本发明涉及森林火灾预测，具体涉及一种基于属性约简的预测用火灾数据处理方法。
背景技术：
1、森林火灾是一种突发性强且救助难度大的自然灾害；特别是近年来，全球范围内的森林火灾频发，为生态环境及人类的生命安全、财产安全造成了严重的实际破坏。因此，对森林火灾的发生位置、时间等一系列内容进行预测及告警具有重要的现实意义。
2、现有的森林火灾预测过程多基于机器学习模型进行，即首先构建一初始机器学习模型；然后基于与森林火灾发生的相关历史数据对所述初始机器学习模型进行训练；最终基于训练后的模型进行森林火灾预测即可。
3、但发明人发现，由于森林这一特殊场景的环境复杂度高，因此导致在实际应用中，与预测结果相关的因素或特征的数目较多。此时，在模型的前期训练中，由于相关特征较多而存在计算复杂，训练效率难以提升的缺陷。同时，在训练预测过程中对众多特征进行统一提取并输入至初始模型内，从而导致预测结果不可避免的受到干扰，模型的预测准确性也难以提升。
技术实现思路
1、本发明目的在于提供一种基于属性约简的预测用火灾数据处理方法，以改善当前森林火灾数据中存在较多的冗余属性的情况，提高预测模型在进行森林火灾预测时的效率及准确性。
2、为达成上述目的，本发明提出如下技术方案：
3、一种基于属性约简的预测用火灾数据处理方法，包括：
4、获取若干火灾数据以构建决策信息表；其中，以火灾数据中的各项环境参数作为条件属性，结果参数作为决策属性；其中，所述结果参数为在所述各项环境参数下是否发生火灾；
5、基于信息增益及全局信息增益求取决策信息表中每一条件属性的权重，并以补偿系数作为单参数进行阈值计算，以构建加权自适应多粒度决策理论粗糙集；
6、基于所述加权自适应多粒度决策理论粗糙集构建下近似粒度矩阵，并基于所述下近似粒度矩阵获取各条件属性的重要度以对决策信息表进行属性约简，进而输出优化后的火灾数据；其中，所述优化后的火灾数据用于对预测模型进行训练以进行火灾预测。
7、进一步的，所述基于信息增益及全局信息增益求取决策信息表中每一条件属性的权重；包括：
8、基于计算每一条件属性ai的权重；其中，ai∈a，g(d|ai)=h(d)-h(d|ai)为条件属性ai的信息增益，∑ag(d|ai)为全局信息增益；其中，d为决策属性，h(d)为决策属性的熵，h(d|ai)为所述条件属性下决策属性的条件熵；其中，权重值越大，相应条件属性对分类的重要性越大；
9、删除每一火灾数据中权重值为0时对应的条件属性。
10、进一步的，所述以补偿系数作为单参数进行阈值计算；包括：
11、定义为发生下x的条件概率，ζ为补偿系数，αi、βii分别为每个条件属性的下近似阈值、上近似阈值；其中，x为决策类别的对象集，x为对象，ai为条件属性，为x关于ai的等价类；其中，0<ζ≤1；
12、判断且时，
13、其中，
14、且时，
15、且时，
16、且时，
17、进一步的，所述基于信息增益及全局信息增益求取决策信息表中每一条件属性的权重，并以补偿系数作为单参数进行阈值计算，以构建加权自适应多粒度决策理论粗糙集；包括：
18、定义一决策信息系统(u,a∪d)；其中，u为论域，a＝{a1,a2,a3…am}为属性子集，d为决策属性；
19、以u/d＝{x1,x2,x3...xj}，ζ∈(0,1)，0＜γ≤1，对于的加权自适应多粒度决策理论粗糙集下近似为：对于的加权自适应多粒度决策理论粗糙集粗糙集上近似为：
20、其中，γ为属性粒度权重的控制系数，用于控制颗粒结构的数量；为每个属性粒度的权重；αi，βi为不同对象在不同粒度下的自适应概率阈值；其中，且αi＞βi；
21、整理获取所述加权自适应多粒度决策理论粗糙集为：
22、
23、进一步的，基于所述加权自适应多粒度决策理论粗糙集构建的下近似粒度矩阵为：
24、
25、其中，|a|为所述下近似粒度矩阵的行数，表示决策信息系统中条件属性粒度数目；|u/d|为所述下近似粒度矩阵的列数，表示决策属性的分类数目；αi为不同对象在不同粒度下的自适应下近似概率阈值；其中，
26、进一步的，所述下近似粒度矩阵获取各条件属性的重要度以对决策信息表进行属性约简；包括：
27、定义核属性集合为空，根据粒度矩阵计算条件属性的重要度，将重要度最大的条件属性加入到核属性集合中；
