為準(zhǔn)確反映邊坡滲壓與影響因素之間復(fù)雜的非線性關(guān)系,提高滲壓預(yù)測的精度及穩(wěn)定性,將隨機森林（random forest,RF）算法引入到邊坡滲壓預(yù)測中。通過分析影響邊坡滲壓的主要因素,選取水位因子、降雨因子、時效因子作為模型輸入變量,分析袋外（out-ofbag,OOB）數(shù)據(jù)誤差,確定參數(shù)的最優(yōu)組合,構(gòu)建一種基于RF算法的邊坡滲壓預(yù)測模型。對某渠道邊坡的滲壓實測數(shù)據(jù)進(jìn)行分析預(yù)測,并與BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network,BPNN）模型及逐步回歸模型進(jìn)行對比。結(jié)果表明,所建RF模型精度高,穩(wěn)定性好,能夠更有效地進(jìn)行滲壓預(yù)測。 

【文章來源】：水利科技與經(jīng)濟. 2020,26(05)

【文章頁數(shù)】：6 頁

【部分圖文】：

RF中單個決策樹訓(xùn)練過程

隨機森林是由經(jīng)過相同訓(xùn)練得到的數(shù)量為N的決策樹組合而成的。在處理回歸問題時，對取得的所有預(yù)測值經(jīng)過權(quán)重計算取得相應(yīng)的平均值，進(jìn)而獲得最終的預(yù)測結(jié)果;在處理分類問題時，由所有決策樹的輸出結(jié)果投票得到最終的預(yù)測結(jié)果。其具體算法流程圖見圖2。2 基于RF算法的邊坡滲壓預(yù)測模型設(shè)計

理論上，可以通過OOB估計來選取最佳的N和m數(shù)值組合。但是在具體實踐中，往往是設(shè)定N值或m值，之后對另一個參數(shù)進(jìn)行適應(yīng)性調(diào)整[24]。依照該方法，選定數(shù)值，改變決策樹的數(shù)量，進(jìn)而觀測OOB誤差隨之出現(xiàn)的變化，具體見圖3。由圖3可看出，當(dāng)N等于450時誤差很小且整體變化趨于穩(wěn)定，故取N=450。然后固定N=450，考察OOB誤差隨變量選擇個數(shù)m的變化情況，見圖4。由圖4可以看出，m=4時誤差最小。綜合上述分析，最終選定模型的最優(yōu)參數(shù)組合為N=450,m=4。圖4 OOB誤差隨變量選擇個數(shù)m變化情況

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機森林的砂土地震液化預(yù)測模型[J]. 黃浩,薛新華,樊旭.  中國農(nóng)村水利水電. 2019(08)
[2]三種模型在水庫大壩滲流監(jiān)測中的對比研究[J]. 譚淋露,鄧升,劉小平,周斌.  甘肅水利水電技術(shù). 2019(06)
[3]基于隨機森林回歸的航班延誤預(yù)測[J]. 劉中祥,王欣.  現(xiàn)代計算機. 2019(15)
[4]基于隨機森林回歸模型的登革熱風(fēng)險評估研究[J]. 黃宇琳,趙永謙,曹崢,劉濤,鄧愛萍,肖建鵬,張兵,祝光湖,彭志強,馬文軍.  華南預(yù)防醫(yī)學(xué). 2019(01)
[5]基于水循環(huán)神經(jīng)網(wǎng)絡(luò)模型的海堤滲壓預(yù)測研究[J]. 藍(lán)祝光,黃銘.  應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報. 2018(06)
[6]基于隨機森林算法的土石壩壓實質(zhì)量動態(tài)評價研究[J]. 林威偉,鐘登華,胡煒,呂鵬,鄢玉玲,任炳昱.  水利學(xué)報. 2018(08)
[7]基于隨機森林回歸分析的PM2.5濃度預(yù)測模型[J]. 杜續(xù),馮景瑜,呂少卿,石薇.  電信科學(xué). 2017(07)
[8]基于隨機森林分類算法的邊坡穩(wěn)定預(yù)測模型[J]. 胡添翼,戴波,何啟,薛洋,黃夢婧.  人民黃河. 2017(05)
[9]小浪底大壩心墻滲透壓力預(yù)測模型研究[J]. 喻和平,張聰,郭英,袁明明,陳熙源,張家德.  人民黃河. 2015(01)
[10]降雨影響下高邊坡滲壓神經(jīng)網(wǎng)絡(luò)監(jiān)測模型[J]. 黃銘,劉俊.  上海交通大學(xué)學(xué)報. 2013(10)

博士論文
[1]城市自然災(zāi)害風(fēng)險評估與實證研究[D]. 尹占娥.華東師范大學(xué) 2009

碩士論文
[1]基于隨機森林回歸模型的住房租金預(yù)測模型的研究[D]. 張倩.東北師范大學(xué) 2019
[2]海堤滲壓安全監(jiān)控潮汐確定性模型與混合模型研究[D]. 李秀麗.合肥工業(yè)大學(xué) 2016
[3]支持向量機在大壩安全監(jiān)測資料分析中的應(yīng)用[D]. 張真真.西安理工大學(xué) 2008



本文編號：3028703