一种基于XGBoost的平行推演多分支态势预测方法与流程

本发明属于态势预测，具体涉及一种基于xgboost的平行推演多分支态势预测方法。

背景技术：

1、由于在时敏作战环境中，海量化以及敌我双方高强度博弈对抗的影响下，未来战场态势的变化具有多样性、难以预测性以及复杂性的特点，依托人员经验和素质的预测方法无法对未来态势进行全面、准确的预测。因此，设计一种合适的战场态势预测方法来预测战场未来的多分支态势成为亟需解决的技术问题。

2、目前，针对战场态势预测的方法通常采用贝叶斯网络以及专家系统进行预测，但由于目前信息化战场态势数据具有高纬度，海量化，捷频变的特点，构建贝叶斯网络需要较高的时间开销以及复杂的网络结构，难以确定最优的网络结构对态势进行预测。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于xgboost的平行推演多分支态势预测方法的新技术方案。

2、根据本发明的一个方面，提供了一种基于xgboost的平行推演多分支态势预测方法，包括如下步骤：

3、步骤s1，根据时间序列对战场态势数据进行排序并进行数据预处理和数据分配；其中，数据预处理包括对战场态势数据进行离散编码，并将离散编码后的战场态势数据进行稀疏编码；数据分配包括将战场态势数据集按照留出法划分成训练集和测试集；

4、步骤s2，根据数据预处理的结果以及数据分配的结果训练xgboost模型，并利用xgboost模型输出战场未来态势概率；

5、步骤s3，建立贝叶斯网络，估计战场未来态势对应的作战效益；

6、步骤s4，根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势。

7、可选地，训练xgboost模型，并利用xgboost模型输出战场未来态势概率，包括：

8、首先，设置xgboost模型的损失函数，定义决策树的初始结构参数以及模型的初始学习参数；

9、其次，利用网格搜索的方法进行参数调优，确定模型参数，并利用网格搜索迭代寻找最优参数向量，确定训练模型参数；

10、最后，xgboost模型根据当前战场态势数据，输出下一时刻的每种战场未来态势发生的概率向量。

11、可选地，xgboost模型的损失函数如下：

12、

13、其中，上式第一项中表示第t-1轮的模型预测；ft(xi)表示本轮的树结构；yi表示第i个样本的类别标签；第二项ω(ft)是正则项

14、其中，t表示每棵树的叶子节点数量，w表示每棵树的叶子节点的分数组成的集合，γ和λ表示需要调参的系数；

15、确定损失函数的的二阶泰勒展开式为：

16、其中，g为一阶导数，h为二阶导数。

17、可选地，定义决策树的初始结构参数以及模型的初始学习参数包括：设置决策树的最大深度为5，最小叶子节点权重为1，特征随机采样的比例为0.8，模型的学习率为0.1；同时，提高对捷变特征采样率以及发生捷变的样本的权重；

18、参数调优包括：定义结构和学习参数向量矩阵w：

19、

20、其中，参数向量矩阵中w的第一行向量为xgboost模型中的cart决策树的数量，第二行向量为cart决策树的最大深度，第三行向量为xgboost模型的学习率大小，第四行向量为xgboost模型中的损失函数里的正则化参数γ取值大小。

21、可选地，网格搜索方法根据参数向量矩阵w，按照每个行向量的取值个数，随机排列共有256中向量组合方式，采取贪心算法穷举搜索每种组合，选择查准率、查全率以及f1-score三种评价指标，评估每种组合训练后的xgboost模型，选择其中取得最优评价指标的xgboost模型，其使用的参数向量组合就是最优参数向量组合。

22、可选地，建立贝叶斯网络，估计战场未来态势对应的作战效益，包括：

23、采用作战效益评估指标计算某个战场未来态势对应的作战效益；其中，作战效益评估指标的计算公式如下：

24、b(x)＝w1y(x)+w2e(x)+w3m(x)

25、式中，y(x)为战场未来态势为x时我方作战胜利率，e(x)为战场态势为x时的敌方作战单位损失率；m(x)为战场态势为x时的我方作战单位损失率；w1，w2，w3分别为我方作战胜利率、敌方作战单位损失率、我方作战单位损失率所对应的权重，各个权重之和等于1，且由专家经验确定；

26、利用历史战场态势数据以及专家先验知识构建出的贝叶斯网络，采用贝叶斯网络预测我方作战单位损失率达到50％及以上，则m(x)＝0.5；反之，m(x)＝1；当我方作战单位损失率达到50％及以上时，则e(x)＝1；反之，e(x)＝0.5。

