面向兵棋推演复盘分析的机器学习数据集构建

doi:10.16182/j.issn1004731x.joss.22-1256

摘要/Abstract

摘要：

运用机器学习进行兵棋推演复盘分析，首先要解决的是数据集构建问题。由于机器学习对数据结构的规范化要求，以及算力和存储限制，通过兵棋推演数据构建机器学习数据集，在如何描述兵棋推演状态，如何描述推演过程，如何处理高维数据，如何数据保真等方面，还面临不少问题。针对此类问题，构建了兵棋推演过程数据向机器学习数据集映射模型，在总体框架上对数据集构建的映射流程、态势描述数据范围和数据统计计算规则进行规范，并从时间关联数据、地理空间关联数据和高维数据降维3个视角设计针对性处理方法，以保证构建数据集的数据结构统一、高维数据降维需求和数据集保真要求。通过数据集构建实验进行了验证，结果表明：在时间分辨率和地理空间分辨率适中情况下，所构建数据集映射模型，既能较好对兵棋推演高维数据进行降维，又能较好防止构建的数据集失真。

关键词: 兵棋推演, 复盘分析, 机器学习, 数据集, 构建方法

Abstract:

The first problem to be solved in the application of machine learning to the analysis of the replay of the wargaming is the construction of data sets. Due to the standardization requirements of machine learning for data structure, as well as the limitations of computing power and storage, building a machine learning data set through the wargaming data still faces many problems in terms of how to describe the wargaming situation, how to describe the wargaming process, how to handle high-dimensional data, and how to prevent data distortion. To solve these problems, this paper constructs a mapping model from the wargaming process data to the machine learning data set, standardizes the mapping process, situation description data range, and data statistics calculation rules of data set construction from the model framework, and designs targeted processing methods from three perspectives of time-related data, geospatial-related data, and high-dimensional data reduction, so as to ensure that the data structure of the data set is unified, and the dimension reduction requirements of high-dimensional data and the fidelity requirements of the data set are met. Through the data set construction experiment, it is verified that the data set mapping model constructed in this paper can not only reduce the dimension of high-dimensional data of the wargaming but also prevent the distortion of the constructed data set under the condition of moderate temporal resolution and geospatial resolution.

Key words: wargaming, replay analysis, machine learning, data set, construction method

中图分类号:

TP391.9

张大永,杨镜宇,马骏等 . 面向兵棋推演复盘分析的机器学习数据集构建[J]. 系统仿真学报, 2024, 36(3): 608-624.

Zhang Dayong,Yang Jingyu,Ma Jun,et al . Construction of Machine Learning Data Set for Analyzing the Replay of the Wargaming[J]. Journal of System Simulation, 2024, 36(3): 608-624.

图/表 23

图1

图2

图3

表1

图4

图5

表2

表3

图6

表4

表5

表6

不同时间分辨率获得时段推演数量

Δt/min	数量n	备注
10	3 780	T_total=720 h，ΔT=3 h， $n = T t o t a l × 60 Δ t - Δ T × 60 Δ t × k$ ，式中：k为不连续的作战时间次数
15	2 520
20	1 890
25	1 512
30	1 350

表6

表7

问题类型及判断规则

问题类型	细类	判断	规则
侦察使用	1	0\|1	1. 分别独立分析兵棋推演原始数据和构建数据集，对是否存在某类问题进行判断 2. 设第k名专家对类i问题判断为 $x i k$ ，则当 $∑ k = 1 n x i k ≥ n 2$ 时，类i问题为1，否则为0，分析人员n=5
	2	0\|1
	3	0\|1
火力打击	4	0\|1
	5	0\|1
	6	0\|1
作战保障	7	0\|1
	8	0\|1
	9	0\|1

