CN115526438A - 基于集成学习模型的虚拟资源池扩展生成方法 - Google Patents

基于集成学习模型的虚拟资源池扩展生成方法 Download PDF

Info

Publication number
CN115526438A
CN115526438A CN202211498051.2A CN202211498051A CN115526438A CN 115526438 A CN115526438 A CN 115526438A CN 202211498051 A CN202211498051 A CN 202211498051A CN 115526438 A CN115526438 A CN 115526438A
Authority
CN
China
Prior art keywords
visible
forecast
data set
plan
spacecrafts
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211498051.2A
Other languages
English (en)
Other versions
CN115526438B (zh
Inventor
梁军
原东阳
操礼长
宋建国
孙清
刘建平
李文舒
张一川
袁辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Xian Satellite Control Center
Original Assignee
China Xian Satellite Control Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Xian Satellite Control Center filed Critical China Xian Satellite Control Center
Priority to CN202211498051.2A priority Critical patent/CN115526438B/zh
Publication of CN115526438A publication Critical patent/CN115526438A/zh
Application granted granted Critical
Publication of CN115526438B publication Critical patent/CN115526438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于集成学习模型的虚拟资源池扩展生成方法。所述方法包括：根据基于决策树随机森林的机器学习算法和地面保障设备对不同用户航天器的资源保障规律对训练数据集进行集成学习模型训练，得到多个分类模型；利用分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划；在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，从而得到不同用户航天器的虚拟专用资源池和虚拟公用资源池。采用本方法能够解决不同用户航天器对地面保障资源进行抢占的问题。

