欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024110807449
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于机器学习的桥梁技术状况预测方法,其特征在于,包括以下步骤:步骤S101:从桥梁定检资料库获取多座桥梁的原始数据,包括桥梁基本数据、桥梁技术状况评级数据和桥梁病害数据,并对原始数据进行预处理,得到桥梁检测数据集,其中预处理的过程包括异常值剔除、缺失值处理、数据类型统一和量纲统一;对原始数据进行预处理的过程包括以下步骤:采用Z-score方法对原始数据进行异常值识别和移除,得到剔除后的数据;

采用线性插值方法对剔除后的数据进行缺失值填充,得到填充后的数据;

根据数据属性采用独热编码和映射编码方法对填充后的数据的数据类型进行转换,得到数据类型统一后的数据;

采用标准化方法将不同量纲的数据统一到相同的范围内;

步骤S102:利用随机森林算法计算桥梁检测数据集的每个特征的基尼系数,根据基尼系数对特征进行重要性排序,确定重要性排序前S个的特征,并计算前S个特征的Spearman相关系数,对Spearman相关系数大于设定阈值的高相关性特征对中选择某一特征排除,得到筛选后的数据集;

步骤S103:利用SMOTETomek方法对筛选后的数据集进行数据平衡处理,得到平衡数据集;步骤S103包括以下步骤:设置SMOTETomek方法中的参数,包括SMOTE算法的合成样本的数量、最近邻的数量以及Tomek Links算法的阈值;

通过SMOTE算法生成合成样本,并根据Tomek Links的结果对多数类样本进行剔除,直至数据集达到平衡;

步骤S104:通过随机搜索算法进行XGBoost模型的参数调优后,基于平衡数据集迭代训练决策树模型,并优化目标函数,将优化后的决策树模型集成到XGBoost模型中,在集成过程中,通过梯度提升集成多个决策树模型的预测结果,得到最终的集成学习模型,该集成学习模型用于对桥梁技术状况等级进行准确预测。

2.根据权利要求1所述的一种基于机器学习的桥梁技术状况预测方法,其特征在于,还包括以下步骤:步骤S105:采用评价指标对集成学习模型进行评估与验证,其中评价指标包括准确率、精确率、召回率和F1分数。

3.根据权利要求1或2所述的一种基于机器学习的桥梁技术状况预测方法,其特征在于,目标函数为多分类对数损失函数,公式如下:其中,L(φ)表示总损失函数;n代表样本数量;

对于多分类问题,假设有C个类别,标签y

其中,1(y

正则化项公式如下:

其中,γ表示树的叶节点数的惩罚系数;T表示树的叶节点数;λ表示L2正则化项的权重;w

4.根据权利要求3所述的一种基于机器学习的桥梁技术状况预测方法,其特征在于,树的叶节点数的惩罚系数γ设置为0;L2正则化项的权重λ设置为1;L1正则化项的权重α设置为0。

5.一种基于机器学习的桥梁技术状况预测系统,其特征在于,包括:

数据预处理模块(100),用于从桥梁定检资料库获取多座桥梁的原始数据,包括桥梁基本数据、桥梁技术状况评级数据和桥梁病害数据,并对原始数据进行预处理,得到桥梁检测数据集,其中预处理的过程包括异常值剔除、缺失值处理、数据类型统一和量纲统一;数据预处理模块(100)包括:剔除子模块,用于采用Z-score方法对原始数据进行异常值识别和移除,得到剔除后的数据;

填充子模块,用于采用线性插值方法对剔除后的数据进行缺失值填充,得到填充后的数据;

数据类型统一子模块,用于根据数据属性采用独热编码和映射编码方法对填充后的数据的数据类型进行转换,得到数据类型统一后的数据;

量纲统一子模块,用于采用标准化方法将不同量纲的数据统一到相同的范围内;

特征筛选模块(200),用于利用随机森林算法计算桥梁检测数据集的每个特征的基尼系数,根据基尼系数对特征进行重要性排序,确定重要性排序前S个的特征,并计算前S个特征的Spearman相关系数,对Spearman相关系数大于设定阈值的高相关性特征对中选择某一特征排除,得到筛选后的数据集;

数据平衡处理模块(300),用于利用SMOTETomek方法对筛选后的数据集进行数据平衡处理,得到平衡数据集;数据平衡处理模块(300)包括:参数设置子模块,用于设置SMOTETomek方法中的参数,包括SMOTE算法的合成样本的数量、最近邻的数量以及Tomek Links算法的阈值;

处理子模块,用于通过SMOTE算法生成合成样本,并根据Tomek Links的结果对多数类样本进行剔除,直至数据集达到平衡;

集成学习模型构建模块(400),用于通过随机搜索算法进行XGBoost模型的参数调优后,基于平衡数据集迭代训练决策树模型,并优化目标函数,将优化后的决策树模型集成到XGBoost模型中,在集成过程中,通过梯度提升集成多个决策树模型的预测结果,得到最终的集成学习模型,该集成学习模型用于对桥梁技术状况等级进行准确预测。

6.根据权利要求5所述的一种基于机器学习的桥梁技术状况预测系统,其特征在于,还包括:评估与验证模块,用于采用评价指标对集成学习模型进行评估与验证,其中评价指标包括准确率、精确率、召回率和F1分数。