面向部队装备综合态势展现的数据建模方案

， ，，

近年来，随着全球新一代信息技术的应用，人类社会进入了一个大规模生产、分享和应用数据的大数据与人工智能时代，数据已经成为军事信息中不可或缺又亟待开发的重要资源[1]。

大数据与人工智能成为推动各国军事转型和军队建设的新动力，促进了国家安全和军事战略决策方式的变革[2]，提高了国防和军队建设的精确化水平，催生了新型武器装备，引导了军事组织形态变革，转变了武装力量的运用模式，推动了战争形态的演变[3]。

各类传感设备在军事领域的安装应用以及获取数据的渠道增多，将会产生海量的数据。未来影响、决定军事行动的最大核心在于数据，数据的积累量、数据分析和处理能力、数据主导决策以及人工智能水平将是获得战场优势的关键。

目前，全军及各军兵种启动建设了各类军事应用系统，安装了大量的传感器及其他数据采集设备，为军事大数据的收集提供了平台，为海量数据的挖掘和整合奠定了基础。

未来工作的重心是努力建构处理大数据的硬件系统、软件模型，实现大数据“从数据转化为决策”的智能化和瞬时化，从而引领指挥决策方式变革，优化作战指挥流程，提高军事管理水平，提升体系作战能力[4]。

在部队装备建设中，总线装备运行参数记录仪计划安装到装备中，采集装备各部件的运行参数，如××式车采集的参数为300多个，××式车采集的参数为400多个。参数类型既有离散型(如某参数0表示正常，1表示故障)；又有连续型(如某参数有效范围0～250)，参数用途类型涵盖了维修、管理等各环节。

本方案将建立评价指标体系，针对某种类型装备，模拟总线装备运行参数记录仪采集的数据样本，进行深度的数据融合，利用机器学习算法建立数学模型，挖掘数据中装备的信息，实时评价单装的状态，实时展现部队装备的整体态势。

1 评价指标体系

1.1 参数离散化

分析总线装备运行参数记录仪采集数据参数的取值情况，将连续型参数离散化。如某参数有效范围0～250，数据在有效范围内记为0，在有效范围外记为1；某参数数值范围0～500之间，定义400～500为1级，300～399为2级，200～299为3级，200以下为4级。

1.2 确定装备状态分级

根据总线装备运行参数记录仪采集数据参数范围情况，将装备状态等级分为良好、一般、劣化、严重，对应的装备策略为正常运行、计划安排维修、尽快安排维修、立即安排维修[5](表1)。

表1 装备状态分类与指挥策略

1.3 确定参数取值范围

根据总线装备运行参数记录仪采集数据参数范围情况，确定每个等级各参数的取值范围。如某参数，0表示正常，1表示故障，2表示严重故障，则定义装备状态等级对应的参数：良好为0，一般为0，劣化为1，严重为2。

2 样本模拟

根据部队装备状态各等级参数取值范围，随机生成模拟样本，每个等级模拟一定量的样本，各参数取值原则为本级别取值或向优取值，但要保证至少有一个参数为本级别取值[6]。如在“劣化”的等级中，至少有一个参数达到“劣化”标准，参数“发动机自检信息”，本级别取值为1，向优取值为0，该参数的取值为1或0；如果取值为0，要保证该样本中其他参数至少有一个为“劣化”水平[7]，从而建立模拟样本集，满足数据建模对训练集和测试集样本的需求[8]。

3 数据建模

将模拟样本集按一定比例随机划分为训练集和测试集。如取训练集的比例为75%，测试集的比例为25%，利用训练集训练模型，选择k-Nearest Neighboers，Logistic Regression，Decision Tree，Random Forest，Gradient Boosting，Support Vector Machine，Deep Learning等机器学习模型进行对比[9](表2)。

表2 不同模型的准确率比较

从表2可以看出，各类模型对训练样本的准确率均较高，其中Random Forest对测试样本的准确率最高。因此，选择Random Forest模型，调整模型中的参数，估评模型在训练集和测试集的准确度[10](表3)。

从表3可以看出，在Random Forest模型选择参数max_depth=None,n_estimators=500,random_state=0时，模型对测试样本的准确率的准确率达到了96.0%，因此是较好的选择。

将单个装备总线装备运行参数记录仪采集的数据输入Random Forest模型，进行分类预测，得到单个装备的状态等级[11]。同时结合装备实际运行情况，调整指标体系中各指标的权重，使模型更科学合理[12]。

表3 Random Forest模型不同参数的准确率比较

4 装备态势展现

部队装备类型多样，可按照大的类型区分成通用车辆、履带装甲、轮式装甲、工程机械、飞机、船艇等，同类型装备制定通用模型。并在此基础上，按照不同武器装备的不同特性，制定不同型号装备的具体模型。运行使用时，针对总线装备运行参数记录仪采集的数据情况，分别建立评价指标体系，构建评价模型并进行评估。以各单个装备最新的采集数据为依据，评价部队全部单个装备的状态等级，以旅、军、战区军种、军兵种为展示单位，进行汇总展示；以各单个装备状态等级为基础，利用Topsis，Projection Pursuit，EDA等方法，对各旅、军、战区军种的全部装备的总体水平进行评估、排序。随着总线装备运行参数记录仪的普遍安装，并采集积累一定时间的数据，可以对装备进行回归分析、聚类分析、时间序列分析、关联分析等。

5 结语

通过对海量大数据进行实时处理，进行多维度数据应用分析，实时监控数据流向，实现数据互动可视化分析[13]。对同个单位不同型号武器装备数据集、历史数据集、配套装备数据集的分析，以及对不同单位同型装备数据集、异型装备、同底盘装备、同上装装备等的交叉分析，可清晰地看到同一类装备在不同单位情况，同一单位不同装备情况，不同历史时期装备情况等全过程、全寿命周期武器装备动用、使用、保管、保养、维修保障等比对信息[14]。此外，构建的丰富的决策模型，为军事决策提供精准的分析预测服务，支持军事首长统揽全局，清晰洞察相关业务领域的客观现状，并在动态数据中探索多维变量的相关性和相关领域的发展趋势，快速科学地制定决策模型，提高决策效率[15]。通过机器学习、深度学习，并结合专家验证的方法对模型进行优化，不断升级模型、优化对策，驱动科学决策，提升部队科学管装治装整体水平[16]。