Description

基于集成学习模型的虚拟资源池扩展生成方法
技术领域
本申请涉及航天测控资源调度技术领域，特别是涉及一种基于集成学习模型的虚拟资源池扩展生成方法。
背景技术
随着对地观测、地理测绘、气象监测和导航定位等不同功能的航天器越来越多地在轨运行，这些属于不同用户的航天器对能够保障的可见时间窗口资源进行争用的问题也越来越严重。作为地面保障设备的管理方，为了最大程度地满足来自不同用户的多个航天器的保障需求，就需要对同一保障设备上属于不同用户的工作起止时间有交集的多条可见预报进行解冲突，以生成不同用户在时间线上互不交叠的设备可用窗口资源集合，这就是这一设备上属于不同用户的专用虚拟资源池。
然而目前在实际工程应用中，不同用户的航天器存在资源保障冲突和对地面保障资源进行抢占的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决不同用户航天器进行资源抢占问题的基于集成学习模型的虚拟资源池扩展生成方法。
一种基于集成学习模型的虚拟资源池扩展生成方法，所述方法包括：
获取预先设置的历史工作计划和多个不同用户航天器和地面保障设备的历史可见预报数据；
根据历史工作计划对多个不同用户航天器和地面保障设备的历史可见预报数据进行标记，得到工作计划和非工作计划；
对历史可见预报数据进行预处理编码，得到训练数据集；训练数据集中包括地面保障设备对不同用户航天器的资源保障规律；
根据基于决策树随机森林的机器学习算法和地面保障设备对不同用户航天器的资源保障规律对训练数据集进行集成学习模型训练，得到多个分类模型；
利用分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划；
在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，得到不同用户航天器的虚拟专用资源池和虚拟公用资源池。
在其中一个实施例中，通过迭代调整分类模型的预测概率的阀值大小，得到多个容易被判定为工作计划的可见预报数据。
在其中一个实施例中，对历史可见预报数据进行预处理编码，得到训练数据集，包括：
对历史可见预报数据进行预处理编码，将可见预报数据转化成数值类型数据，得到训练数据集。
在其中一个实施例中，利用分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划，包括：
利用分类模型通过多数投票表决的方式对预处理编码后的训练数据集中的可见预报数据进行预测，得到预测工作计划。
在其中一个实施例中，可见预报数据包括航天器名称、设备名称和设备部署点位；
对历史可见预报数据进行预处理编码，将所述可见预报数据转化成数值类型数据，得到训练数据集，包括：
将可见预报数据中开始工作时间、结束工作时间和首次入境时间等日期型数据都转化成时间戳，得到连续型数值；
利用数值归一化的方式将连续型数值转化成取值范围为[0,1]的3维连续型特征变量；
根据类别特征编码的方式将可见预报数据中航天器名称、设备名称和设备部署点位等字符型数据转化成取值大于零的整数等3维离散型特征变量；
通过维度拼接的方式将3维连续型特征变量和3维离散型特征变量合并生成6维数值类型数据，得到训练数据集。
在其中一个实施例中，根据基于决策树随机森林的机器学习算法和地面保障设备对不同用户航天器的资源保障规律对训练数据集进行集成学习模型训练的模型评估方式包括：
利用每颗决策树的袋外样本评估决策树对应的分类模型的泛化能力，得到分类模型的袋外样本评分；
将每个分类模型的袋外样本评分求取平均值，得到整个随机森林的集成学习模型评分。
在其中一个实施例中，在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，得到不同用户航天器的虚拟专用资源池和虚拟公用资源池，包括：
在预测工作计划所属地面保障设备上，叠加与预测工作计划属于同一用户，并且在工作起止时间上有交集的冗余可见预报，得到地面保障设备上的不同用户航天器的虚拟专用资源池；
在预测工作计划上舍弃与预测工作计划属于不同用户的同一地面保障设备并且在工作起止时间上有交集的可见预报，将所有舍弃的可见预报合并，得到不同用户航天器的虚拟公用资源池。
上述一种基于集成学习模型的虚拟资源池扩展生成方法，首先获取预先设置的历史工作计划和多个不同用户航天器和地面保障设备的历史可见预报数据，将不同用户航天器和地面保障设备的历史可见预报数据根据历史工作计划划分为工作计划和非工作计划两大类，预处理编码生成数值类型的训练数据集；然后利用基于决策树随机森林的机器学习算法对训练数据集进行集成学习模型的训练以及使用训练好的模型对预处理编码后的测试数据集进行工作计划的预测，并迭代调整模型预测概率的阀值大小以提升命中实际工作计划的准确率，最后通过在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，进而扩展生成各用户的虚拟专用资源池和虚拟公用资源池。本申请在针对不同用户的虚拟资源池生成的过程中兼顾了虚拟资源池分类的准确性和时效性，能灵活适应多个用户在资源使用高度冲突的情况下虚拟资源池快速生成的要求，解决了不同用户航天器进行资源抢占问题。
