面向部隊裝備綜合態勢展現的數據建模方案

， ，，

近年來，隨著全球新一代信息技術的應用，人類社會進入了一個大規模生產、分享和應用數據的大數據與人工智能時代，數據已經成為軍事信息中不可或缺又亟待開發的重要資源[1]。

大數據與人工智能成為推動各國軍事轉型和軍隊建設的新動力，促進了國家安全和軍事戰略決策方式的變革[2]，提高了國防和軍隊建設的精確化水平，催生了新型武器裝備，引導了軍事組織形態變革，轉變了武裝力量的運用模式，推動了戰爭形態的演變[3]。

各類傳感設備在軍事領域的安裝應用以及獲取數據的渠道增多，將會產生海量的數據。未來影響、決定軍事行動的最大核心在于數據，數據的積累量、數據分析和處理能力、數據主導決策以及人工智能水平將是獲得戰場優勢的關鍵。

目前，全軍及各軍兵種啟動建設了各類軍事應用系統，安裝了大量的傳感器及其他數據采集設備，為軍事大數據的收集提供了平臺，為海量數據的挖掘和整合奠定了基礎。

未來工作的重心是努力建構處理大數據的硬件系統、軟件模型，實現大數據“從數據轉化為決策”的智能化和瞬時化，從而引領指揮決策方式變革，優化作戰指揮流程，提高軍事管理水平，提升體系作戰能力[4]。

在部隊裝備建設中，總線裝備運行參數記錄儀計劃安裝到裝備中，采集裝備各部件的運行參數，如××式車采集的參數為300多個，××式車采集的參數為400多個。參數類型既有離散型(如某參數0表示正常，1表示故障)；又有連續型(如某參數有效范圍0～250)，參數用途類型涵蓋了維修、管理等各環節。

本方案將建立評價指標體系，針對某種類型裝備，模擬總線裝備運行參數記錄儀采集的數據樣本，進行深度的數據融合，利用機器學習算法建立數學模型，挖掘數據中裝備的信息，實時評價單裝的狀態，實時展現部隊裝備的整體態勢。

1 評價指標體系

1.1 參數離散化

分析總線裝備運行參數記錄儀采集數據參數的取值情況，將連續型參數離散化。如某參數有效范圍0～250，數據在有效范圍內記為0，在有效范圍外記為1；某參數數值范圍0～500之間，定義400～500為1級，300～399為2級，200～299為3級，200以下為4級。

1.2 確定裝備狀態分級

根據總線裝備運行參數記錄儀采集數據參數范圍情況，將裝備狀態等級分為良好、一般、劣化、嚴重，對應的裝備策略為正常運行、計劃安排維修、盡快安排維修、立即安排維修[5](表1)。

表1 裝備狀態分類與指揮策略

1.3 確定參數取值范圍

根據總線裝備運行參數記錄儀采集數據參數范圍情況，確定每個等級各參數的取值范圍。如某參數，0表示正常，1表示故障，2表示嚴重故障，則定義裝備狀態等級對應的參數：良好為0，一般為0，劣化為1，嚴重為2。

2 樣本模擬

根據部隊裝備狀態各等級參數取值范圍，隨機生成模擬樣本，每個等級模擬一定量的樣本，各參數取值原則為本級別取值或向優取值，但要保證至少有一個參數為本級別取值[6]。如在“劣化”的等級中，至少有一個參數達到“劣化”標準，參數“發動機自檢信息”，本級別取值為1，向優取值為0，該參數的取值為1或0；如果取值為0，要保證該樣本中其他參數至少有一個為“劣化”水平[7]，從而建立模擬樣本集，滿足數據建模對訓練集和測試集樣本的需求[8]。

3 數據建模

將模擬樣本集按一定比例隨機劃分為訓練集和測試集。如取訓練集的比例為75%，測試集的比例為25%，利用訓練集訓練模型，選擇k-Nearest Neighboers，Logistic Regression，Decision Tree，Random Forest，Gradient Boosting，Support Vector Machine，Deep Learning等機器學習模型進行對比[9](表2)。

表2 不同模型的準確率比較

從表2可以看出，各類模型對訓練樣本的準確率均較高，其中Random Forest對測試樣本的準確率最高。因此，選擇Random Forest模型，調整模型中的參數，估評模型在訓練集和測試集的準確度[10](表3)。

從表3可以看出，在Random Forest模型選擇參數max_depth=None,n_estimators=500,random_state=0時，模型對測試樣本的準確率的準確率達到了96.0%，因此是較好的選擇。

將單個裝備總線裝備運行參數記錄儀采集的數據輸入Random Forest模型，進行分類預測，得到單個裝備的狀態等級[11]。同時結合裝備實際運行情況，調整指標體系中各指標的權重，使模型更科學合理[12]。

表3 Random Forest模型不同參數的準確率比較

4 裝備態勢展現

部隊裝備類型多樣，可按照大的類型區分成通用車輛、履帶裝甲、輪式裝甲、工程機械、飛機、船艇等，同類型裝備制定通用模型。并在此基礎上，按照不同武器裝備的不同特性，制定不同型號裝備的具體模型。運行使用時，針對總線裝備運行參數記錄儀采集的數據情況，分別建立評價指標體系，構建評價模型并進行評估。以各單個裝備最新的采集數據為依據，評價部隊全部單個裝備的狀態等級，以旅、軍、戰區軍種、軍兵種為展示單位，進行匯總展示；以各單個裝備狀態等級為基礎，利用Topsis，Projection Pursuit，EDA等方法，對各旅、軍、戰區軍種的全部裝備的總體水平進行評估、排序。隨著總線裝備運行參數記錄儀的普遍安裝，并采集積累一定時間的數據，可以對裝備進行回歸分析、聚類分析、時間序列分析、關聯分析等。

5 結語

通過對海量大數據進行實時處理，進行多維度數據應用分析，實時監控數據流向，實現數據互動可視化分析[13]。對同個單位不同型號武器裝備數據集、歷史數據集、配套裝備數據集的分析，以及對不同單位同型裝備數據集、異型裝備、同底盤裝備、同上裝裝備等的交叉分析，可清晰地看到同一類裝備在不同單位情況，同一單位不同裝備情況，不同歷史時期裝備情況等全過程、全壽命周期武器裝備動用、使用、保管、保養、維修保障等比對信息[14]。此外，構建的豐富的決策模型，為軍事決策提供精準的分析預測服務，支持軍事首長統攬全局，清晰洞察相關業務領域的客觀現狀，并在動態數據中探索多維變量的相關性和相關領域的發展趨勢，快速科學地制定決策模型，提高決策效率[15]。通過機器學習、深度學習，并結合專家驗證的方法對模型進行優化，不斷升級模型、優化對策，驅動科學決策，提升部隊科學管裝治裝整體水平[16]。