基于三模混合优化模型RF-WOA-XGBoost的平均爆破块度预测

摘要

利用露天矿山爆破历史数据有效预测平均爆破块度是优化爆破参数的关键，但现有方法面临高维输入特征干扰、计算效率低，以及稀疏数据下的建模困难挑战。提出融合随机森林（RF）、鲸鱼优化算法（WOA）和极端梯度提升算法（XGBoost）的三模混合预测模型。首先对原始爆破块度数据集进行多层次预处理提升数据质量；其次采用RF评估筛选19个输入特征以降低维度，集成WOA对预测模型超参数进行智能寻优；最终基于XGBoost对小样本爆破块度数据进行建模。研究结果表明：该模型预测效果较好，R²为0.93,优于其他对照组模型。此外，清晰的建模流程设计显著提高了预测模型的可操作性和工程应用价值。

关键词

平均爆破块度预测 / 随机森林 / 鲸鱼优化算法 / 极端梯度提升模型 / 数据驱动