附图说明
图1为一个实施例中基于集成学习模型的虚拟资源池扩展生成方法的流程示意图；
图2为一个实施例中利用分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划方法步骤的流程示意图；
图3为一个实施例中对预测工作计划的过程进行调优的过程示意图；
图4为一个实施例中生成不同用户航天器的虚拟专用资源池和虚拟公用资源池的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于集成学习模型的虚拟资源池扩展生成方法，包括以下步骤：
步骤102，获取预先设置的历史工作计划和多个不同用户航天器和地面保障设备的历史可见预报数据。
可见预报是指一个航天器处于一个地面保障设备几何可见视角内的时间段；可见预报数据是指在多个地面设备保障多个航天器情况下形成的许多条可见预报；历史可见预报数据是指当前预测工作计划时间节点之前已存在的可见预报数据。工作计划就是从可见预报数据中挑选出的一条具体的可见预报，即由航天器名称、地面保障设备名称、工作开始时间和结束时间这四个关键要素确定的一条航天器和地面设备同时工作的计划；历史工作计划是指当前预测工作计划时间节点之前已存在的多条工作计划。工作起止时间表示地面保障设备跟随航天器的起止时间。
步骤104，根据历史工作计划对多个不同用户航天器和地面保障设备的历史可见预报数据进行标记，得到工作计划和非工作计划。
根据历史工作计划对多个不同用户航天器和地面保障设备的历史可见预报数据进行标记，其示例如表1所示：
表1对历史可见预报数据打标记示例
Figure 822430DEST_PATH_IMAGE001
步骤106，对历史可见预报数据进行预处理编码，得到训练数据集；训练数据集中包括地面保障设备对不同用户航天器的资源保障规律。
对训练数据集中的数据进行数据分析，可以得到地面保障设备对不同用户航天器的资源保障规律。
步骤108，根据基于决策树随机森林的机器学习算法和地面保障设备对不同用户航天器的资源保障规律对训练数据集进行集成学习模型训练，得到多个分类模型。
利用训练数据集中蕴藏的地面设备对不同用户航天器的资源保障规律，通过基于决策树随机森林的机器学习算法对训练数据集进行集成学习模型的训练，生成多个互不相干的分类模型。
步骤110，利用分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划。
测试数据集为训练数据集随机挑选出一定比例的预处理编码后的历史可见预报数据或由新的可见预报数据经过预处理编码后构成的数据集，在随机森林集成分类模型的测试预测分类结果阶段，多个分类模型通过多数投票表决的方式，来对预处理编码后的测试集中的可见预报数据进行预测以生成可能的工作计划，即预测工作计划。
步骤112，在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，得到不同用户航天器的虚拟专用资源池和虚拟公用资源池。
上述一种基于集成学习模型的虚拟资源池扩展生成方法，首先获取预先设置的历史工作计划和多个不同用户航天器和地面保障设备的历史可见预报数据，将不同用户航天器和地面保障设备的历史可见预报数据根据历史工作计划划分为工作计划和非工作计划两大类，预处理编码生成数值类型的训练数据集；然后利用基于决策树随机森林的机器学习算法对训练数据集进行集成学习模型的训练以及使用训练好的模型对预处理编码后的测试数据集进行工作计划的预测，并迭代调整模型预测概率的阀值大小以提升命中实际工作计划的准确率，最后通过在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，进而扩展生成各用户的虚拟专用资源池和虚拟公用资源池。本申请在针对不同用户的虚拟资源池生成的过程中兼顾了虚拟资源池分类的准确性和时效性，能灵活适应多个用户在资源使用高度冲突的情况下虚拟资源池快速生成的要求，解决了不同用户航天器进行资源抢占问题。
在其中一个实施例中，通过迭代调整分类模型的预测概率的阀值大小，得到多个容易被判定为工作计划的可见预报数据。
对于预处理编码后的数据集中的测试集的每一条可见预报数据，训练好的分类模型都能对其给出一个预测是否为工作计划的概率，如果预测概率大于阀值0.5，则判定该可见预报为一个工作计划，否则不能判定为工作计划。这样就会生成一个用于对预测分类结果和真实结果进行对比的混淆矩阵，如示意图3所示。从图3所示的混淆矩阵可以看出，通过将预测概率的阀值从0.5逐步减小至0，能预测出更多的真实正样本，通过将预测概率的阀值从0.5逐步减小至0，可以得到多个容易被判定为工作计划的可见预报数据，有效提升测试集中真正作为工作计划的可见预报的召回率Recall，其计算公式如式(1)所示：
Figure 834510DEST_PATH_IMAGE002
