基于扩展规则推理网络的环境治理成本预测方法

本发明涉及人工智能，尤其涉及一种基于扩展规则推理网络的环境治理成本预测方法。

背景技术：

1、深度学习作为人工智能领域的一个重要分支，在图像识别、故障诊断、自然语言处理等方面的应用取得了很好的效果。虽然这些模型具有很高的准确性，但它们是“黑箱”机制目前无法解释其决策和操作的过程。人工智能(ai)系统在公平性、问责性、透明度和可解释性方面的发展受到限制。同时，在不同的科学和工业领域中产生大量的不确定信息，这些信息具有多种类型的不确定性知识。由于不确定性知识表达的不完整性、模糊性、不精确性使模型的准确预测面临重大挑战。为了解决上述低可解释性问题和转化不确定性知识，基于置信规则的专家系统(brb)被广泛使用，这是一种具有高解释性的方法。

2、基于规则的系统有两个基本组成部分：知识库和推理机。知识库的组成部分通常是if-then规则的形式，也称为规则库。在if-then规则的结果部分嵌入置信度得到了brb，因此能够有效的处理不确定性知识。yang等人提出了brb的近似推理方法rimer。rimer是在d-s证据理论、决策理论、模糊集理论和基于证据推理方法的基础上发展起来的。该方法可以捕获数据集中涉及的模糊、不完整和不确定的知识，以在先行属性和相关结果之间建立线性或非线性关系，建立一个具备可解释性模型。目前，brb在可解释性方面表现出优势，许多优化方法已被研究。然而，当构建brb的数据的属性数量较大时，存在规则指数爆炸问题。

3、为了弥补这一缺陷，liu等人将置信程度嵌入到每条规则的后件属性和所有前件属性中，提出了扩展置信规则库(extended belief rule base,ebrb)。在不影响规则可解释性的前提下，ebrb通过数据驱动方法将样本直接转化为置信规则，避免了规则指数爆炸的问题。ebrb的推理过程与rimer相似，能够表达不确定性知识并且具备高可解释性。yang等人通过研究个体匹配度和激活权重的可解释性，考察效用值和属性权重对系统精度的影响，提出了一种新的激活权重计算方法和参数优化方法，极大提高ebrb系统的可解释性。由于置信结构嵌入到每条规则的整个属性中，因此ebrb可以更有效地表达多种不同类型的不确定性，并且已经证明了其解决分类问题的潜力。已经广泛应用于成本预测、寿命预测和碳排放预测等多个领域。

4、环境治理成本的预测涉及到对环境现状的深入剖析、对未来发展趋势的精准把握，以及政策制定者对环境治理目标的清晰理解。在这一过程中，环境的各类指标，如空气质量、水质状况、土壤污染程度等，与最终预算之间往往存在着复杂而微妙的因果关系。这些关系，有的显而易见，有的则深藏不露，需要通过科学的方法去揭示和挖掘。现有技术中的环境成本预测方法较为粗放，造成环境治理成本预测的准确性较低。

技术实现思路

1、本发明所要解决的技术问题是如何提供一种能够准确的对环境治理进行成本预测的方法。

2、为解决上述技术问题，本发明所采取的技术方案是：一种基于扩展规则推理网络的环境治理成本预测方法，包括如下步骤：

3、收集并整理历史的环境治理指标数据和预算数据；

4、将环境治理指标数据和预算数据作为样本的属性，设计并构建扩展规则推理网络(erin)模型；

5、通过训练和调整网络模型，使扩展规则推理网络(erin)模型能够准确地拟合历史数据，并具备对未来数据的预测能力；

6、使用训练和调整后的扩展规则推理网络(erin)模型进行环境治理成本预测。

7、采用上述技术方案所产生的有益效果在于：本申请所述方法首先构建扩展规则推理网络(erin)模型，并使用训练和优化后的扩展规则推理网络(erin)模型对环境治理成本进行预测，扩展规则推理网络模型能够根据已有的环境治理指标数据和对应的预算数据，构建一个结构清晰、逻辑严密的推理模型。这个模型不仅能够反映出指标与预算之间的直接因果关系，还能够捕捉到那些隐藏在表象之下的间接关联。通过不断的学习和训练，从而实现对未来环境治理成本的精准预测。

8、此外，本申请结合深度学习和ebrb提出了扩展规则推理网络(erin)模型。erin前馈过程是ebrb的推理机制，反馈过程使用梯度下降算法更新参数，并引入伪梯度降低训练过程的复杂度。erin结合ebrb的可解释性和处理不确定知识的能力，充分利用了深度学习优异的学习机制。通过训练erin，得到最合适的参数，自动生成ebrb，并生成了一个可解释的分类网络用于样本分类。实验结果和对比分析表明，所提出的erin在可解释性和网络学习能力方面以及解决分类上具有优势。

技术特征：

1.一种基于扩展规则推理网络的环境治理成本预测方法，其特征在于包括如下步骤：

2.如权利要求1所述的基于扩展规则推理网络的环境治理成本预测方法，其特征在于，所述收集并整理历史的环境治理指标数据和预算数据的方法包括如下步骤：

3.如权利要求1所述的基于扩展规则推理网络的环境治理成本预测方法，其特征在于，所述扩展规则推理网络(erin)模型包括：信息转换模块、ebrb系统构建模块、输入层、个体匹配聚合层、规则激活层和输出层；

4.如权利要求3所述的用于生成环境治理成本预算扩展置信规则库的扩展规则推理网络，其特征在于，所述信息转换模块的处理方法包括如下步骤：

5.如权利要求4所述的用于生成扩展置信规则库的扩展规则推理网络，其特征在于，所述构建ebrb系统的方法包括如下步骤：

6.如权利要求5所述的用于生成扩展置信规则库的扩展规则推理网络，其特征在于，所述输入层的处理方法包括如下步骤：

7.如权利要求6所述的用于生成扩展置信规则库的扩展规则推理网络，其特征在于，所述个体匹配聚合层的处理方法包括如下步骤：

8.如权利要求7所述的用于生成扩展置信规则库的扩展规则推理网络，其特征在于，所述规则激活层的处理方法包括如下步骤：

9.如权利要求8所述的用于生成扩展置信规则库的扩展规则推理网络，其特征在于，所述输出层的处理方法包括如下步骤：

10.如权利要求1所述的用于生成扩展置信规则库的推理网络，其特征在于所述网络模型的参数更新包括属性权重规则权重θk(k＝1，...，m)和结果的置信度更新；

技术总结本发明公开了一种基于扩展规则推理网络的环境治理成本预测方法，涉及人工智能技术领域，所述方法包括如下步骤：收集并整理历史的环境治理指标数据和预算数据；将环境治理指标数据和预算数据作为样本的属性，设计并构建扩展规则推理网络(ERIN)模型；通过训练和调整网络模型，使扩展规则推理网络(ERIN)模型能够准确地拟合历史数据，并具备对未来数据的预测能力；使用训练和调整后的扩展规则推理网络(ERIN)模型进行环境治理成本预测。所述方法能够准确的对环境治理进行成本进行预测。技术研发人员：张云霞,吴冰涛,马世龙,罗甜受保护的技术使用者：石家庄铁道大学技术研发日：技术公布日：2024/10/10