27、可选地，y(x)的计算公式如下：

28、y(x)＝α1d(x)+α2a(x)+α3s(x)；

29、

30、

31、

32、其中，d(x)，a(x)，s(x)，分别表示基于战场未来态势为x的距离、角度、速度的收益函数；α1，α2，α3分别表示各个收益函数所对应的权重，各个权重之和等于1，且由专家经验确定；d(xi)，a(xi)，s(xi)分别表示的是第i个飞机的距离收益、角度收益、速度收益。

33、可选地，距离收益函数的公式如下：

34、

35、其中，r表示我方第i个歼击机和敌方第j个飞机的距离；导弹的攻击距离应满足rmin≤r≤rmax；rmin，rmax分别指的是导弹攻击区的近边界和远边界；若dmax＝dmin＝0.95，则可得σ＝2(rmin+rmax)；

36、角度收益函数的公式如下：

37、

38、其中，和分别为目标进入角和目标方位角；

39、速度收益函数的公式如下：

40、

41、其中，vg和vm分别为攻击机和目标机的速度。

42、可选地，根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势，包括：

43、战场未来态势得分的计算公式如下：

44、score(x)＝l(x)+λb(x)；

45、其中，l(x)为xgboost模型输出的战场未来态势x所对应的概率，λ为权重因子，b(x)为战场未来态势x对应的作战效益。

46、可选地，分别对每个战场未来态势进行计算并获得相应的态势得分，按照得分大小从高到底排序，输出前四种战场未来态势。

47、本发明的一个技术效果在于：

48、在本申请实施例中，利用xgboost模型输出每种战场未来态势概率，而且，建立贝叶斯网络，估计战场未来态势对应的作战效益，并结合估计每种战场未来态势的作战效益和态势概率，计算态势得分完成多分支态势预测，态势得分作为一种新的作战效益评估指标，为时敏作战条件下的战术决策提供支持。

技术特征：

1.一种基于xgboost的平行推演多分支态势预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，训练xgboost模型，并利用xgboost模型输出战场未来态势概率，包括：

3.根据权利要求2所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，xgboost模型的损失函数如下：

4.根据权利要求3所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，定义决策树的初始结构参数以及模型的初始学习参数包括：设置决策树的最大深度为5，最小叶子节点权重为1，特征随机采样的比例为0.8，模型的学习率为0.1；同时，提高对捷变特征采样率以及发生捷变的样本的权重；

5.根据权利要求4所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，网格搜索方法根据参数向量矩阵w，按照每个行向量的取值个数，随机排列共有256中向量组合方式，采取贪心算法穷举搜索每种组合，选择查准率、查全率以及f1-score三种评价指标，评估每种组合训练后的xgboost模型，选择其中取得最优评价指标的xgboost模型，其使用的参数向量组合就是最优参数向量组合。

6.根据权利要求5所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，建立贝叶斯网络，估计战场未来态势对应的作战效益，包括：

7.根据权利要求6所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，y(x)的计算公式如下：

8.根据权利要求4所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，距离收益函数的公式如下：

9.根据权利要求1所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势，包括：

10.根据权利要求9所述的基于xgboost的平行推演多分支态势预测方法，其特征在于，分别对每个战场未来态势进行计算并获得相应的态势得分，按照得分大小从高到底排序，输出前四种战场未来态势。

技术总结
本发明提供一种基于XGBoost的平行推演多分支态势预测方法，包括如下步骤：根据时间序列对战场态势数据进行排序并进行数据预处理和数据分配；其中，数据预处理包括对战场态势数据进行离散编码，并将离散编码后的战场态势数据进行稀疏编码；数据分配包括将战场态势数据集按照留出法划分成训练集和测试集；根据数据预处理的结果以及数据分配的结果训练XGBoost模型，并利用XGBoost模型输出战场未来态势概率；建立贝叶斯网络，估计战场未来态势对应的作战效益；根据战场未来态势概率以及战场未来态势对应的作战效益计算战场未来态势得分并输出多分支态势。本发明的一个技术效果在于，设计合理，能够准确地预测并输出多分支态势。

技术研发人员：关永胜,葛建军,张可,王星飞,林忠锐
受保护的技术使用者：中国电子科技集团公司信息科学研究院
技术研发日：
技术公布日：2024/1/12