（1）
其中，TP是被模型预测为正的正样本数量，FN是被模型预测为负的正样本数量。分类模型通过预测出更多的真实正样本，就能使模型从可见预报集合中预测出的工作计划命中测试集中实际工作计划的准确率也会提高，进而在能够使得在扩展不同用户的虚拟资源池时会更加准确。
在其中一个实施例中，对历史可见预报数据进行预处理编码，得到训练数据集，包括：
对历史可见预报数据进行预处理编码，将可见预报数据转化成数值类型数据，得到训练数据集。
在其中一个实施例中，利用分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划，包括：
利用分类模型通过多数投票表决的方式对预处理编码后的训练数据集中的可见预报数据进行预测，得到预测工作计划。
在随机森林集成分类模型的测试预测分类结果阶段，多个分类模型通过多数投票表决的方式对预处理编码后的训练数据集中的测试集中的可见预报数据进行预测，得到预测可能的工作计划。
在其中一个实施例中，可见预报数据包括航天器名称、设备名称和设备部署点位；
对历史可见预报数据进行预处理编码，将所述可见预报数据转化成数值类型数据，得到训练数据集，包括：
将可见预报数据中开始工作时间、结束工作时间和首次入境时间等日期型数据都转化成时间戳，得到连续型数值；
利用数值归一化的方式将连续型数值转化成取值范围为[0,1]的3维连续型特征变量；
根据类别特征编码的方式将可见预报数据中航天器名称、设备名称和设备部署点位等字符型数据转化成取值大于零的整数等3维离散型特征变量；
通过维度拼接的方式将3维连续型特征变量和3维离散型特征变量合并生成6维数值类型数据，得到训练数据集。
对于一条可见预报数据中开始工作时间、结束工作时间和首次入境时间这三维的日期型数据都可以以当天0时0分0秒为基准点，通过公式(2)将其转换成取值范围在[0,86400]的连续型数值的时间戳；
Figure 83089DEST_PATH_IMAGE003
（2）
式中，timeStamp是转换后的当天时间戳，h是日期型数据中当天的小时，m是日期型数据中当天的分钟，s是日期型数据中当天的秒数。
接着通过数值归一化的公式(3)将公式(2)得到的时间戳转化成取值范围为[0,1]的连续型特征变量；
Figure 71774DEST_PATH_IMAGE004
（3）
式中，timeStamp * 是归一化后取值范围为[0, 1]的特征变量，timeStamp min是时间戳数据中的最小值，timeStamp max是时间戳数据中的最大值。
对于一条可见预报数据中航天器名称、地面设备名称和设备部署点位这三个类别中的字符型数据都可以通过公式(4)一一映射成大于零的整数，从而转换成离散型特征变量；
Figure 354988DEST_PATH_IMAGE005
（4）
式中，S n 是航天器名称、地面设备名称和设备部署点位中某一类别的一个字符型数据，n正整数，N是S n 这个字符型数据所属类别中字符型数据的总数。
对于一条可见预报数据，通过维度拼接的方式将上述的3维连续型特征变量和3维离散型特征变量合并生成6维数值类型数据。另外，如果这条可见预报数据属于“工作计划”，则将其标签编码为1（属于正样本），否则将其标签编码为0（属于负样本）。
在其中一个实施例中，根据基于决策树随机森林的机器学习算法和地面保障设备对不同用户航天器的资源保障规律对训练数据集进行集成学习模型训练的模型评估方式包括：
利用每颗决策树的袋外样本评估决策树对应的分类模型的泛化能力，得到分类模型的袋外样本评分；
将每个分类模型的袋外样本评分求取平均值，得到整个随机森林的集成学习模型评分。
如图2所示，在随机森林中，由于采用的是有放回地随机从训练数据集上抽取样本和随机选择特征的方式来生成每颗决策树，因而会生成多个互不影响的决策树分类模型，其中一个决策树分类模型的生成并不会使用全部的训练样本，未使用的样本数据就是袋外样本（out of bag，oob），而利用每颗决策树的袋外样本就可以评估这个分类决策树模型的泛化能力，得到这个决策树模型的袋外样本评分。因此，对每一个决策树模型都重复这个过程，将得到的每个分类决策树模型的袋外样本评分求取平均值就是整个随机森林的集成学习模型评分。
在其中一个实施例中，在预测工作计划上叠加与预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，得到不同用户航天器的虚拟专用资源池和虚拟公用资源池，包括：
在预测工作计划所属地面保障设备上，叠加与预测工作计划属于同一用户，并且在工作起止时间上有交集的冗余可见预报，得到地面保障设备上的不同用户航天器的虚拟专用资源池；
在预测工作计划上舍弃与预测工作计划属于不同用户的同一地面保障设备并且在工作起止时间上有交集的可见预报，将所有舍弃的可见预报合并，得到不同用户航天器的虚拟公用资源池。
