首页> 中国专利> 一种改进的FOA-BPNN脱贫时间预测方法

一种改进的FOA-BPNN脱贫时间预测方法

摘要

本发明公开了一种改进的FOA‑BPNN脱贫时间预测方法,首先将贫困户脱贫时间预测转换为数学问题,构建BPNN预测模型;然后利用改进的果蝇优化算法,结合BP神经网络,构建改进的FOA‑BPNN时间预测模型,实现对贫困户的脱贫时间预测。本发明在果蝇算法中引入种群密度和变速因子,提高果蝇优化算法跳出局部最优解的能力;将改进后的果蝇优化算法与BP神经网络结合,以BP神经网络的训练误差作为果蝇优化算法的适应度值,利用果蝇优化算法寻找BP神经网络最优的初始参数组合,进而提升预测模型的准确率。

著录项

  • 公开/公告号CN108564235A

    专利类型发明专利

  • 公开/公告日2018-09-21

    原文格式PDF

  • 申请/专利权人 中南民族大学;

    申请/专利号CN201810767158.X

  • 申请日2018-07-13

  • 分类号G06Q10/04(20120101);G06N3/00(20060101);G06N3/08(20060101);

  • 代理机构42222 武汉科皓知识产权代理事务所(特殊普通合伙);

  • 代理人魏波

  • 地址 430074 湖北省武汉市洪山区民族大道182号

  • 入库时间 2023-06-19 06:31:19

法律信息

  • 法律状态公告日

    法律状态信息

    法律状态

  • 2019-11-26

    授权

    授权

  • 2018-10-23

    实质审查的生效 IPC(主分类):G06Q10/04 申请日:20180713

    实质审查的生效

  • 2018-09-21

    公开

    公开

说明书

技术领域

本发明属于大数据应用技术领域,涉及一种改进的FOA-BPNN脱贫时间预测方法,特别是涉及一种构建贫困户脱贫时间预测模型的方法。

背景技术

由于目前国内的研究工作集中在从社会学角度出发的精准扶贫的相关理论方面,并已提出了大量的扶贫与减贫方法,但从自然科学的角度对脱贫的深层次原因和机理进行精确定量分析的模型和方法却很少见。因此在扶贫大数据的驱动下,借助深度学习等热门方法建立标准化脱贫预测模型,对于制定更加合理的脱贫攻坚政策与实际可操作的帮扶措施具有重要的理论意义与参考价值。利用BP神经网络构建分析预测模型,对扶贫措施与脱贫时间的内在关系进行有效刻画,实现贫困户脱贫年限的预测,对打好脱贫攻坚战具有实质性的指导作用。

BP神经网络由于初始参数的选择可能导致神经网络训练过程中陷入局部最优解,降低模型的训练精度。目前有研究提出利用群智能优化算法如粒子群优化算法、遗传算法等优化BP神经网络的初始参数选择,果蝇优化算法作为一种智能优化算法因其参数简单易编码而被青睐。然而果蝇优化算法由于果蝇种群在寻优过程中搜索步长固定,对果蝇算法的寻优精度与速度可能存在不利影响。目前已有研究提出了搜索步长自适应的调整方案,以DSLC-FOA算法为例,引入固定参数α=0.8,通过迭代次数与迭代最优值的变化调节步长,然而该算法忽略了种群密度对搜索精度的影响,可能陷入局部最优。因此种群密度在寻优过程中应该被考虑到。

目前利用BP神经网络与果蝇优化算法构建预测模型实现对贫困户脱贫时间预测的应用并不多见。同时对果蝇优化算法的改进集中在由迭代最优值引起的搜索范围变化上,忽略了种群密度可能影响种群多样性从而限制搜索精度的问题。基于改进的FOA-BPNN脱贫时间预测模型引入了变速因子和种群密度两个参数,变速因子随着迭代最优值与迭代次数的变化而变化,种群密度则是描述了果蝇种群的分布情况。因此研究果蝇优化算法的改进时考虑种群密度是十分有必要的。

发明内容

为了解决上述技术问题,本发明提出了一种改进的FOA-BPNN脱贫时间预测方法。

本发明所采用的技术方案是,一种改进的FOA-BPNN脱贫时间预测方法,其特征在于,包括以下步骤:

