(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111518712.9 (22)申请日 2021.12.13 (71)申请人 汕头大学 地址 515063 广东省汕头市大 学路243号 (72)发明人 申晓赫　皮尔·盖伊·唐·约克　 张宁　沈水龙　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 禹小明 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) (54)发明名称 基于改进随机森林模型的评估旋喷桩引起 侧向位移的方法 (57)摘要 本发明提供一种基于改进随机森林模型的 评估旋喷桩引起侧向位移的方法， 包括以下步 骤： S1： 收集现场监测数据并对数据进行预处理， 划分输入特征数据和输出特征数据； S2： 建立随 机森林模型， 初始化所述随机森林模型的超参 数； S3： 根据步骤S1得到的输入特征数据和输出 特征数据， 采用PSO ‑SA智能进 化算法优化所述随 机森林模型的超参数， 得到改进的随机森林模 型； S4： 利用所述改进的随机森林模型， 确定侧向 位移。 本发明利用PSO ‑SA与随机森林模型进行杂 交得到改进的随机森 林模型， 通过PSO ‑SA确定随 机森林模型的最优超参数， 提高了随机森林模型 的计算效率和评估的准确度， 可以快速确定旋喷 桩引起的侧向位移。 权利要求书3页 说明书6页 附图1页 CN 114169106 A 2022.03.11 CN 114169106 A 1.一种基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 包括 以下步骤： S1： 收集现场监测数据并对数据进行 预处理， 划分输入特 征数据和输出 特征数据； S2： 建立随机森林模型， 初始化所述随机森林模型的超参数； S3： 根据步骤S1得到的输入特征数据和输出特征数据， 采用智能进化算法优化所述随 机森林模型的超参数， 得到改进的随机森林模型； S4： 利用所述改进的随机森林模型， 确定侧向位移。 2.根据权利要求1所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 步骤S1中所述现场监测数据包括： 无侧限抗压强度、 土压缩指数、 土壤含水量、 干容重、 水泥浆流量及压力、 硅酸钠流量及 压力、 上拔速率、 旋转 率、 超孔隙压力和地表侧向位移。 3.根据权利要求2所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 步骤S1中所述对数据进行 预处理， 具体为： 对收集的现场监测数据进行去除异常值， 求取最小值、 最大值、 标准差值以及平均值。 4.根据权利要求2所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 步骤S1中所述划分输入特 征数据和输出 特征数据， 具体为： 所述输入特征数据为无侧限抗压强度、 土压缩指数、 土壤含水量、 干容重、 水泥浆流量 及压力、 硅酸钠流 量及压力、 上拔速率、 旋转 率、 超孔隙压力； 所述输出 特征数据为地表侧向位移。 5.根据权利要求4所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 步骤S2中所述随机森林模型为利用多 棵决策树对样本进 行训练并评估的一种 分类器， 通过在训练阶段建立决策树集合并输出单个树的平均评估值来进行评估， 具体包 括步骤： 生成训练集和O OB测试集； 生成决策树； 对每一颗决策树的性能进行评估， 得到随机森林模型的评估精度。 6.根据权利要求5所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 所述 生成训练集和O OB测试集， 具体为： 从步骤S1中收集的现场监测数据随机且有放回的抽取N个样本组成训练集， 得到一个 大小为N的训练集， 进行k轮抽取， 得到k组训练集， 分别为T1,T2,…,Tk； 每一轮抽取中未被抽 取的样本组成O OB测试集， 得到k组O OB测试集， 分别为O1,O2,...,Ok。 7.根据权利要求6所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 所述 生成决策树， 具体为： 对于每一组训练集， 从输入特征数据中随机抽取部分特征数据组成新的特征集， 并生 成决策树， k组训练集共生成k个决策树。 8.根据权利要求7所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 所述对每一颗决策树的性能进行评估， 得到随机森林模型的评估精度， 具体 为： 将k个OOB测试集依次输入对应的决策树并计算均方误差函数MSEk， 取k个OOB测试集的权　利　要　求　书 1/3 页 2 CN 114169106 A 2平均值MSE作为随机森林模型的评估精度： 式中， N(Ok)为第k个OOB测试集的样本 数， x(Ok)i为OOB测试集Ok的第i个样本的评估 值， y (Ok)i为OOB测试集Ok的第i个样本的观测值， MSEk为第k个O OB测试集的均方误差 。 9.根据权利要求5所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 所述随机森林模型的超参数包括决策树数目k、 决策树分裂时考虑的最大特征 数F， 和叶节点的最小数量M 。 10.根据权利要求9所述的基于改进随机森林模型的评估旋喷桩引起侧向位移的方法， 其特征在于， 所述步骤S3中采用PSO ‑SA智能进化算法优化所述随机森林模型的超参数， 具 体包括以下步骤： S3.1： 确定迭代次数max、 PSO ‑SA参数和收敛阈值limit， 所述PSO ‑SA参数包括惯性因子 w， 学习因子c1和c2， w的变化系数wdamp， 初始温度T， T的变 化系数alpha， 每个PSO个体的SA邻 域数目nMove， 突变率mu； S3.2： 设置迭代参数iter＝0， 初始化PSO ‑SA个体向量X＝xiter的位置和向量速度v， 个体 向量X的位置由随机森林模型的超参数组成： xiter＝[k,F,M] S3.3： 将均方根 误差RMSE设为 最小化的目标函数： 式中， N为样本数， yoi为评估值， yi为观测值； S3.4： 检验均方根误差RMSE是否小于收敛阈值limit， 若小于， 算法达到收敛， 停止迭 代， 若未收敛， 进入下一 步； S3.5： iter＝iter+1， 计算第iter次迭代的X的候选位置xiter， 计算对应的RMSEpso， 计算 公式如式： viter＝w viter‑1+c1 rand1(pbest–xiter‑1)+c2 rand2(gbest–xiter‑1) xiter＝xiter‑1+viter 式中， viter为第iter次迭代的粒子速率； xiter为第iter次迭代的粒子位置； r and为介于 (0,1)的随机数； pbest为同一粒子经过多次迭代的最佳位置； gbest为不同粒子经过一次迭代 的最佳位置； S3.6： 对xiter进行变异， 生成nMove个xiter的候选向量， 记作xiter,j， 0<j<nMove， 计算 nMove个候选向量对应RMSEnMove值， 比较所得RMSEpso和RMSEnMove， 选择最小RMSE值对应的候 选位置为更新后的xiter； S3.7： 更新w＝w ×wdamp， T＝T ×alpha， xiter、 pb est和gbest， 重复S3.4～S3.7直到均权　利　要　求　书 2/3 页 3 CN 114169106 A 3