因素集合；基于随机森林算法对诱发每种疾病的危险因素进行重要性分析，确定疾病与危险因素的目标对应关系；基于所述历史海警任务信息和所述目标对应关系，构建目标训练集；基于所述目标训练集训练 XGBoost预测模型，得到训练之后的预测模型；基于所述训练之后的预测模型对目标海警任务中的疾病进行预测。

进一步地，基于随机森林对诱发每种疾病的危险因素进行重要性分析，包括：基于所述诱发每种疾病的危险因素集合和信息增益最大属性，构建每种疾病对应的决策树；通过如下计算算式计算目标危险因素的重要性：其中，E₁表示目标危险因素未加入随机噪声干扰时单棵决策树预测对应疾病的准确度，E₂表示目标危险因素加入随机噪声干扰时单棵决策树预测对应疾病的准确度，n为每种疾病对应的决策树的总数。

进一步地，基于所述目标训练集训练XGBoost预测模型，包括：采用网格搜索的方法优化所述XGBoost预测模型的超参数。

进一步地，基于所述训练之后的预测模型对目标海警任务中的疾病进行预测，包括：获取所述目标海警任务中的目标危险因素集合；以所述目标危险因素集合作为所述训练之后的预测模型的输入数据，对疾病进行预测，得到每种疾病发生的概率。

第二方面，本发明实施例还提供了一种海警任务相关疾病的预测系统，包括：确定模块，分析模块，构建模块，训练模块和预测模块；其中，所述确定模块，用于基于历史海警任务信息，确定海警任务相关的疾病集合和诱发每种疾病的危险因素集合；所述分析模块，用于基于随机森林算法对诱发每种疾病的危险因素进行重要性分析，确定疾病与危险因素的目标对应关系；所述构建模块，用于基于所述历史海警任务信息和所述目标对应关系，构建目标训练集；所述训练模块，用于基于所述目标训练集训练 XGBoost预测模型，得到训练之后的预测模型；所述预测模块，用于基于所述训练之后的预测模型对目标海警任务中的疾病进行预测。

进一步地，所述分析模块，还用于：基于所述诱发每种疾病的危险因素集合和信息增益最大属性，构建每种疾病对应的决策树；通过如下计算算式计算目标危险因素的重要性：其中，E₁表示目标危险因素未加入随机噪声干扰时单棵决策树预测对应疾病的准确度，E₂表示目标危险因素加入随机噪声干扰时单棵决策树预测对应疾病的准确度，n 为每种疾病对应的决策树的总数。

进一步地，所述训练模块，还用于：采用网格搜索的方法优化所述 XGBoost预测模型的超参数。