[发明专利]随机森林融合SVM预测盾构引起近接结构变形方法及装置

说明书

本发明公开了一种随机森林融合SVM预测盾构引起近接结构变形方法，包括：根据影响建筑物变形沉降的主要因素，并收集所述主要因素对应的数据；建立随机森林模型，根据所述随机森林模型训练所述数据并进行重要性度量，得到最优特征集；将所述最优特征集降维处理后输入支持向量机模型进行训练，得到建筑物沉降量预测结果。本发明还公开一种随机森林融合SVM预测盾构引起近接结构变形装置。该方法利用随机森林特征选择，能在过多影响因素中，剔除与预测值相关性小的变量，筛选出用于建模的关键变量得到最优变量组合，降低支持向量机训练模型的维度，提高预测精度，得到更贴近实际的预测结果，实现了建筑物变形沉降更稳定、更准确的预测。

技术领域

本发明属于隧道盾构施工诱发临近建筑物变形沉降的智能算法预测领 域，具体涉及一种随机森林融合SVM预测盾构引起近接结构变形方法及装 置。

背景技术

近些年来，随着我国社会经济快速发展，城市现代化建设程度不断提 高，城市地下空间开发与利用成为重点发展方向，相应地各大城市地铁隧 道的施工规模在飞速扩大。地铁隧道的开挖,使地层产生了变形和应力重分 布,不可避免会导致地表的不均匀沉降,尤其对既有建筑物而言,往往很小 的变形沉降,会带来较大的危害,影响结构的安全稳定性和使用功能。因此, 预测城市地铁盾构施工对地表建筑物的沉降具有十分重要的意义。

目前，国内外学者研究的隧道盾构施工引起地表建筑物沉降方法主要 有理论解析、实测分析法、有限单元法、智能算法等。其中用于预测地表 建筑物沉降的智能算法一般有BP神经网络、支持向量机、遗传算法、灰色 预测模型等。这些算法在对建筑物沉降的预测上有其可行性，但在实际运 用过程中存在重大限制。例如BP神经网络存在易陷入局部极值和收敛速度 慢等缺点，支持向量机在输入变量过多时，训练时间较长且对缺失值较敏 感；遗传算法涉及到大数据处理时计算时间长，得到的结果稳定性差；灰 色预测模型的精度很大程度依赖于假设的模型服从函数的正确性。

发明内容

针对现有方法的以上缺陷或改进需求，本发明提供一种随机森林融合 SVM预测盾构引起近接结构变形方法及装置，用以解决在隧道开挖过程中诱 发的地表建筑物变形沉降的快速预测问题。该方法利用随机森林特征选择， 能在过多影响因素中，剔除与预测值相关性小的变量，筛选出用于建模的 关键变量得到最优变量组合，降低支持向量机训练模型的维度，提高预测 精度，得到更贴近实际的预测结果，实现了建筑物变形沉降更稳定、更准 确的预测。

为了实现上述目的，按照本发明的一个方面，提供一种随机森林融合 SVM预测盾构引起近接结构变形方法，包括：

根据影响建筑物变形沉降的主要因素，并收集所述主要因素对应的数 据；

建立随机森林模型，根据所述随机森林模型训练所述数据并进行重要 性度量，得到最优特征集；

将所述最优特征集降维处理后输入支持向量机模型进行训练，得到建 筑物沉降量预测结果。

进一步的，对所述建筑物沉降量预测结果进行误差分析，并进行全局 敏感性评价。

进一步地，选择高斯核函数建立所述支持向量机模型，并采用交叉验 证进行参数寻优。

进一步地，确定所述支持向量机模型的最优参数组合，基于所述最优 特征集对样本训练集和测试集进行训练预测，输出所述训练集和所述测试 集的实际值与预测值的拟合曲线，根据所述拟合曲线判断预测效果。

进一步地，根据下列公式计算一阶敏感度和总敏感度，