如图4所示，在同一地面保障设备上，叠加与预测得到的工作计划属于同一用户，并且在工作起止时间上有交集的冗余可见预报，进而扩展生成这一设备上针对不同用户的虚拟专用资源池；同时，舍弃与预测得到的工作计划不属于同一用户，并且在工作起止时间上有交集的可见预报，放入虚拟公用资源池。将属于同一用户的不同地面保障设备上的虚拟专用资源池合并，生成相应用户的总的虚拟专用资源池，将所有舍弃的可见预报合并，生成总的虚拟公用资源池，在虚拟公用资源池中，不同用户航天器之间会存在资源保障冲突的问题。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于集成学习模型的虚拟资源池扩展生成方法，其特征在于，所述方法包括：
获取预先设置的历史工作计划和多个不同用户航天器和地面保障设备的历史可见预报数据；
根据所述历史工作计划对所述多个不同用户航天器和地面保障设备的历史可见预报数据进行标记，得到工作计划和非工作计划；
对所述历史可见预报数据进行预处理编码，得到训练数据集；所述训练数据集中包括地面保障设备对不同用户航天器的资源保障规律；
根据基于决策树随机森林的机器学习算法和所述地面保障设备对不同用户航天器的资源保障规律对所述训练数据集进行集成学习模型训练，得到多个分类模型；
利用所述分类模型对测试数据集中的可见预报数据进行预测，得到预测工作计划；
在所述预测工作计划上叠加与所述预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与所述预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，得到不同用户航天器的虚拟专用资源池和虚拟公用资源池。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过迭代调整所述分类模型的预测概率的阀值大小，得到多个容易被判定为工作计划的可见预报数据。
3.根据权利要求1至2任意一项所述的方法，其特征在于，对所述历史可见预报数据进行预处理编码，得到训练数据集，包括：
对所述历史可见预报数据进行预处理编码，将所述可见预报数据转化成数值类型数据，得到训练数据集。
4.根据权利要求1所述的方法，其特征在于，利用所述分类模型对预处理编码后的测试数据集中的可见预报数据进行预测，得到预测工作计划，包括：
利用所述分类模型通过多数投票表决的方式对预处理编码后的训练数据集中的可见预报数据进行预测，得到预测工作计划。
5.根据权利要求3所述的方法，其特征在于，所述可见预报数据包括航天器名称、设备名称和设备部署点位；
对所述历史可见预报数据进行预处理编码，将所述可见预报数据转化成数值类型数据，得到训练数据集，包括：
将所述可见预报数据中开始工作时间、结束工作时间和首次入境时间等日期型数据都转化成时间戳，得到连续型数值；
利用数值归一化的方式将所述连续型数值转化成取值范围为[0,1]的3维连续型特征变量；
根据类别特征编码的方式将所述可见预报数据中航天器名称、设备名称和设备部署点位等字符型数据转化成取值大于零的整数等3维离散型特征变量；
通过维度拼接的方式将所述3维连续型特征变量和3维离散型特征变量合并生成6维数值类型数据，得到训练数据集。
6.根据权利要求1所述的方法，其特征在于，根据基于决策树随机森林的机器学习算法和所述地面保障设备对不同用户航天器的资源保障规律对所述训练数据集进行集成学习模型训练的模型评估方式包括：
利用每颗决策树的袋外样本评估所述决策树对应的分类模型的泛化能力，得到所述分类模型的袋外样本评分；
将每个分类模型的袋外样本评分求取平均值，得到整个随机森林的集成学习模型评分。
7.根据权利要求1所述的方法，其特征在于，在所述预测工作计划上叠加与所述预测工作计划属于同一用户的同一地面保障设备上工作起止时间有交集的可见预报，并舍弃与所述预测工作计划属于不同用户的同一地面保障设备上工作起止时间有交集的可见预报，得到不同用户航天器的虚拟专用资源池和虚拟公用资源池，包括：
在所述预测工作计划所属地面保障设备上，叠加与所述预测工作计划属于同一用户，并且在工作起止时间上有交集的冗余可见预报，得到所述地面保障设备上的不同用户航天器的虚拟专用资源池；
在所述预测工作计划上舍弃与所述预测工作计划属于不同用户的同一地面保障设备并且在工作起止时间上有交集的可见预报，将所有舍弃的可见预报合并，得到不同用户航天器的虚拟公用资源池。
CN202211498051.2A 2022-11-28 2022-11-28 基于集成学习模型的虚拟资源池扩展生成方法 Active CN115526438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211498051.2A CN115526438B (zh) 2022-11-28 2022-11-28 基于集成学习模型的虚拟资源池扩展生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211498051.2A CN115526438B (zh) 2022-11-28 2022-11-28 基于集成学习模型的虚拟资源池扩展生成方法