28、判断核属性集合和原本的条件属性集合是否具有下近似分布一致集，若具有，计算核属性集合中条件属性的重要度，将存在重要度等于零的条件属性从核属性集合中删去，输出属性约简集合；否则将核属性集合中条件属性在粒度矩阵中所对应的行中非空对象删去，计算粒度矩阵中此时非空行所对应的条件属性的重要度，选取条件属性重要度最大的条件属性添加到核属性集合中以继续进行下近似分布一致集具有与否的判断。
29、进一步的，下近似分布为：
30、若则b为a的加权自适应多粒度决策理论粗糙集下近似分布一致集；若b为a的加权自适应多粒度决策理论粗糙集下近似分布一致集，且对都有则b为a的加权自适应多粒度决策理论粗糙集下近似分布约简；其中，
31、进一步的，所述核属性集合为空，各条件属性的重要度为：
32、其中，mij为矩阵中ai行的元素。
33、进一步的，所述基于所述下近似粒度矩阵获取各条件属性的重要度；包括：
34、计算任一条件属性粒度相对于决策分类的重要度，其重要度计算公式为：
35、
36、进一步的，所述基于所述下近似粒度矩阵获取各条件属性的重要度；包括：
37、计算任一条件属性粒度相对于决策分类的重要度，其重要度计算公式为：
38、
39、计算核属性集合各条件属性粒度的重要度为：
40、sgf(ai,b,d)＝sgf(b,d)-sgf(b-{ai},d)；
41、计算核属性集合以外的条件属性粒度的重要度为：
42、sgf(ai,b,d)＝sgf(b∪{ai},d)-sgf(b,d)。
43、有益效果：
44、由以上技术方案可知，本发明的技术方案提供了一种基于属性约简的预测用火灾数据处理方法以改善当前森林火灾数据中存在较多的冗余属性，导致预测模型在进行森林火灾预测时难以提升效率及准确性的技术问题。
45、所述技术方案将属性约简引入了数据处理过程。具体的，包括：首先，获取若干火灾数据以构建决策信息表；其中，以火灾数据中的各项环境参数作为条件属性，结果参数作为决策属性；其中，所述结果参数为在所述各项环境参数下是否发生火灾。其次，基于信息增益及全局信息增益求取决策信息表中每一条件属性的权重，并以补偿系数作为单参数进行阈值计算以构建加权自适应多粒度决策理论粗糙集。最后，基于所述加权自适应多粒度决策理论粗糙集构建下近似粒度矩阵，并基于所述下近似粒度矩阵获取各条件属性的重要度以对决策信息表进行属性约简，进而输出优化后的火灾数据。由此可见，整体上，在属性约简过程中引入了加权自适应多粒度决策理论粗糙集。具体的，首先，基于信息增益及全局增益求取每个火灾数据中每一条件属性的权重，同时设置属性权重控制系数，从而通过调节系数大小，控制颗粒结构的数量，增加灵活性。再者，提出下近似粒度矩阵进行属性约简，通过粒度矩阵计算下近似，方便快捷，从而提高了基于粒度矩阵的属性约简的效率。此时，基于所述优化后的火灾数据进行预测模型训练时，模型可以更快的收敛，得到的模型准确度也更高。
46、应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
47、结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
1.一种基于属性约简的预测用火灾数据处理方法，其特征在于，包括：
2.根据权利要求1所述的基于属性约简的预测用火灾数据处理方法，其特征在于，所述基于信息增益及全局信息增益求取决策信息表中每一条件属性的权重；包括：
3.根据权利要求1所述的基于属性约简的预测用火灾数据处理方法，其特征在于，所述以补偿系数作为单参数进行阈值计算；包括：
4.根据权利要求1所述的基于属性约简的预测用火灾数据处理方法，其特征在于，所述基于信息增益及全局信息增益求取决策信息表中每一条件属性的权重，并以补偿系数作为单参数进行阈值计算，以构建加权自适应多粒度决策理论粗糙集；包括：
5.根据权利要求4所述的基于属性约简的预测用火灾数据处理方法，其特征在于，基于所述加权自适应多粒度决策理论粗糙集构建的下近似粒度矩阵为：
6.根据权利要求5所述的基于属性约简的预测用火灾数据处理方法，其特征在于，所述下近似粒度矩阵获取各条件属性的重要度以对决策信息表进行属性约简；包括：
7.根据权利要求6所述的基于属性约简的预测用火灾数据处理方法，其特征在于，
8.根据权利要求6所述的基于属性约简的预测用火灾数据处理方法，其特征在于，所述核属性集合为空，各条件属性的重要度为：
9.根据权利要求6所述的基于属性约简的预测用火灾数据处理方法，其特征在于，所述基于所述下近似粒度矩阵获取各条件属性的重要度；包括：
