基于随机森林的老年人居住偏好预测研究

计算机工程与科学

基于随机森林的老年人居住偏好预测研究

吴帅，赵方

（北京林业大学信息学院，北京 100083）

收稿日期:2016-08-16 修回日期:2016-12-20 出版日期:2018-05-25 发布日期:2018-05-25
基金资助:
国家自然科学基金（11272061）；北京市科技计划课题（Z151100002115002）

Elderly living preference prediction

based on random forests

WU Shuai,ZHAO Fang

（School of Information,Beijing Forestry University,Beijing 100083,China）

Received:2016-08-16 Revised:2016-12-20 Online:2018-05-25 Published:2018-05-25

摘要/Abstract

摘要：

随着我国老龄化和高龄化趋势的加速，以及家庭养老功能弱化、社会养老服务体系不健全等问题，养老事业面临诸多挑战。为了更好地为老年人提供居住安排建议，同时为养老事业管理部门提供精准的决策支持，对CHARLS问卷中将近2万名老年人的数据进行了分析，力图发现影响老年人居住偏好的主要因素。同时，也尝试利用大数据和数据挖掘方法，从个人层面对老年人居住偏好进行预测，并针对类不平衡的情况下随机森林特征选择算法进行了改进。研究结果表明：基于老年人的特征数据可以很好地预测其居住偏好，为养老事业的精准化决策提供一种依据。

关键词: 数据挖掘, 居住偏好, 随机森林, 非平衡数据集, 特征选择

Abstract:

With the speedy aging population, weakening family endowment and unsound social endowment services, old-age care faces many challenges in China. In order to provide suitable living arrangement suggestions to the elderly and accurate decision-supporting to the departments geared toward elderly care, we analyze nearly 20,000 old people's data in CHARLS questionnaire, trying to find main factors affecting the elderly living preference. Besides, we also attempt to predict living preferences for old people by using the characteristics data of the elderly and improve feature selection algorithm on imbalanced data based on random forests. Experimental results indicate that the elderly living preference can be predicted well by using the characteristics data of the elderly. Importantly, this method is potential to provide reference on accuracy decision-making for the departments geared toward elderly care.

Key words: data mining, living preference, random forests, imbalanced dataset, feature selection

吴帅，赵方. 基于随机森林的老年人居住偏好预测研究[J]. 计算机工程与科学.

WU Shuai,ZHAO Fang.

Elderly living preference prediction

based on random forests

[J]. Computer Engineering & Science.

[1]	陈丽芳, 白云, 施永辉, 代琪. 面向不平衡数据的特征子空间增强的异质集成学习[J]. 计算机工程与科学, 2025, 47(5): 940-950.
[2]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(7): 1218-1228.
[3]	赵琰, 马慧芳, 王文涛, 童海斌, 贺相春. 可靠响应表示增强的知识追踪方法[J]. 计算机工程与科学, 2024, 46(3): 535-544.
[4]	刘振超, 苑迎春, 王克俭, 何晨. 融合特征权重与改进粒子群优化的特征选择算法[J]. 计算机工程与科学, 2024, 46(2): 282-291.
[5]	钟卓辉, 陈黎飞, . 基于模型的非凸聚类算法[J]. 计算机工程与科学, 2024, 46(2): 292-302.
[6]	雷轩, 程光, 张玉健, 郭靓, 张付存. 基于电力网络态势感知平台的告警信息关联分析[J]. 计算机工程与科学, 2023, 45(7): 1197-1208.
[7]	赵瑞平, 降爱莲. 基于自编码器和局部嵌入的无监督特征选择[J]. 计算机工程与科学, 2023, 45(7): 1282-1291.
[8]	唐宇, 代琪, 杨志伟, 杨爱民, 陈丽芳, . 基于优化随机森林的软件缺陷预测算法研究[J]. 计算机工程与科学, 2023, 45(5): 830-839.
[9]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(1): 85-94.
[10]	王晨宇, 温浩珉, 郭晟楠, 林友芳, 万怀宇, . 面向快递员揽收到达时间预测的多任务深度时空网络[J]. 计算机工程与科学, 2023, 45(1): 136-144.
[11]	王文涛, 马慧芳, 舒跃育, 贺相春. 基于上下文表示的知识追踪方法[J]. 计算机工程与科学, 2022, 44(9): 1693-1701.
[12]	文武, 万玉辉, 文志云, . 基于正余弦算法的文本特征选择[J]. 计算机工程与科学, 2022, 44(8): 1467-1473.
[13]	徐礼金, 贺艳芳. 基于随机森林算法的无线传感网络攻击流量阻断模型构建[J]. 计算机工程与科学, 2022, 44(5): 819-825.
[14]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(4): 665-673.
[15]	吴尚智, 徐丹丹, 王旭文, 夏宁. 基于广义重要度和runner-root算法的特征选择[J]. 计算机工程与科学, 2022, 44(4): 723-729.