基于变分模态分解和极端梯度提升的公路边坡位移预测

摘要

针对公路边坡位移监测数据具有非线性、噪声多、不平稳的特点，导致边坡位移预测精度不足的缺点，提出了优化变分模态分解（VMD）和极端梯度提升（XGBoost）的回归预测算法，用于公路边坡位移数据的处理和预测。首先，利用粒子群算法寻优找到VMD的最优分解层数及惩罚因子，进而对边坡位移数据进行VMD，得到趋势位移、周期性位移和随机波动性位移特征；其次，加入其他监测数据作为回归预测特征变量，并利用SHAP对输入特征变量进行重要度解释，筛选出重要特征后输入XGBoost模型进行预测，同时利用网格搜索确定XGBoost模型最优参数；最后，基于实际案例分析，验证本文提出的边坡位移分解方法和回归预测模型的适用性和鲁棒性。结果表明：在本文的实际案例中，对于边坡位移数据分解，VMD较经验模态分解（EMD）和集合经验模态分解（EEMD）适用性更强；对于边坡位移预测，XGBoost预测精度较极限学习机（ELM）和支持向量机（SVM）分别提升4.37%和0.41%。本文回归模型具有较高的预测精度和较强的鲁棒性。同时，研究表明，根据VMD提取的边坡位移特征变量（周期性位移、随机波动性位移和趋势位移）对边坡位移预测的SHAP重要性程度较高。本文模型可为公路边坡位移预测及安全预警研究提供一定思路。

关键词

道路工程 / 公路边坡位移预测 / 变分模态分解 / 粒子群算法 / 极端梯度提升 / 鲁棒性检验