文件大小：1.15M
摘要：为提高随机森林模型（RF）预测民航风险的精度，克服参数选择对RF性能的不利影响，提出一种基于改进鹈鹕算法（IPOA）优化RF的民航风险预测模型，即IPOA-RF。首先，通过IPOA优化搜索因子并引入概率因子，将鹈鹕个体的视野和步长扩大到整个鸟群搜索区域，用于优化RF；其次，构建民航风险指标体系，提出民航风险量化指标，即月平均风险；再次，利用真实数据验证IPOA-RF模型性能，并与单纯的RF模型、遗传算法（GA）优化的RF模型（GA-RF）、粒子群算法（PSO）优化RF模型（PSO-RF）对比。结果表明，相比于单纯的RF、GA-RF、PSO-RF，IPOA-RF均方根误差RMSE分别降低91.32%、86.76%、89.68%，平均绝对误差MAE分别降低91.07%、86.82%、88.72%，决定系数R2分别提升30.51%、17.41%、20.53%，其模型预测精度性能优于其他比照模型。
文章目录
0引言
1 民航风险量化方法
1.1民航风险指标体系构建
1.2民航风险量化计算公式
2 随机森林和鹈鹕算法
2.1随机森林模型
2.2鹈鹕算法[17-18]
2.2.1种群初始化
2.2.2逼近猎物(勘探阶段)
2.2.3水面飞行(开发阶段)
3 改进鹈鹕算法优化随机森林的预测模型
3.1改进的鹈鹕算法设计
3.2改进鹈鹕算法优化随机森林的预测模型
4 仿真实例
4.1获取实验数据
4.2试验数据处理
4.3参数设置
4.4模型效果及评价
4.4.1模型效果
4.4.2模型评价
5 结论