表7

表8

图7

图8

图9

图10

图11

图12

图13

图14

图15

参考文献 21

1	胡晓峰, 杨镜宇, 张明智, 等. 战争复杂体系能力分析与评估研究[M]. 北京: 科学出版社, 2019: 265-273.
2	张大永, 杨镜宇, 吴曦. 兵棋推演空中任务智能预测方法研究[J]. 系统仿真学报, 2023, 35(1): 212-220.
	Zhang Dayong, Yang Jingyu, Wu Xi. Research on Intelligent Prediction Method of Wargaming Air Mission[J]. Journal of System Simulation, 2023, 35(1): 212-220.
3	Wang Zeyu, Wu Yu, Narasimhan K, et al. Multi-query Video Retrieval[C]//Computer Vision-ECCV 2022, Cham: Springer Nature Switzerland. 2022: 233-249.
4	You Ronghui, Zhang Zihan, Wang Ziye, et al. AttentionXML: Label Tree-based Attention-aware Deep Model for High-performance Extreme Multi-label Text Classification[C]//Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook, NY, USA: Curran Associates Inc., 2019: 5820-5830.
5	Rezig E K, Cao Lei, Stonebraker M, et al. Data Civilizer 2.0: A Holistic Framework for Data Preparation and Analytics[J]. Proceedings of the VLDB Endowment, 2019, 12(12): 1954-1957.
6	Ives Z G, Zhang Yi, Han S, et al. Dataset Relationship Management[C]//Proceedings of Conference on Innovative Database Systems Research (CIDR 19). New York, NY, USA: ACM, 2019: 10111023.
7	Doan A H, Ardalan A, Ballard J R, et al. Toward a System Building Agenda for Data Integration[J]. IEEE Data Engineering Bulletin, 2018, 41(2): 35-46.
8	Doan A H. Human-in-the-loop Data Analysis: A Personal Perspective[C]//Proceedings of the Workshop on Human-in-the-loop Data Analytics. New York, NY, USA: Association for Computing Machinery, 2018: 1.
9	Hellerstein J M, Heer J, Kandel S. Self-service Data Preparation: Research to Practice[J]. IEEE Data Engineering Bulletin, 2018, 41(2): 23-34.
10	杜小勇, 陈跃国, 范举, 等. 数据整理-大数据治理的关键技术[J]. 大数据, 2019, 5(3): 13-22.
	Du Xiaoyong, Chen Yueguo, Fan Ju, et al. Data Wrangling: a Key Technique of Data Governance[J]. Big Data Research, 2019, 5(3): 13-22.
11	Adams O, Makarucha A, Neubig G, et al. Cross-lingual Word Embeddings for Low-resource Language Modeling[C]//Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. Stroudsburg, PA, USA: ACL, 2017: 937-947.
12	Andreas J. Good-enough Compositional Data Augmentation[C]//Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA, USA: ACL, 2020: 7556-7566.
13	Shi Weishi, Yu Qi. Fast Direct Search in an Optimally Compressed Continuous Target Space for Efficient Multi-label Active Learning[C]//Proceedings of the 36th International Conference on Machine Learning. Chia Laguna Resort, Sardinia, Italy: PMLR, 2019: 5769-5778.
14	Guan Lin, Verma M, Guo Sihang, et al. Widening the Pipeline in Human-Guided Reinforcement Learning with Explanation and Context-Aware Data Augmentation[C]//Advances in Neural Information Processing Systems. San Francisco, CA, USA: Curran Associates Inc., 2021: 21885-21897.
15	Qu Mengxue, Wu Yu, Liu Wu, et al. SiRi: A Simple Selective Retraining Mechanism for Transformer-Based Visual Grounding[C]//Computer Vision-ECCV 2022. Cham: Springer Nature Switzerland, 2022: 546-562.
16	Yang Suorong, Xiao Weikang, Zhang Mengcheng, et al. Image Data Augmentation for Deep Learning: A Survey[EB/OL]. (2022-04-19) [2022-09-17]. .
17	Zhang Cheng, Bütepage Judith, Kjellström Hedvig, et al. Advances in Variational Inference[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(8): 2008-2026.
18	Wang Zeyu, Wu Yu, Narasimhan K, et al. Multi-query Video Retrieval[C]//Computer Vision-ECCV 2022. Cham: Springer Nature Switzerland, 2022: 233-249.
19	Durand Thibaut, Mehrasa Nazanin, Mori Greg. Learning a Deep ConvNet for Multi-label Classification with Partial Labels[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway, NJ, USA: IEEE, 2019: 647-657.
20	Chen Chen, Wang Haobo, Liu Weiwei, et al. Two-stage Label Embedding via Neural Factorization Machine for Multi-label Classification[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1): 3304-3311.
21	Mahmoud Adel Abdelaal. A Methodology for Determining Critical Decision Points Through Analysis of Wargame Data[D]. Atlanta, GA, USA: Georgia Institute of Technology, 2017.

