一种基于无监督机器学习算法的极值预测方法技术

本发明专利技术公开一种基于无监督机器学习算法的极值预测方法，属于数理统计技术领域。本发明专利技术是为了解决现有的极值预测方法对于不满足独立同分布(IID)假设的数据集预测精度较低的问题。本方法包括：构建基于广义极值混合模型(GEVMM)的聚类算法；采用构建的聚类算法对区块最大值样本集进行聚类；采用聚类效果评价指标选择最佳聚类簇数；根据最佳聚类簇数对应的GEVMM的概率累积分布函数(CDF)进行未来一段时间内的极值预测。本发明专利技术所述技术方案操作方便，应用场景广阔，能够提高具有混合分布特征的数据集的极值预测精度。的数据集的极值预测精度。的数据集的极值预测精度。

【技术实现步骤摘要】
一种基于无监督机器学习算法的极值预测方法


[0001]本专利技术涉及数理统计
更具体地，涉及一种基于无监督机器学习算法的极值预测方法，应用于桥梁极端荷载效应预测。

技术介绍

[0002]极值是指数据集中的最大值或最小值。极值预测被广泛应用于土木工程、网络通讯、水文学、气象学、经济学等各个领域中。这些行业的从业人员常常需要根据有限的时间相关性数据预测未来一段时间内的数据极值，以评估某一极端事件发生的风险。
[0003]常用的极值预测方法包括基于广义极值(GEV)分布的方法和基于广义Pareto(GP)分布的方法等。这些方法的应用需要基于样本数据集满足IID的假设。然而，现实世界中存在的一些随机现象，如土木工程领域的由交通流引起的桥梁荷载效应或者气象学领域的风速，往往是由不同类型的荷载事件或天气引发的，一般不满足IID假设。因此，直接应用这些极值预测方法来预测未来一段时间内的数据极值通常会产生较大的误差。
[0004]为了解决上述问题，国内外一些学者提出将样本数据集按照事件类型分类，然后根据不同类型的事件发生的概率和满足的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督机器学习算法的极值预测方法，其特征在于，包括以下步骤：S1、构建基于GEVMM的聚类算法；S2、采用构建的聚类算法对区块最大值样本集进行聚类；S3、采用聚类效果评价指标选择最佳聚类簇数；S4、根据最佳聚类簇数对应的GEVMM的CDF进行未来一段时间内的极值预测。2.如权利要求1所述的一种基于无监督机器学习算法的极值预测方法，其特征在于，应用于公路交通引起的桥梁极端荷载效应预测，过程为：步骤S1中GEVMM的PDF表示为：其中，m是GEVMM中包含的广义极值模型(GEV)个数，ξ
j
,σ
j
,μ
j
分别表示第j个GEV分布的形状参数、尺度参数和位置参数，π
j
表示第j个GEV分布的权重，f(x|ξ
j
,σ
j
,μ
j
)表示第j个GEV分布的PDF；引入拉格朗日乘数项λ，采用对数似然函数估计GEVMM的参数ξ
j
,σ
j
,μ
j
和π
j
：其中，n是最大值数据集中的数据个数；令式(2)对参数ξ
j
,σ
j
,μ
j
和π
j
的偏导分别等于0，采用期望最大化算法迭代求解，迭代收敛后得到参数ξ
j
,...

【专利技术属性】
技术研发人员：戴宝锐，李奇，
申请(专利权)人：同济大学，
类型：发明
国别省市：