步骤1:将贫困户脱贫时间预测转换为数学问题,构建BPNN预测模型;将原始数据进行分割,一部分作为训练预测模型用到的训练集,另一部分作为检测模型效果的测试集;

步骤2:利用改进的果蝇优化算法,结合BP神经网络,构建改进的FOA-BPNN时间预测模型,实现对贫困户的脱贫时间预测。

本发明在果蝇算法中引入种群密度和变速因子,提高果蝇优化算法跳出局部最优解的能力;将改进后的果蝇优化算法与BP神经网络结合,以BP神经网络的训练误差作为果蝇优化算法的适应度值,利用果蝇优化算法寻找BP神经网络最优的初始参数组合,进而提升预测模型的准确率。本发明的应用可以提高帮扶效率,改善资源配置不均衡;在短期内实现贫困户脱贫的同时,提高贫困户自身发展能力,有效阻止返贫现象的发生。

附图说明

图1为本发明实施例的将贫困户脱贫时间预测转换为数学问题示意图;

图2为本发明实施例的BPNN预测模型示意图;

图3本发明实施例的BPNN预测模型果蝇搜寻迭代过程示意图;

图4本发明实施例的FOA-BPNN流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。

为了发现贫困户脱贫过程中隐藏的规律,本发明提取了已脱贫贫困户的基础信息以及其在脱贫过程中所接受的一系列帮扶措施,通过对上述贫困户属性进行初步归类统计并尝试将其与地方政策进行映射匹配,发现:

(1)地方出台的每种政策对贫困户产生的扶贫成效不同;

(2)贫困户的属性值不同导致他们对同一种政策的受用值不同。

由此,猜测一类贫困户享受某一类或几类政策措施后可以产生最大的脱贫效果,即可在最短时间内摘掉贫困户的帽子,并且不返贫。为了验证这一猜想,通过与湖北省扶贫办进行沟通并取得了资料库中的部分数据,围绕这些数据开展相关工作。

本发明提供的一种改进的FOA-BPNN脱贫时间预测方法,包括以下步骤:

步骤1:将贫困户脱贫时间预测转换为数学问题,构建BPNN预测模型;将原始数据进行分割,一部分作为训练预测模型用到的训练集,另一部分作为检测模型效果的测试集;

请见图1,本实施例通过对入库贫困户基本信息进行整理,提取贫困户的贫困户类型信息、致贫原因信息、子女数信息、是否有学生在读信息、耕地面积信息、技能程度信息以及享受的政策信息作为BPNN预测模型的输入X,记为X={x1,x2,x3,x4,...,x7};通过抽取贫困户的入库日期以及脱贫日期,得到贫困户从入库到脱贫所用的脱贫年限Y,记为Y={y1,y2,y3,...,ym},将其作为BPNN预测模型输出;其中,yi表示第i户的脱贫年限,m表示贫困户总数。

本实施例中贫困户类型按政府分类标准分为一般贫困户、五保贫困户、低保贫困户、低收入贫困户、低收入农户和一般农户。

本实施例获得BPNN预测模型示意图如图2所示。

步骤2:利用改进的果蝇优化算法,结合BP神经网络,构建改进的FOA-BPNN时间预测模型,实现对贫困户的脱贫时间预测。

请见图4,步骤2的具体实现包括以下子步骤:

步骤2.1:输入已脱贫贫困户的信息数据,对数据表中的冗余项、缺失项进行删除填充操作,将贫困户的贫困户类型信息、致贫原因信息、以及享受的政策信息进行one-hot编码;

步骤2.2:确定BP神经网络的输入层、隐藏层以及输出层节点数;

确定BP神经网络的输入层Input_layer和隐藏层Hidden_layer、隐藏层和输出层Output_layer的连接权重以及隐层和输出层的阈值;每一个果蝇个体的维度为D:

D=NinNh+NhNo+NhNo

其中Nin、Nh、No分别表示输入层、隐藏层、输出层的结点数;

步骤2.3:初始化BP神经网络权值和阈值;所述权值和阈值是利用函数生成的正太分布随机值;

步骤2.4:执行改进的果蝇优化算法;

请见图3,具体实现包括以下子步骤:

步骤2.4.1:初始化果蝇优化算法基本参数;

