基于模糊随机森林模型的教育培训系统故障预测方法研究.pdf

Microcomputer Applications Vol.39,No.9,2023文章编号：10 0 7-7 57 X（2 0 2 3)0 9-0 119-0 2基于模糊随机森林模型的教育培训系统故障预测方法研究周青云1，张朝鑫，郭建龙1（1.广东电网有限责任公司培训与评价中心，广东，广州510 52 0；2.广州海晟科技有限公司，广东，广州510 52 0）摘要：针对教育培训系统发生故障、阻碍教学任务正常进行的问题，将物联网传感器和随机森林算法相结合，建立基于模糊随机森林的教育培训系统故障预测模型。通过物联网的无线采集设备获取教育培训系统的运行参数，利用模糊控制算法优化随机森林算法降低重要度较低特征的干扰。将优化后的数据作为随机森林算法的输入，风险故障存在的程度为输出，通过实例验证模型的有效性。实现表明，基于模糊随机森林的教育培训系统故障预测模型的预测率较高，相较于其他模型来说，具有较好的实际应用性。关键词：模糊随机森林；教育培训；故障预测中图分类号：TP274研究与设计文献标志码：A微型电脑应用2 0 2 3年第39 卷第9 期Research on Fault Prediction Method of Education Training SystemBased on Fuzzy Random Forest ModelZHOU Qingyun,ZHANG Zhaoxin,GUO Jianlong(l.Training and Evaluation Center,Guangdong Power Grid Co.,Ltd.,Guangzhou 510520,China;2.Guangzhou Halcyon Technology Co.,Ltd.,Guangzhou 510520,China)Abstract:Aiming at the problem that the education and training system malfunctions and hinders the normal progress of theteaching task,the IoT sensor and the random forest algorithm are combined to establish a fault prediction model for the educa-tion training system.Obtain the operating parameters of the education and training system through the wireless collection e-quipment of the Internet of Things.Use the fuzzy control algorithm to optimize the random forest algorithm to reduce the inter-ference of the less important features,and use the optimized data as the input to the random forest algorithm.The extent of thefault is the output.The model is verified through an example.The realization shows that the fault prediction model of the edu-cation training system based on fuzzy random forest has a higher prediction rate,and has better practical applicability than othermodels.Key words:fuzzy random forest;education and training;fault prediction0引言随着经济的发展和社会生活水平的提高，信息化技术也得到了发展，信息化技术逐渐应用到多个领域。教育领域最典型的应用就是教育培训系统，一旦发生故障便会阻碍教学任务的正常进行1-2 ，因此对教育培训系统故障的研究具有重要的意义。目前，有一些专家学者进行了相关研究，部分学者针对教育培训系统的使用过程进行了研究，建立了风险评价指标体系，但是该方法主要是针对使用者的风险考虑较多3-41。还有部分学者针对教育培训系统建立了TOPSIS模型评估网络参数影响的重要性，但该方法仅从网络参数的角度出发，并未对参数数据进行深人的运算5-6。更有部分学者建立了BP神经网络模型，获取教育培训系统运行过程中的参数，输入到BP神经网络中，输出目前的风险等级，但从作者简介：周青云（198 5一），女，硕士，高级工程师，研究方向为在线培训模式研究与培训运营；张朝鑫（198 8 一），男，硕士，工程师，研究方向为物联网与人工智能；郭建龙（198 2 一），男，博士，高级经济师，研究方向为电力系统仿真应用。.119.实际应用效果中看，BP神经网络对教育培训系统故障预测的准确率仍有待提升7-8。因此，本研究从教育培训系统故障预测的角度出发，建立基于模糊随机森林的教育培训系统故障预测模型。