[发明专利]一种优化的模型并行的缺陷物资预测方法

权利要求书

1.一种优化的模型并行的缺陷物资预测方法，其特征在于：包括，

基于Spark框架搭建分布式框架；

分别在分布式框架的每个从节点上训练一个机器学习模型；

将训练完成的机器学习模型分别保存到对应的从节点，获得缺陷物资预测模型；

利用所述缺陷物资预测模型对缺陷物资进行预测。

2.如权利要求1所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述分布式框架包括一个主节点和多个从节点。

3.如权利要求1所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述机器学习模型包括，

线性回归模型、Lasso回归模型、岭回归模型、负反馈神经网络模型、梯度提升树和极端梯度提升模型。

4.如权利要求2或3所述的优化的模型并行的缺陷物资预测方法，其特征在于：训练所述机器学习模型包括，

根据目标公式对优化目标进行求解，完成所述机器学习模型的训练；而后利用机器学习模型预测所述缺陷物资，分别获得预测值

所述目标公式如下：

其中，n_samples为样本数，w为向量在样本各个维度的权重系数，X为样本数据，y为物资缺陷的量，α、β为正则系数，||w||₁、||w||₂分别为系数的一阶范数、二阶范数。

5.如权利要求4所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述预测值包括，

其中，为线性回归模型、Lasso回归模型、岭回归模型的缺陷物资预测值，x为输入的电网物资的特征数据，θ为权重参数向量，T为转置符号。

6.如权利要求5所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述预测值包括，

其中，为梯度提升树和极端梯度提升模型的缺陷物资预测值，f_k为第k棵分类回归树，K为分类回归树的数量，Γ为分类回归树的空间。

7.如权利要求4或5所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述预测值包括，

其中，为负反馈神经网络模型的缺陷物资预测值，w₁为第一层的参数，σ为激活函数，w₂为第二层的权重参数。

8.如权利要求4所述的优化的模型并行的缺陷物资预测方法，其特征在于：还包括，

所述分布式框架在所述主节点上对缺陷物资的数据和气象数据进行分发，若有N个所述机器学习模型，则将机器学习模型的训练命令打包并发送到所述从节点。

9.如权利要求1所述的优化的模型并行的缺陷物资预测方法，其特征在于：所述缺陷物资包括，

金具本体、本体、拉线本体、混凝土电杆、瓷质绝缘子、CPU插件、架空导线、分合闸接触器、充电模块、复合绝缘子。