序号	1级	2级	3级	4级	序号	1级	2级	3级	4级
1	飞机实体	歼击机	歼击机1	挂载方案	38	舰船实体	航母	航母1	—
2		歼击机	歼击机2	挂载方案	39		航母	航母2	—
3		轰炸机	轰炸机1	挂载方案	40		巡洋舰	巡洋舰1	—
4			轰炸机2	挂载方案	41			巡洋舰2	—
5			轰炸机3	挂载方案	42			巡洋舰3	—
6		预警机	预警机1	挂载方案	43		驱逐舰	驱逐舰1	—
7			预警机2	挂载方案	44			驱逐舰2	—
8			预警机3	挂载方案	45			驱逐舰3	—
9		反潜机	反潜机1	挂载方案	46			驱逐舰4	—
10			反潜机2	挂载方案	47		护卫舰	护卫舰1	—
11			反潜机3	挂载方案	48			护卫舰2	—
12		电子战飞机	电子战飞机1	挂载方案	49			护卫舰3	—
13			电子战飞机2	挂载方案	50		登陆舰	登陆舰1	—
14			电子战飞机3	挂载方案	51			登陆舰2	—
15		加油机	—	挂载方案	52			登陆舰3	—
16		直升机	直升机1	挂载方案	53		扫雷舰	扫雷舰1	—
17			直升机2	挂载方案	54		扫雷舰	扫雷舰2	—
18			直升机3	挂载方案	55		导弹艇	导弹艇1	—
19		运输机	运输机1	—	56		导弹艇	导弹艇2	—
20			运输机2	—	57		潜艇	潜艇1	—
21			运输机3	—	58			潜艇2	—
22		无人机	无人机1	挂载方案	59			潜艇3	—
23			无人机2	挂载方案	60		作战支援舰	作战支援舰1	—
24			无人机3	挂载方案	61			作战支援舰2	—
25		其他飞机	—	—	62			作战支援舰3	—
26	地面装备实体	装甲	—	—	63		保障舰船	保障舰船1	—
27		火炮	—	—	64			保障舰船2	—
28		反坦克	—	—	65			保障舰船3	—
29		工程	—	—	66		无人艇	无人艇	—
30		化学	—	—	67		无人艇	无人潜	—
31		运输车	—	—	68		民船	民船1	—
32		单兵武器	—	—	69			民船2	—
33		远程火箭	—	—	70			民船3	—
34		侦察预警系统	近程	—
35			中程	—
36			远程	—
37		导弹发射系统	—	—