通过物联网的无线采集设备获取教育培训系统的运行参数，利用模糊控制算法优化随机森林算法降低重要度较低特征的干扰，将优化后的数据作为随机森林算法的输入，输出风险故障预测信息，提高教育培训系统故障预测的准确率。1基于物联网的系统参数感知按照COWA算子赋权法的计算步骤采用的指标进行计算，得到所有指标的权重值。1）将指标C,的专家评分数据（a1，a 2，a n 重新排列，并从0 开始编号得到新评分数据集：Microcomputer Applications Vol.39,No.9,2023式中,bobi.b,.bu-1。2）对得到的新评分数据集进行权重赋值，计算加权向量wj+1:Wj+1-1k=0式中,j=0,1,n一1,C-1为组合数。3）计算指标C，的绝对权重值;：式中，wi+1为加权向量，且wj+1E0,1,b;为新评分数据集的各数据。4）计算指标C的相对权重值wi：i研究与设计(bo,bi,.,b,.,bu1)(1)C,(2)2-一1j-0微型电脑应用2 0 2 3年第39 卷第9 期Z=lim(G+G+G3+.+G)=G(1-G)-1(8)5）求解中心度R，和原因度T：R;=E;+F,T=E;-F;E.=2j=12F=之ii=1式(9)式(12)中,E,和F；分别为影响度和被影响度，j为(3)nXn的综合影响矩阵中第i行第j列的数值，i=1,2，,n,j=1,2,n。6）获得指标权重u：（4)(9)(10)(11)(12)R,(13)2R:i=1i13实验结果分析式中，i为评价指标数量，=1,2，t。2基于模糊随机森林的教育培训系统故障预测模型模糊控制算法具备较强的抗干扰能力和容错性，它通过语言变量和模糊条件语句等方法，以模糊数学、模糊集合理论、模糊语言和模糊逻辑为基础，将自然语言转换成对应规则，基于这些规则对系统进行控制。随机森林算法是由多颗CART树组成的强学习器，是一种集成学习的方法，通过统计所有弱学习器的输出得到预测结果，对缺失特征不敏感。与其他机器学习算法相比，随机森林算法泛化能力更强、准确率更高。决策实验室分析（DEMATEL)方法可以有效地解决指标间关联情况不明确的问题，并且通过计算中心度能够得到各指标的关联权重。但是，DEMATEL方法在构建直接影响矩阵时常受到专家评价信息主观性和模糊性的影响，赋权结果缺乏准确性。本文利用三角模糊数（TFN)表达专家语言信息方面的优势，在原DEMATEL方法中增加TFN模糊化一重心法解模糊的处理过程，提高DEMATEL方法的客观性和合理性。1)TFN模糊化三角模糊数（TFN）可用A（l，m，r）表示，其中lkms、r 分别代表模糊数的上限值、可能值、下限值。利用式（5)可计算得到语言变量S:对应的模糊尺度，并构建三角模糊直接影响矩阵S：A(l,mk，r)=maxk-20k-1,mink144式中，k为语言变量的数量。2）重心法解模糊利用式（6）进行重心法去模糊化，得到对应的清晰值Pk，并构建清晰直接影响矩阵Q：Q.-)(m-/2+4.33）规范化直接影响矩阵G：QG=max1ii=14）获得综合影响矩阵Z：本文利用基于6 LoWPAN的无线传感器网络采集教育培训系统运行参数，一共10 组数据。将数据集以6：4的比例划分为训练集和测试集，并用来验证模糊随机森林算法在教育培训系统故障预测中的效果。设S为影响因素的集合，样本为A=（A i，A 2，,A），计算各个影响因素权重值2 一 一 一=一,同时计算影响因素对分类强弱的影响程度，得到深度影响因素的权重值W2(i,A,）=*Zp(Ag)?milog(p(As),W=Wi+W(0)i1,01),根据权值大小进行影响因素排序。利用MATLAB中的GroupLasso方法建立分类模型，并在测试集上执行预测模型进行分类，得到各个影响因素的分类精度，输出提取的关键影响因素集合。根据图1影响因素提取的运行结果可知，当影响因素数为5时，分类精度最高，所以根据影响因素的权重计算排序，将排名在前5的影响因素进行提取，如图2 和表2 所示。1.070.9F0.8F0.70.62(5)4(6)(7)120.npi1A1-1*logk*-一分类精度46因素个数图1影响因素个数和分类精度之间关系实际结果4r3020406080100120140150测试样本图2模糊随机森林模型(下转第133页）8。预测结果?Microcomputer Applications Vol.39,No.9,2023Forest Change by Integration of Remote Sensing Datawith Neural Network TechniquesCJ/2012 Interna-tional Conference on System Engineering and Tech-nology(ICSET).September 11-12,2012,Bandung,In-donesia.IEEE,2012:1-5.7MINAR M R,NAHER J.Recent Advances in DeepLearning:an OverviewEB/OLJ.2018:arXiv:1807.08169.https:/arxiv.0rg/abs/1807.08169.8WANG T Z,ISOLA P.Understanding ContrastiveRepresentation Learning through Alignment and Uni-formity on the HypersphereEB/OL.2020:arXiv:2005.10242.https:/arxiv.0rg/abs/2005.10242.9 