融合XGBoost和SVR的滑坡位移预测

摘要

利用极端梯度提升与支持向量回归，同时结合猎人猎物优化算法的优势，提出了一种融合极端梯度提升和支持向量回归的滑坡位移预测模型.首先采用极端梯度提升（extreme gradient boosting, XGBoost）进行滑坡位移初步预测，进一步利用猎人猎物优化算法（hunter-prey optimizer, HPO）优化支持向量回归（support vector regression, SVR）的超参数而构建了一种组合预测模型（HPO-SVR）以修正XGBoost的预测结果 .两组滑坡位移实测数据表明：HPO算法通过不断更新猎人与猎物位置的动态寻优策略，获得了更加合理的SVR的超参数.相对于XGBoost、SVR，以及其与粒子群优化算法、遗传算法和HPO的组合预测模型而言，XGBoost-HPO-SVR组合模型在阳屲山滑坡和脱甲山滑坡位移预测中取得了良好的效果，其均方根误差和平均绝对误差分别为3.505和1.357,0.550和0.538.

关键词

极端梯度提升 / 支持向量回归 / 猎人猎物优化算法 / 滑坡位移预测