RF机器学习算法在边坡渗压预测中的应用研究

发布时间：2021-02-11 06:45

　　为准确反映边坡渗压与影响因素之间复杂的非线性关系,提高渗压预测的精度及稳定性,将随机森林（random forest,RF）算法引入到边坡渗压预测中。通过分析影响边坡渗压的主要因素,选取水位因子、降雨因子、时效因子作为模型输入变量,分析袋外（out-ofbag,OOB）数据误差,确定参数的最优组合,构建一种基于RF算法的边坡渗压预测模型。对某渠道边坡的渗压实测数据进行分析预测,并与BP神经网络（back propagation neural network,BPNN）模型及逐步回归模型进行对比。结果表明,所建RF模型精度高,稳定性好,能够更有效地进行渗压预测。 

【文章来源】：水利科技与经济. 2020,26(05)

【文章页数】：6 页

【部分图文】：

RF中单个决策树训练过程

随机森林是由经过相同训练得到的数量为N的决策树组合而成的。在处理回归问题时，对取得的所有预测值经过权重计算取得相应的平均值，进而获得最终的预测结果;在处理分类问题时，由所有决策树的输出结果投票得到最终的预测结果。其具体算法流程图见图2。2 基于RF算法的边坡渗压预测模型设计

理论上，可以通过OOB估计来选取最佳的N和m数值组合。但是在具体实践中，往往是设定N值或m值，之后对另一个参数进行适应性调整[24]。依照该方法，选定数值，改变决策树的数量，进而观测OOB误差随之出现的变化，具体见图3。由图3可看出，当N等于450时误差很小且整体变化趋于稳定，故取N=450。然后固定N=450，考察OOB误差随变量选择个数m的变化情况，见图4。由图4可以看出，m=4时误差最小。综合上述分析，最终选定模型的最优参数组合为N=450,m=4。图4 OOB误差随变量选择个数m变化情况

【参考文献】：
期刊论文
[1]基于随机森林的砂土地震液化预测模型[J]. 黄浩,薛新华,樊旭.  中国农村水利水电. 2019(08)
[2]三种模型在水库大坝渗流监测中的对比研究[J]. 谭淋露,邓升,刘小平,周斌.  甘肃水利水电技术. 2019(06)
[3]基于随机森林回归的航班延误预测[J]. 刘中祥,王欣.  现代计算机. 2019(15)
[4]基于随机森林回归模型的登革热风险评估研究[J]. 黄宇琳,赵永谦,曹峥,刘涛,邓爱萍,肖建鹏,张兵,祝光湖,彭志强,马文军.  华南预防医学. 2019(01)
[5]基于水循环神经网络模型的海堤渗压预测研究[J]. 蓝祝光,黄铭.  应用基础与工程科学学报. 2018(06)
[6]基于随机森林算法的土石坝压实质量动态评价研究[J]. 林威伟,钟登华,胡炜,吕鹏,鄢玉玲,任炳昱.  水利学报. 2018(08)
[7]基于随机森林回归分析的PM2.5浓度预测模型[J]. 杜续,冯景瑜,吕少卿,石薇.  电信科学. 2017(07)
[8]基于随机森林分类算法的边坡稳定预测模型[J]. 胡添翼,戴波,何启,薛洋,黄梦婧.  人民黄河. 2017(05)
[9]小浪底大坝心墙渗透压力预测模型研究[J]. 喻和平,张聪,郭英,袁明明,陈熙源,张家德.  人民黄河. 2015(01)
[10]降雨影响下高边坡渗压神经网络监测模型[J]. 黄铭,刘俊.  上海交通大学学报. 2013(10)

博士论文
[1]城市自然灾害风险评估与实证研究[D]. 尹占娥.华东师范大学 2009

硕士论文
[1]基于随机森林回归模型的住房租金预测模型的研究[D]. 张倩.东北师范大学 2019
[2]海堤渗压安全监控潮汐确定性模型与混合模型研究[D]. 李秀丽.合肥工业大学 2016
[3]支持向量机在大坝安全监测资料分析中的应用[D]. 张真真.西安理工大学 2008



本文编号：3028703