ORABONA F.A Modern Introduction to OnlineLearningEB/OLJ.2019:arXiv:1912.13213.https:/arxiv.org/abs/1912.13213.10ARIK S O,PFISTER T.TabNet:Attentive Interpret-able Tabular LearningJJ.Proceedings of the AAAIConference on Artificial Intelligence,2021,35（8):6679-6687.11 KE G L,MENG Q,FINLEY T,etal.LightGBM:a Highly Efficient Gradient Boosting(上接第12 0 页）系统Z10.2420.9730.4640.5050.7860.11970.4281.0390.15100.88通过对模型对比的实现结果可知，基于模糊随机森林的模型教育培训预测效果较高、准确率较高，其余模型的预测准确率与实际结果相比均有一定程度的差异。4总结本文通过对教育培训系统故障问题的研究，建立基于模糊随机森林的教育培训系统故障预测模型，在传统的随机森林方法基础上进行改进。模型可知，基于模糊随机森林的教育培训系统故障预测模型的准确率较好。1陈洪华.基于教育信息化的大学课程实训平台系统设计J.现代电子技术，2 0 2 144（10：52-56.2 方丽娟.以智慧教育引领教育信息化创新发展.天津教育,2 0 2 1(14)：17 4-17 5.33张秋敏.职业教育PPP项目风险评价研究D.烟台：研究与设计Decision TreeCJ/Proceedings of the 3lst Interna-tional Conference on Neural Information ProcessingSystems.New York:ACM,2017:3149-3157.12李春干，邵国凡.面向对象森林分类的多分类器结合方法研究J.南京林业大学学报（自然科学版），2010,34(1):73-79.13RODRIGUEZ-GALIANO V F,CHICA-OLMO M,ABARCA-HERNANDEZ F,et al.Random ForestClassification of Mediterranean Land Cover UsingMulti-seasonal Imagery and Multi-seasonal TextureJ.Remote Sensing of Environment,2012,121:93-107.14VAN BEIJMA S,COMBER A,LAMB A.RandomForest Classification of Salt Marsh Vegetation Habi-tats Using Quad-polarimetric Airborne SAR,Eleva-tion and Optical RS DataJ.Remote Sensing of Envi-ronment,2014,149:118-129.15王怀警，谭炳香，王晓慧，等.多分类器组合森林类型精细分类J.遥感信息，2 0 19,34（2）：10 4-112.（收稿日期：2 0 2 1-12-2 2）表2 原始参数数据Z1Z221.890.0317.470.0524.360.147.260.2811.610.1327.2290.2311.010.1724.120.2622.260.1238.340.42参考文献微型电脑应用2 0 2 3年第39 卷第9 期Z3Z46.15112.507.32534.754.73451.836.28124.113.74246.035.85564.913.12172.855.25492.313.55155.314.36307.25133Zs539.01425.89728.33535.16317.34676.47584.35405.14616.03698.02烟台大学，2 0 19.4赵月，王来花，郭旭，等.基于层次分析法的云架构下教育平台安全评价J.电子技术，2 0 18，47（12）：51-53.5赵洪山，李静璇.基于PSR和改进灰色TOPSIS的园区客户能效评估模型J.中国电力，2 0 2 2，55（3）：203-212.6 EL ALAOUI M.Fuzzy TOPSIS:Logic,Approaches,and Case StudiesM.Boca Raton:CRC Press,2021.7 顾乾晖，涂振宇，杨昊天，等.基于QPSO优化LSTM神经网络水质预测模型的应用研究J.网络安全技术与应用，2 0 2 1（5）：42-45.8李，申洪涛，刘建华，等.基于Shapley组合模型及神经网络的电能表需求预测研究J.电测与仪表，2021,58(9):187-193.（收稿日期：2 0 2 1-0 5-19)Z60.340.545.020.255.140.634.337.194.832.24Z72.430.831.652.722.010.621.911.130.360.71Z817.3162.119.1412.7156.3159.3932.517.7960.1760.20Z90.0110.0520.410.760.240.0390.530.620.0020.619Z100.0800.0490.0240.730.0580.0310.0480.720.640.021