定义果蝇种群规模为Size,种群迭代寻优的最大迭代次数为Maxg,g表示当前迭代步数,(X_axis,Y_axis)为果蝇种群的初始位置,R0为初始搜索步长;

步骤2.4.2:给定果蝇个体搜寻食物的随机方向和距离,根据果蝇群体的初始位置随机生成果蝇个体i的位置坐标(xi,yi),通过种群密度ρ与变速因子α动态改变搜索步长R的值;

其中,rand( )为随机数;

本实施例在果蝇算法中引入种群密度和变速因子,即在果蝇种群的搜索阶段,引入变速因子α和种群密度ρ,则果蝇个体探索步长和方向R为:

R=R0-αR0+ρR0

其中,R0为初始搜索步长;

变速因子α,用于描述相邻迭代搜寻最优值变化而引起搜索间隔的变化程度;

其中,bestSmelln为第n次迭代最优气味浓度;当前迭代最优值高于前次时α>0,此时降低搜索步长提高局部寻优能力;当α<0时,则应该增大搜索步长,扩大搜索范围;

种群密度ρ:

其中,n是迭代次数,Size是种群规模(xi,yi)是第i次迭代后当前最优个体的坐标。

步骤2.4.3:计算果蝇个体当前位置距离坐标原点的距离dist(i),取其倒数Si作为气味浓度的判定值;

步骤2.4.4:将步骤2.4.3中的气味浓度判定值Si代入到适应度函数即气味浓度Function(S)中计算果蝇个体i的气味浓度Smelli

Smelli=Function(Si);

本实施例以BP神经网络的训练误差作为果蝇优化算法的适应度值,是将果蝇个体i各个维度的值作为BPNN预测模型的参数对测试数据作预测并计算出相应的误差作为个体i当前迭代的适应度值即气味浓度Fi,即:

式中,Oobs,i,Omod,i分别表示实测值和网络输出值,n表示训练样本数量。

步骤2.4.5:找出果蝇群体中气味浓度最高(bestSmell)的个体,记录该个体的位置坐标(xbestIndex,ybestIndex)以及气味浓度信息;

[bestSmell bestIndex]=max(Smelli);

其中,bestIndex表示气味浓度最高个体的编号;

步骤2.4.6:比较气味浓度是否高于上一代最高浓度;若是则执行2.4.7,否则回转执行步骤2.4.2;

步骤2.4.7:更新果蝇种群的初始位置坐标(X_axis,Y_axis),保留当前最高的气味浓度值;

X_axis=xbestIndex

Y_axis=ybestIndex

Smellbest=bestSmell=SmellbestIndex

步骤2.4.8:判断迭代次数是否达到最大值,若是则算法结束,否则回转执行步骤2.4.2;

步骤2.5:将改进果蝇优化算法选择的参数作为BP神经网络最优初始权重和阈值;

步骤2.6:将更新后的权重和阈值代入为BP神经网络进行训练,计算BP神经网络总损失,即计算L2型正则化损失与交叉熵损失的和;

步骤2.10:更新BP神经网络的权值和阈值;

通过反向传播及优化算法调整神经网络中参数的取值;

步骤2.11:判断是否达到训练次数的上限;

若是,则实现对贫困户的脱贫时间预测;

若否,则回转执行步骤2.6。

本实施例在改进的FOA-BPNN优化阶段利用式子计算每个果蝇个体的适应度值,利用式R=R0-αR0+ρR0确定每次迭代的搜索步长,而后更新种群位置。在跟新步长的过程中,利用变速因子α通过判断相邻迭代最优值的变化程度调节搜索间隔的长度,利用种群密度ρ尽量消除种群密度对搜索精度的影响程度。

通过实验结果表明,贫困户属性、享受政策与贫困户脱贫时间之间存在潜在联系,这种联系的具体表现就是构建的脱贫预测模型,并且模型预测的准确率达到0.7,同时证明在对贫困户脱贫时间预测的应用中改进的FOA-BPNN预测模型具有较好的预测效果。该模型的应用可以提高帮扶效率,改善资源配置不均衡;在短期内实现贫困户脱贫的同时,提高贫困户自身发展能力,有效阻止返贫现象的发生。

应当理解的是,本说明书未详细阐述的部分均属于现有技术。

应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。

去获取专利,查看全文>

相似文献

  • 专利
  • 中文文献
  • 外文文献
获取专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号