[发明专利]基于完全随机森林的矢量空间计算强度预测方法及系统

摘要

一种基于完全随机森林的矢量空间计算强度预测方法及系统，通过输入与矢量空间计算强度相关的所有特征，训练多棵完全回归决策树，实现对特征复杂多样的矢量空间计算域的计算强度建模，并对完全随机森林的预测结果进行优化，剔除与预测结果偏差较大的预测值，提高完全随机森林的预测精度，有利于在并行计算环境中，对矢量空间计算强度进行精准的预测。本发明在随机森林的训练过程中，每棵回归决策树的训练样本是从原始样本中随机选择的，且选择的特征包括原始样本的全部特征，该模型能够应对重要特征少、冗余特征多的矢量空间计算强度的预测，本发明可以为并行计算资源均衡调度与分配提供依据，提高并行计算效率。

主权项

1.一种基于完全随机森林的矢量空间计算强度预测方法，其特征在于，包括以下步骤：S1、获取矢量空间计算强度原始样本集，每个矢量空间计算强度样本中均包括以下13个类型的数值：矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度、图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度、窗口像素高度、窗口地理宽度、窗口地理高度、容差半径、计算时间；使用二维数组RawSamples[i][j]存储矢量空间计算强度原始样本集，RawSamples[i][j]表示第i个样本第j个属性值；S2、使用整型随机数生成器，生成N个大于等于0且小于N的整型数值，使用生成的N个整型数值，将其分别作为数组索引从原始样本集的各个样本中选取N个样本作为新的样本，将其存储到二维数组TreeSamples[i][j]中；其中，N为原始样本集中样本数量；S3、采用回归决策树训练方法，利用步骤S2中得到的二维数组TreeSamples[i][j]进行训练，建立回归决策树；S4、循环执行S2至S3，直到获得TN棵回归决策树，TN棵回归决策树构成了完全随机森林FRF；其中TN为完全随机森林中回归决策树的数量；S5、获取待预测的矢量空间计算强度样本集，每个待预测的矢量空间计算强度样本包含以下12个类型的数值：矢量图层包含的要素个数、要素几何类型、数据库类型、图层空间范围宽度，图层空间范围高度、空间计算域内要素个数、空间计算域内顶点数、窗口像素宽度，窗口像素高度、窗口地理宽度、窗口地理高度、容差半径；使用一维数组NewSample存储待预测样本，NewSample[i]表示待预测样本的第i个属性值，将待预测的矢量空间计算强度样本输入到FRF中，调用FRF中的TN棵回归决策树的预测方法对待预测样本的计算时间进行预测，获得TN个预测结果，计算TN个预测结果的平均值AVG；S6、分别计算TN棵回归决策树的预测结果与AVG之间的差值的绝对值，判断该差值的绝对值是否大于AVG*R，其中R是预先设定的百分比，如果回归决策树的预测结果与AVG之间的差值的绝对值大于AVG*R，则将其剔除，反之保留；S7、计算S6中保留下来的回归决策树的预测结果的平均值FINALAVG，将平均值FINALAVG作为最终的计算强度预测结果。