[發(fā)明專利]一種基于TSP預報數據與XGBoost算法的圍巖等級預測方法

在審

• 申請?zhí)枺?/td>: 202110242796.1
• 申請日: 2021-03-05
• 公開（公告）號: CN112948932A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設計）人: 彭浩;梁銘;馬文安;田園;解威威;宋冠先;朱孟龍;董宏源
• 申請（專利權）人: 廣西路橋工程集團有限公司
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/27;G06Q10/04;G06Q10/06;G06Q50/08;G06K9/62
• 代理公司: 廣西中知科創(chuàng)知識產權代理有限公司 45130
• 代理人: 李家恒

1.一種基于TSP預報數據與XGBoost算法的圍巖等級預測方法，其特征在于，包括如下步驟：

(1)獲取圍巖等級預測模型所需的樣本特征數據：

確定影響圍巖等級的定量數據，構建TSP圍巖分級指標體系，并將所述影響圍巖等級的定量數據作為圍巖等級預測模型輸入所需的樣本特征數據；

(2)收集樣本特征數據，對樣本特征數據進行預處理，并對預處理后的樣本特征數據進行特征工程構建，輸出訓練數據集：

對所收集樣本數據進行預處理及特征工程的過程包括數據標準化、數據缺失值填充以及主成分降維；

(3)構建基于XGBoost的圍巖等級預測模型，運用XGBoost算法訓練，模型調參；

(4)模型性能評估：根據檢驗指標評估模型的準確性；

(5)過擬合檢驗：圍巖等級預測模型通過過擬合檢驗后可進行工程實例應用。

2.根據權利要求1所述的一種基于TSP預報數據與XGBoost算法的圍巖等級預測方法，其特征在于：所述影響圍巖等級的定量數據包括靜態(tài)楊氏模量、縱波波速、橫波波速、波速比、泊松比以及密度。

3.根據權利要求1所述的一種基于TSP預報數據與XGBoost算法的圍巖等級預測方法，其特征在于：所述步驟(2)中，主成分降維通常采用PCA對樣本特征數據進行降維處理，在降維中，PCA使用的信息量衡量指標為樣本方差，樣本方差公式如下式所示：

式中，x_i為單個樣本數值，為整體樣本平均值，n為樣本數量；

實現主成分降維需要對主成分進行求解，步驟如下：

①將數據進行標準化，求解樣本協(xié)方差矩陣S，協(xié)方差矩陣公式為：

②求解特征方程|S-λE|＝0，其中E為單位矩陣，λ為特征根，解得特征根λ₁,λ₂,...,λ_p

③計算特征值λ_i對應得單位特征向量α_i＝(α_i1,α_i2,...,α_ip)

④計算各主成分的方差貢獻率，公式為：

選取主成分的個數由累計方差貢獻率確定，一般認為累計方差貢獻率達到85％時即可反映原始變量的大部分信息；

⑤寫出主成分的表達式，公式為:

P_i＝α_i1X₁+α_i2X₂+...+α_ipX_p (4)。

4.根據權利要求1所述的一種基于TSP預報數據與XGBoost算法的圍巖等級預測方法，其特征在于：所述步驟(3)中，基于XGBoost的圍巖等級預測模型采用如下公式表達：

式中，表示整個模型在此樣本上的預測結果，K表示弱評估器的總數量，f_k表示第k棵決策樹，x_i表示樣本i對應的特征向量；

XGBoost引入了模型復雜度來衡量算法的運算效率，因此目標函數由傳統(tǒng)損失函數與模型復雜度兩部分構成，公式表達為：

式中，Obj表示模型的目標函數，n表示導入第k棵樹的數據總量；

其中第一項代表傳統(tǒng)的損失函數，衡量真實標簽y_i和預測值之間的差異，第二項代表模型的復雜度，使用樹模型的某種變換Ω表示，這個變化代表了一個從樹的結構來衡量樹模型復雜度的式子；

為了求解目標函數，使用泰勒展開對式(6)進行運算，結果如以下公式所示：

式中，γ、λ表示模型復雜度的系數，T表示模型決策樹葉子節(jié)點個數，g_i、h_i分別表示樣本x_i的一階導數和二階導數，j表示每個葉子節(jié)點的索引，ω_j表示第j個葉子節(jié)點上的樣本權重，I_j表示第j個葉子節(jié)點的樣本子集；

將樹的結構帶入損失函數，即對ω_j求導并且令導函數等于零，可求得目標函數的最小值Obj_min，如以下公式所示：