缺失数据下灾情评估变量及权重的确定方法

发布时间：2017-12-24 22:11

本文关键词：缺失数据下灾情评估变量及权重的确定方法　出处：《大连理工大学》2016年博士论文　论文类型：学位论文

【摘要】：灾情评估研究正向定量化、标准化和模型化的方向发展,国际上成熟的定量评估方法往往都有翔实的数据支撑,并且遵循“分析灾情数据-选择评估变量-确定变量权重-构建评估模型-求解评估结果”这一过程。其中,前三阶段为灾情数据预处理问题,是决定灾情评估模型有效性,进而影响评估结果准确性的关键问题。基于此,考虑到灾情数据获取阶段中存在的数据缺失现象,借鉴已有灾情评估模型的构建思路,将如何在缺失数据情形下确定灾情评估变量与变量权重作为主要研究问题,以实现从灾情数据中获取关键评估参数,辅助评估模型建立的目的。其中,数据缺失是灾情数据的重要特征,而评估模型的建立需基于完备数据集,因而,首先要解决数据缺失问题给灾情评估带来的障碍。其次,自然灾害的复杂性使得人类对灾害机理的认知存在大量空白,多数灾情评估模型并非是利用灾害机理推演得到,更多的是通过对灾情数据统计分析与规律挖掘得到评估相关参数,进而建立基于评估参数的评估模型；通过对灾情评估模型的分解分析,评估变量和变量权重作为所有模型中的公有和仅有的两类参数,选择哪些评估变量及这些变量的权重取值,是影响评估模型有效性的关键因素,只有对这两类参数给予准确的限定与赋值,基于此建立的灾情评估模型才是科学有效的。针对上述问题,本文在已有研究的基础上开展工作,并取得以下的进展：(1)灾情数据的缺失特征分析与灾情评估描述模型的建立。分析灾情数据缺失的原因、缺失机制分类以及缺失的表现；并利用模型的共性知识建立灾情评估问题的描述模型和评估变量的表示模型。(2)给出缺失灾情数据的填补方法。在对灾情数据缺失表现分析的基础上,就灾情评估中出现的离散缺失情形和连续缺失情形分别提出对应的缺失数据补全方法。对于离散缺失情形,利用灾情数据间的关联性,提出基于最近邻算法建立缺失值填补方法：对于连续缺失情形,提出基于情景匹配的缺失值填补方法,通过界定情景的概念,利用情景匹配方法选择与与当前情景匹配度最高历史情景,借助于其中数据辅助解决当前的缺失值问题。(3)给出评估变量选择方法。在完备数据的保证下,通过分析灾情评估问题中评估目标对评估变量间的关系,将评估变量的选择划分为单一目标下的变量选择方法和多目标下的变量选择方法两类。其中,单目标情形下考虑灾情数据与评估目标关系,提出基于灰关联分析的评估变量选择方法；多目标情形下考虑主客观多个评估目标,建立一个两阶段的变量选择过程,提出了基于多目标优化理论的变量选择方法。(4)给出评估变量赋权方法。对筛选出的评估变量进行赋权,根据评估模型中评估变量的存在形式,分别给出了单变量的赋权方法和评估变量集的赋权方法。对于单变量形式,将评估变量的赋权方式界定为一种客观赋权方法,利用评估变量值的平均信息量差异作为变量赋权的主要依据,提出基于变量值信息熵的赋权方法。对于评估变量集,通过建立评估指标权重与评估变量权重间的量化关系,将评估指标赋权问题转化为求解指标与变量间关联系数的问题,进而提出一种基于关联度的评估指标权重确定方法。本研究考虑了灾情评估中的数据缺失情形,展开评估变量的选择方法及变量赋权方法的研究,通过补全缺失数据,使得灾情数据集完备化,进而挖掘灾情数据中有价值的评估信息以辅助评估模型建立。本研究的成果部分弥补和完善了灾情数据预处理过程中的研究空白,也为后续相关研究提供了一定的研究基础。
【学位授予单位】：大连理工大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：F224

【相似文献】