融合GBDT和XGBoost的路面IRI预测方法技术

本发明专利技术涉及一种融合GBDT和XGBoost的路面IRI预测方法，属于路面监测技术领域。该方法包括：S1：获取路面特征数据，并采用随机森林算法选择特征数据集；S2：构建Stacking融合模型：将步骤S1的特征数据集划分成若干子数据集，输入第一层预测模型的各个基学习器中，每个基学习器输出各自的预测结果；然后，将第一层的模型输出与步骤S1的特征数据集作为第二层的输入，对第二层预测模型的元学习器进行训练，再对位于第二层的模型输出求平均值，得到最终预测结果；其中，第一层预测模型包括GBDT模型和XGBoost模型。本发明专利技术提高了路面IRI预测精度，大大提高养护资金规划效益，实现成本效益最优得目标。得目标。得目标。

【技术实现步骤摘要】
融合GBDT和XGBoost的路面IRI预测方法


[0001]本专利技术属于路面监测
，涉及一种融合GBDT和XGBoost的路面IRI预测方法。

技术介绍

[0002]现有路面平整度评价指标(IRI)预测方法主要包括两大类，一类是基于时间序列的预测方法，另一类是基于特征参数的学习型预测方法。
[0003]基于时间序列的预测方法主要预测路面全寿命周期内的性能指标衰变，用于养护规划和资金分配，利用的数据主要包括结构特征数据、交通环境数据和历史检测数据，往往需要足够多的历史检测数据建模。该方法未充分利用包括病害信息在内的底层检测数据、特征参数等。其主要问题是预测模型精度差，只能应用于网级道路管理决策。
[0004]基于特征参数的学习型预测方法主要分为两类，一类是辅助时间序列模型的建模，另一类是基于某一类检测数据预估其他性能指标。其精度相对较高，但是需要大量数据作为支撑，不同项目管理模式的移植性较差。
[0005]因此，亟需一种新的路面IRI预测方法来提高预测精度。

技术实现思路

[0006]有鉴于此，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合GBDT和XGBoost的路面IRI预测方法，其特征在于，该方法具体包括以下步骤：S1：获取路面特征数据，并采用随机森林算法选择特征数据集；S2：构建Stacking融合模型：将步骤S1的特征数据集划分成若干子数据集，输入第一层预测模型的各个基学习器中，每个基学习器输出各自的预测结果；然后，将第一层的模型输出与步骤S1的特征数据集作为第二层的输入，对第二层预测模型的元学习器进行训练，再对位于第二层的模型输出求平均值，得到最终预测结果；其中，第一层预测模型包括GBDT模型和XGBoost模型。2.根据权利要求1所述的路面IRI预测方法，其特征在于，步骤S1中，所述随机森林算法具体包括：采用平均不纯度下降指数，以分类或回归精度作为准则函数，采用序列后向选择和广义序列后向选择方法进行特征选择。3.根据权利要求2所述的路面IRI预测方法，其特征在于，步骤S1中，所述平均不纯度下降指数MDI的计算公式为：其中，IMP、IMP
R
、IMP
L
分别表示总体纯度及分叉左侧、右侧的纯度，N
t
、分别表示总体、左侧、右侧节点的样本数量，N是样本大小。4.根据权利要求1所述的路面IRI预测方法，其特征在于，步骤S2中，构建GBDT模型，具体包括：输入训练样本集T＝{(x1,y1),
…
,(x
i
,y
i
),
…
,(x
N
,y
N
)}，其中X是输入样本空间，x
i
是评估指标，Y为履约情况，损失函数是L(y
i
,f(x
i
))，输出是回归树GBDT模型的具体训练过程为：1)初始化估计函数，使损失函数极小化；其中，f0(x)是只有一个根节点的树，L(y
i
,c)是损失函数，c是使损失函数最小化的常数；2)令迭代次数为m＝1,2,
…
,M，M表示最大迭代次数；
①

【专利技术属性】
技术研发人员：徐周聪，骆志元，王慧，
申请(专利权)人：招商局重庆交通科研设计院有限公司，
类型：发明
国别省市：