序号	1级	2级分类	序号	1级	2级分类	序号	1级	2级分类
1	侦察预警	空中侦察	23	海上行动	创建编队	48	特种作战	编组
2		空中预警	24		加入编队	49		机动
3		空中巡逻	25		编队分批	50		袭击
4		空中游猎	26		解散编队	51		设伏
5		海上侦察	27		潜艇潜浮	52		巡逻
6		潜艇游猎	28		取消任务	53		掩护
7		对海雷达	29		弃船	54		空机降
8		对空雷达	30		取消支援	55	信息作战	电子战
9	火力打击	导弹发射	31	空中行动	空中加油	56		雷达干扰
10		炮火准备	32		取消任务	57		通信干扰
11		空对空	33		调整目标	58		心理战
12		空对地/舰	34		调整清单	59	无人作战	蜂群侦察
13		反潜	35		机场外借	60		蜂群进攻
14		防空拦截	36		更改机场	61		电子攻击
15		反导拦截	37		跑道获权	62		反辐射
16		舰炮拦截	38	防卫作战	进攻	63	后装保障	定期补给
17	兵力调整	海上机动	39		防御	64		临机补给
18		陆上机动	40		撤退	65		后勤支援
19		飞机转场	41		伏击	66		保障调整
20		空运空投	42		警戒	67		海运物资
21		空中待战	43		抗登陆	68		空运物资
22		两栖装载	44		布雷	69		抢修
			45		扫雷
			46		海上布雷
			47		海上扫雷

序号	1层	2层	3层	序号	1层	2层	3层
1	人员战损	作战人员	—	38	舰船战损	登陆舰	登陆舰1
2	人员战损	保障人员	—	39			登陆舰2
3	飞机战损	歼击机	歼击机1	40			登陆舰3
4		歼击机	歼击机2	41		扫雷舰	扫雷舰1
5		轰炸机	轰炸机1	42		扫雷舰	扫雷舰2
6			轰炸机2	43		导弹艇	导弹艇1
7			轰炸机3	44		导弹艇	导弹艇2
8		预警机	预警机1	45		潜艇	潜艇1
9			预警机2	46			潜艇2
10			预警机3	47			潜艇3
11		反潜机	反潜机1	48		无人艇	无人艇
12			反潜机2	49		无人艇	无人潜
13			反潜机3	50		民船	民船1
14		电子战飞机	电子战飞机1	51			民船2
15		电子战飞机	电子战飞机2	52			民船3
16		加油机	—	53	地面装备战损	装甲	—
17		直升机	直升机1	54		火炮	—
18		直升机	直升机2	55		反坦克	—
19		运输机	运输机1	56		工程	—
20			运输机2	57		化学	—
21			运输机3	58		运输车	—
22		无人机	无人机1	59		单兵武器	—
23			无人机2	60		远程火箭	—
24			无人机3	61		侦察预警系统	—
25		其他飞机	—	62		导弹发射系统	—
26	舰船战损	航母	航母1	63	目标战损	指挥所	—
27		航母	航母2	64		火炮阵地	—
28		巡洋舰	巡洋舰1	65		预警雷达	—
29			巡洋舰2	66		防空阵地	—
30			巡洋舰3	67		通信站点	—
31		驱逐舰	驱逐舰1	68		机场设施	—
32			驱逐舰2	69		政治目标	—
33			驱逐舰3	70		经济目标	—
34			驱逐舰4	71		民生目标	—
35		护卫舰	护卫舰1	72		其他目标	—
36			护卫舰2
37			护卫舰3

序号	1层	2层
1	精确弹药消耗	巡航导弹
2		空空导弹
3		空地导弹
4		防空导弹
5		反舰导弹
6		远程火箭弹
7	重点物资消耗	航空油料
8		通用油料
9		舰船油料
10		饮用水
11		生活用水
12		个人用品
13		食品
14		战时血浆
15		卫生装备器材
16		疫苗
17		药品
18		野营装备

问题类型	细类	判断	规则
侦察使用	1	0\|1	1. 分别独立分析兵棋推演原始数据和构建数据集，对是否存在某类问题进行判断 2. 设第k名专家对类i问题判断为 $x i k$ ，则当 $∑ k = 1 n x i k ≥ n 2$ 时，类i问题为1，否则为0，分析人员n=5
	2	0\|1
	3	0\|1
火力打击	4	0\|1
	5	0\|1
	6	0\|1
作战保障	7	0\|1
	8	0\|1
	9	0\|1