基于随机森林理论的军用飞机维修费用预测研究

发布时间：2021-02-08 09:00

　　为预测军用飞机维修费用,选取军用飞机维修费用预测指标,使用收集的训练样本,建立军用飞机维修费用预测的随机森林模型,并预测军用飞机维修费用;将该模型预测结果与支持向量机回归（SVR）模型和BP神经网络模型的预测结果进行对比。研究表明:采用RF模型所预测的实例的军用飞机维修费用误差为6.9%,低于SVR模型的误差7.6%,BP神经网络的误差8.4%;可见RF模型具有较高的预测精度,能够相对有效地对合同经费进行预测。 

【文章来源】：电子质量. 2020,(12)

【文章页数】：7 页

【部分图文】：

RF算法示意图

军用飞机维修费用预测RF模型预测样本如表2所示。RF模型用表1中的30组数据进行训练，用表2中10组数据对军用飞机维修费用进行预测，预测结果如图3所示。从图3可以看出，使用RF模型的预测结果与实际费用的吻合度较高。R2常用来对模型的拟合程度进行判断，对测试结果进行R2检验，结果为0.9。R2的取值范围为(0,1),R2的值越大，模型的拟合效果越好，因此，RF模型对测试数据的拟合效果较高。图3 军用飞机维修费用预测结果

图2 RF模型误差曲线对每个指标在随机森林模型中的每棵树上做的贡献求平均值，并对值进行比较，可以对随机森林模型中指标的重要度进行度量，常用的回归预测中的不纯度函数为MSE函数。在python中使用sklearn中自带的feature＿importances＿函数可以直接得到。图4所示为指标重要度，由图4可知，平均修复时间(X3)的重要度最高，而其他指标的重要度相近，说明模型所选指标合理，同时，再次出动准备时间是需要重点关注的指标，它的变化对维修费用的变化有较大的影响。

【参考文献】：
期刊论文
[1]基于CAF-SVM的调制信号识别方法[J]. 王小卉,黄贞,谭莹.  指挥信息系统与技术. 2019(05)
[2]基于BP神经网络的终端区拥挤等级预测[J]. 阮昌,李印凤,高旗.  指挥信息系统与技术. 2019(04)
[3]基于GM（1,1）模型的飞机故障数量预测方法[J]. 孙海霞,赵培仲,戚佳睿,夏毅锐.  设备管理与维修. 2017(03)
[4]参数优化随机森林算法的土地覆盖分类[J]. 周天宁,明冬萍,赵睿.  测绘科学. 2017(02)
[5]基于随机森林的CT前列腺分割[J]. 邵叶秦,杨新.  CT理论与应用研究. 2015(05)
[6]随机森林理论浅析[J]. 董师师,黄哲学.  集成技术. 2013(01)
[7]军用飞机维修保障费用的GM（1,1）预测[J]. 范红军,杨中书,陈友龙,王春健.  微计算机信息. 2011(05)
[8]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[9]基于随机森林方法的基金收益率方向预测与交易策略研究[J]. 方匡南,朱建平,谢邦昌.  经济经纬. 2010(02)
[10]军用飞机维修保障费用机器学习预测方法[J]. 刘晖,穆志韬,牟丽君.  航空计算技术. 2009(03)

硕士论文
[1]民用飞机维修成本分析与评估[D]. 陈勇.南京航空航天大学 2006



本文编号：3023678