[发明专利]考虑部分数据模糊和缺失的应急物资需求预测的方法

权利要求书

1.考虑部分数据模糊和缺失的应急物资需求预测模型构建方法，其特征在于，包括以下步骤：

S1、对于模糊的区间信息，计算模糊区间灰数的核，并将所得的核代替原有的模糊的区间信息；

S2、对于缺失的数据项信息，在结合灰色关联度和K近邻填补算法的基础上，于填补环节引入权重，并在填补后加入逻辑检验条件；

S3、将S1和S2预处理后的信息输入经过改进的遗传算法优化后的神经网络模型进行训练，得到训练好的应急物资需求预测模型；

S4、对S3得到的应急物资需求预测模型进行测试，根据测试结果不断调整模型参数，以得到目标应急物资需求预测模型；

所述步骤S2具体包括：

随机初始化K值，对选取的K个候选样本进行关联度排序；

为各候选样本设定权重，所述权重为对应候选样本与目标样本灰色关联度的值占所有候选样本与目标样本灰色关联度的和的百分比；

对每一个填补的缺失信息的填补结果进行检验，检验的条件根据所研究的内容进行设置；

初始化K值，K在内随机取值，n为样本规模，确定K值后继续填补；

一旦填补结果不符合所设置的条件，则返回K值确定阶段，在范围内重新选取K值，取值方法为K＝K-1；

确定K值后继续填补，若填补结果仍不符合条件，则返回K值选取阶段重新取值；

当K＝1时，则重新令

通过变异概率和交叉概率的自适应公式对模型参数不断调整，使得输出结果满足设置的训练精度要求；

所述步骤S3具体包括：

S31、输入样本，对BP神经网络进行训练，包括：设定网络训练的迭代次数、训练精度和学习速率，训练完毕后得到网络初始结构，然后对初始的权值和阈值进行编码，让其随机生成初始种群；

S32、遗传算法参数初始化：包括初始化遗传算法最大进化次数、种群规模、交叉概率和变异概率，将收集到的训练样本输入，计算网络预测结果的误差，误差平方和的倒数作为个体适应度；

S33、当个体适应度较小时，适当增大交叉概率P_c和变异概率P_m，以增加种群多样性；当个体适应度较大时，适当减小交叉概率P_c和变异概率P_m，以增强寻优收敛速度；

S34、重复S34，让神经网络的权值和阈值不断地进化，直到网络预测结果的误差达到训练目标或自适应遗传算法进化迭代次数达到最大值时遗传算法结束，输出最优的初始权值和阈值；

S35、将得到的最优的初始权值和阈值赋给BP神经网络进行仿真预测；

其中：所述自适应遗传算法的交叉概率P_c和变异概率P_m分别表示如下：

式中：f_max表示种群中最大适应度的值；f_avg表示每一代种群平均适应度的值；f_min表示种群中最小适应度的值；f₁表示要交叉的两个个体中适应度较大的值；f₂表示要变异个体的适应度的值；P表示取(0,1)之间的值。

2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：

S11、根据获取的灰值分布信息构造区间灰数的白化权函数，所述白化权函数表示区间灰数对于其区间范围内取不同的值所体现的倾向程度；

S12、利用白化权函数求区间灰数的核，即求得最能体现其倾向程度的数值；

S13、用求得的区间灰数的核来近似代表该区间灰数。