Publications (2)

Publication Number Publication Date
CN115526438A true CN115526438A (zh) 2022-12-27
CN115526438B CN115526438B (zh) 2023-04-07

Family

ID=84704689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211498051.2A Active CN115526438B (zh) 2022-11-28 2022-11-28 基于集成学习模型的虚拟资源池扩展生成方法

Country Status (1)

Country Link
CN (1) CN115526438B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2688015A1 (en) * 2012-07-20 2014-01-22 Tata Consultancy Services Limited Method and system for adaptive forecast of energy resources
CN113760521A (zh) * 2020-09-22 2021-12-07 北京沃东天骏信息技术有限公司 一种虚拟资源的分配方法和装置
CN115052154A (zh) * 2022-05-30 2022-09-13 北京百度网讯科技有限公司 一种模型训练和视频编码方法、装置、设备及存储介质
CN115130929A (zh) * 2022-08-29 2022-09-30 中国西安卫星测控中心 基于机器学习分类的资源池智能生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2688015A1 (en) * 2012-07-20 2014-01-22 Tata Consultancy Services Limited Method and system for adaptive forecast of energy resources
CN113760521A (zh) * 2020-09-22 2021-12-07 北京沃东天骏信息技术有限公司 一种虚拟资源的分配方法和装置
CN115052154A (zh) * 2022-05-30 2022-09-13 北京百度网讯科技有限公司 一种模型训练和视频编码方法、装置、设备及存储介质
CN115130929A (zh) * 2022-08-29 2022-09-30 中国西安卫星测控中心 基于机器学习分类的资源池智能生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴兴惠等: "集成学习之随机森林分类算法的研究与应用", 《电脑知识与技术》 *

Also Published As

Publication number Publication date
CN115526438B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109840660B (zh) 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN113516297B (zh) 基于决策树模型的预测方法、装置和计算机设备
CN111767440B (zh) 基于知识图谱的车辆画像方法、计算机设备和存储介质
CN111324657B (zh) 应急预案内容优化方法和计算机设备
CN112417273A (zh) 区域画像图生成方法、装置、计算机设备及存储介质
CN111191040A (zh) 城市运行知识图谱构建方法、装置和计算机设备
CN108038544B (zh) 基于大数据和深度学习的神经网络深度学习方法和系统
CN105577685A (zh) 云计算环境中的自主分析入侵检测方法及系统
CN113793333B (zh) 应用于工业质检的缺陷图片生成方法及装置
CN111191800B (zh) 设备模型核查方法、装置、计算机设备和存储介质
Vassiliou A Markov chain model for wastage in manpower systems
CN113807622A (zh) 一种事件决策生成方法、装置、电子设备及存储介质
Dragicevic et al. An application of fuzzy logic reasoning for GIS temporal modeling of dynamic processes
CN111831908A (zh) 医疗领域知识图谱构建方法、装置、设备及存储介质
CN114266384A (zh) 一种基于融合模型的快速预测台风路径的方法及其装置
CN110580507B (zh) 一种城市肌理分类识别方法
CN115526438B (zh) 基于集成学习模型的虚拟资源池扩展生成方法
CN111178714A (zh) 亲密度确定方法、装置、计算机设备和存储介质
CN115130929B (zh) 基于机器学习分类的资源池智能生成方法
CN110609618A (zh) 一种人机对话方法、装置、计算机设备及存储介质
CN113642984A (zh) 基于人工智能的员工考勤方法、装置、设备及存储介质
CN112507129B (zh) 配电网作业文件的内容变动处理方法及相关设备
CN116089595A (zh) 基于科技成果的数据处理推送方法、装置及介质
CN115329870A (zh) 多源数据融合的机器学习火灾预测与隐患识别方法及系统
Li et al. Construction and empirical testing of comprehensive risk evaluation methods from a multi-dimensional risk matrix perspective: taking specific types of natural disasters risk in China as an example

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant