[发明专利]一种基于随机森林的人口数量预测方法

权利要求书

1.一种基于随机森林的人口数量预测方法，其特征在于，包括以下步骤：

步骤1：对人口指标缺失数据填补，数据缺失类型包括单个年份数据缺失和多个年份数据缺失两种情况；

步骤2：对填补后的人口数据进行冗余特征处理，并使用主成分分析法提取出真正能代表指标的特征；

步骤3：将处理后的人口指标数据集D按照某种比例分成训练集D₁与测试集D₂；设森林中回归树的数量为N，候选特征的分裂节点数目为M，最小节点大小p；

步骤4：首先，从训练集D₁中使用自助采样法获取K个样本；然后从样本中随机选择M个指标特征，基于均方差准则，选择最优特征与最优划分点，根据选择的最优特征与划分点生成2个子树，重复这个操作生成一个回归树，将这棵树加入到随机森林中；最后判断生成的森林中的树的个数是否达到N个，如果没有到达则继续生成，反之停止构建；设x为测试数据集中D₂中的样本，令f_i(x)为随机森林中第i个树的预测结果，则基于随机森林的人口数量预测结果为：

2.根据权利要求1所述的方法，其特征在于，所述步骤1的具体过程为：

步骤1.1：对单个年份缺失数据，采用线性回归预测模型填补；设人口指标数据集D^*中含有完整指标D^*_a和缺失数据的指标D^*_b，其缺失的年份为Y_b；将D^*_a中除Y_b年份以外的数据作为线性回归的自变量，将D^*_b中Y_b年份的数据作为因变量，构建预测模型，预测出D^*_b中Y_b年份的数据填补进空缺当中；

步骤1.2：对于多个年份缺失数据，采用拉格朗日插值填补；对于这类多个年份空值的情况，将年份Y看成是插值点的一部分，将年份与其数据看成是平面上的一个点，即(D^*,Y)；通过这些平面上的点构建拉格朗日插值函数，缺失数据的年份输入函数中从而预测出数值进行填充。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤2的具体过程为：

步骤2.1：使用相关性检测方法从指标数据中去处冗余特征；需要计算的是D中2个指标之间的相关性，而年份Y不属于指标范围在内的数据，所以不需要考虑年份这一字段，故将其从原始数据中删除；相关系数大于0.8，两个指标之间存在强的线性关系；对于多个指标间存在强线性关系，只需保留其中相关系数最强的一个指标，得到去处冗余特征的人口指标数据；

步骤2.2：使用主成分分析来对人口指标进行规约，继续降低数据集的特征个数，提高模型准确度；

步骤2.3：使用随机森林的方法提取影响人口数量的关键特征；抽样得到的辽宁人口指标数据，并且对每一次得到的数据都构建成一棵回归树，而且在生成的每一个结点随机不重复地选择特征；通过比对每个特征在随机森林中的每颗树上的贡献度，来获得每个特征的重要程度；选择占主要贡献度的特征作为预处理结果。