[發明專利]一種邊坡變形預測方法有效

申請號：	201911332358.3	申請日：	2019-12-22
公開（公告）號：	CN111144636B	公開（公告）日：	2022-08-16
發明（設計）人：	許建聰;許輝鵬	申請（專利權）人：	同濟大學
主分類號：	G06Q10/04	分類號：	G06Q10/04;G06N20/00
代理公司：	上海科盛知識產權代理有限公司 31225	代理人：	王懷瑜
地址：	200092 ***	國省代碼：	上海;31
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種變形預測方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種邊坡變形預測方法，其特征在于，包括以下步驟：

S1、對監測數據進行編碼處理；

S2、根據編碼后的數據，構造數據集；

S3、根據數據集，建立邊坡變形的XGboost預測模型；

S4、對XGboost預測模型的計算參數進行優化；

S5、通過優化參數后的XGboost預測模型預測邊坡變形測斜值；

所述的步驟S1具體包括以下步驟：S11、將當前監測時間減去最初始的監測時間的差值作為當前數據的時間編碼；S12、取前兩次監測數據的平均值作為當前監測數據的特征，進行先驗數據編碼；S13、采用獨熱編碼的方式，將所有監測點從0開始進行監測點號編碼；S14、通過S11、S12和S13分別對監測時間、監測數據和監測點號進行的編碼，建立一個廣泛通用的模型；

所述的步驟S2具體包括以下步驟：S21、采用樣本點的16個特征維度和y標簽，解析所有的數據表，獲取總數據集，其中，樣本點的16個特征維度包括監測點號編碼的13個維度、時間維度、測點所處深度和先驗信息3個維度，y標簽是模型的輸出值，模型的輸出值為測斜值；S22、按照隨機的方式將總數據集分成訓練集、驗證集和測試集；

所述的步驟S3具體包括以下步驟：

S31、根據訓練集的樣本I，計算樣本I在當前輪的損失函數L_t：

式中，L_t為損失函數，n為訓練樣本數，為對第i個訓練樣本x_i的損失，y_i為訓練樣本的真實標簽值，為第i個樣本在第t-1次迭代時的強學習器預測值，f_t(x_i)為第i個訓練樣本x_i在第t次迭代訓練時的一個弱學習器函數，γ和λ為人工設置的系數，T為葉子節點數，w_j為第j個葉子節點值；

S32、根據訓練集樣本I，計算當前樣本的經驗損失函數L基于前一個學習器的一階偏導數、二階偏導數，并且求一階偏導數和二階偏導數之和：

式中，L_t為損失函數，I_j為落入第j個葉子節點的訓練樣本集合，g_i為第i個樣本的損失函數對第i個樣本的預測值的一階偏導數，h_i為第i個樣本的損失函數對第i個樣本的預測值的二階偏導數，γ和λ為人工設置的系數，經驗損失函數L是損失函數的一部分，即除去正則化的剩下部分；

S33、通過輪數為t＝1,2,...T的迭代，建立XGboost預測模型；

所述的步驟S33具體包括以下步驟：

S331、計算第i個樣本在經驗損失函數L基于f_t-1(x_i)的一階導數g_ti和二階導數h_ti，計算所有樣本一階導數的和所有樣本二階導數的和

S332、基于當前節點嘗試分裂決策樹，對所有的特征k計算最大分數；

S333、基于最大score對應的劃分特征和特征值分裂子樹；

S334、如果最大score為0，則當前決策樹建立完畢，計算所有葉子區域的w_tj，w_tj為第t輪訓練第j個葉子結點的值，得到弱學習器h_t(x)，更新強學習器f_t(x)，進入下一輪弱學習器迭代，如果最大score不是0，則轉到步驟S332繼續嘗試分裂決策樹；

所述的步驟S332具體包括以下步驟：