[发明专利]一种基于XGBoost算法的滑坡短临智能预警方法

权利要求书

1.一种基于XGBoost算法的滑坡短临智能预警方法，其特征在于包括以下步骤：

步骤1、在滑坡体上布设监测传感器，实时采集滑坡体特征数据，由此构建滑坡体特征向量；所述的滑坡体特征向量包括滑坡体外界诱发因素、滑坡体内部特征和滑坡体地表变形特征三个维度，滑坡体外界诱发因素特征用降雨量表征，滑坡体内部特征用土壤含水率表征；

步骤2、对监测到的滑坡体特征向量进行数据预处理，包括剔除异常值和补充缺失值；

步骤3、对填补后的规则化数据首先进行一阶差分，然后进行归一化处理，划分为训练集和测试集；

步骤4、利用训练集对XGBoost模型进行训练，确定模型参数：所述的XGBoost模型根据预测日之前一段时间内的历史时间序列构建的滑坡体特征向量和预测日当天天气预报预测的降雨量对预测日当天的滑坡体地表变形特征进行预测，其中预测日之前一段时间内的历史时间序列构建的滑坡体特征向量包括滑坡体地表变形特征、降雨量特征和土壤含水率特征；训练模型即找到给定训练数据的最佳模型参数，需定义目标函数，用来测定给定一组参数的模型性能，目标函数包括两部分：训练损失函数和正则化项，如公式(1.1)所示。其中L(θ)是训练损失函数，Ω(θ)是正则化项，训练损失衡量的是模型对训练数据的预测性能，正则项的作用是保证模型不要过于复杂；

Obj(θ)＝L(θ)+Ω(θ) (1.1)

训练损失函数是均方误差,见公式(1.2)，y_i表示第i个样本的滑坡体地表变形特征真实监测值，表示第i个样本的滑坡体地表变形特征预测值；

正则化项如公式(1.3)所示，式中T为每棵树叶子节点的数量，w_j²是树上叶子节点权重的平方，γ和λ是控制模型复杂度的模型参数；

步骤5、将气象部门提供的降雨量预测数据、预测日之前的历史时间序列构建的滑坡体特征向量输入训练完成后的XGBoost模型，获得滑坡体地表变形预测结果；

步骤6、当滑坡体地表变形预测结果大于阈值，则发出滑坡灾害预警。

2.根据权利要求1所述的一种基于XGBoost算法的滑坡短临智能预警方法，其特征在于：步骤1中所述的滑坡体地表变形特征为GNSS地表绝对位移量、或者倾角计监测到的地表倾角变化量、或者加速度计监测到的地表加速度、或者裂缝计变形时间序列数据。

3.根据权利要求2所述的一种基于XGBoost算法的滑坡短临智能预警方法，其特征在于：步骤1中所述的滑坡体地表变形特征为GNSS地表绝对位移量、倾角计监测到的地表倾角变化量、加速度计监测到的地表加速度、裂缝计变形时间序列数据的组合。

4.根据权利要求1所述的一种基于XGBoost算法的滑坡短临智能预警方法，其特征在于：步骤2中在补充缺失值时采用经典的时间序列分析模型ARIMA模型拟合监测数据。

5.根据权利要求1所述的一种基于XGBoost算法的滑坡短临智能预警方法，其特征在于：步骤3中所述的归一化公式如下：

其中，x是归一化前的样本监测数据，x*是归一化后的样本监测数据，max是样本数据的最大值，min是样本数据的最小值。

6.根据权利要求1所述的一种基于XGBoost算法的滑坡短临智能预警方法，其特征在于：所述XGBoost模型需要调优的参数包括两大部分参数，一是树集成模型参数，这部分参数负责尽可能地拟合样本；二是正则化参数，这部分参数帮助控制模型的复杂度，避免过拟合；

所述的树集成模型参数包括'learning_rate'学习率,'n_estimators'最大的决策树数量,'max_depth'树的最大深度,'min_child_weight'叶子节点中最小的样本权重和，如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束,'subsample'用于训练模型的子样本占整个样本集合的比例，防止过拟合,'colsample_bytree'在建立树时对特征采样的比例,'gamma'节点分裂所需的最小损失函数下降值,'reg_alpha'权重的L1正则化系数,'reg_lambda'权重的L2正则化系数；

具体调优步骤：

第一步：设置参数的初始值；

第二步：依照贪心算法，在其他参数确定的情况下依次确定{'n_estimators'，('max_depth'，'min_child_weight'),’gamma’,(’subsample’,‘colsample_bytre’),(‘reg-lambda’,‘reg_alpha’)}参数；

第三步：调整学习速率，获得较好的模型效果。

重复第二步，直到模型达到局部最优参数，模型训练完成。