-
题名基于梯度提升迭代决策树模型的渔船转移数据挖掘
被引量:1
- 1
-
-
作者
李怡德
鲁峰
朱勇
徐硕
孙璐
-
机构
中国水产科学研究院渔业工程研究所
青岛海洋科学与技术试点国家实验室
-
出处
《农业大数据学报》
2021年第3期55-61,共7页
-
基金
渔业通信导航与大数据创新团队项目(2020TD84)
山东省支持青岛海洋科学与技术试点国家实验室重大科技专项(2018SDKJ0103-2)
中国水产科学研究院渔业工程研究所基本科研业务费专项(2019HY-ZC001-3)。
-
文摘
渔船转移是海洋渔船日常管理过程中的一项关键业务,也是所有渔船管理业务中涉及流程最多、数据传递量最大的业务,通过对大量渔船历史转移数据进行处理分析,可挖掘出与渔船转移活动相关的潜在决定性因子,对保障渔民经济利益和制定渔船管理政策等活动具有重要意义。本文基于中国渔政管理指挥系统中的渔船基础数据和渔船转移数据,并以浙江省为典型案例,选取2018年1月至2020年7月共计5641条渔船的历史转移业务数据进行数值化处理。采用梯度提升迭代决策树(GBDT)算法进行分类器逐级迭代,给出了特征分类结果与模型训练集,并最终构建了渔船被交易潜在可能性的单决策树和多决策树模型。通过模型中船龄、船长、船体材质、作业类型等渔船基本参数的权重,分析了渔民购置渔船的倾向性。结果表明:不同类型的渔船,被购置的可能性存在较大的差异,大船长、大吨位、高船龄、拖网及张网作业类型是渔船发生转移的重要决定因子。对比各项特征损失函数计算得到的损失值大小,20年船龄、大中型船长等特征的损失值比其他特征损失值小15%以上,意味着使用所选特征进行计算的分类识别率更高。本研究通过定量化分析渔民购置渔船的倾向性,可在渔船转移过程中最大化保障渔民的经济利益,同时可对渔船管理政策的制定起到辅助决策作用。
-
关键词
渔船转移
GBDT算法
决策树
数据挖掘
渔业大数据
迭代决策树
渔船管理
-
Keywords
fishing vessel transaction
GBDT algorithm
decision tree
data mining
big data in fishery
Gradient Boosting Decision Tree
fishing vessel management
-
分类号
S972.7
[农业科学—捕捞与储运]
-