CN118536032B 一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预测方法 （东华理工大学）

一种基于LightGBM和SHAP的具有可解释性本发明涉及一种基于LightGBM和SHAP的具分训练集,构建初始预测模型并训练;使用树结建最终预测模型并输出预测结果；步骤5：使用RMSE\MAE\R2三个评价指标评估预测模型；步骤6：通过SHAP方法计算不同特征对模型结果的贡献。本发明充分利用LightGBM_SHAP模型的解释的同时还能掌握每个特征对模型预测结果的重21.一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预测方法，其特征在于，步骤4_2：使用树结构概率密度估计算法对步骤4_1中构建2.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预3.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预4.根据权利要求3所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预期特征的具体操作为地表位移取前6\12小时位移均值，累积降雨量取前6\12\24小时累积5.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预36.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预T7.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预所使用树结构概率密度估计算法是用分类的方法来建立代理模型，本点的输出,而是将样本点模糊地切分为优和差两种类型,并采用期望提升作为其采集函8.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预9.根据权利要求1所述的一种基于LightGBM和SHAP的具有可解释性的滑坡地表位移预步骤6_1：对于选用的输入特征,利用SHAP计算出该特征所有样本的SHAP值,将其平均4差，无法深入提取数据的内部特征,仅适用变形趋势呈现线性或近似线性的滑坡监测数据5[0027]进一步的，所述步骤4_1中，使用训练数据集构建LightGBM滑坡地表位移预测模6构概率密度估计算法是用分类的方法来建立代理模型。不直接估算每个样本点的输出,而是将样本点模糊地切分为优和差两种类型,并采用期森林回归模型和轻量梯度提升模型三者之间比较预测精[0044]进一步的，所述步骤6中，通过SHAP方法计算各个输入特征对模型结果的边际贡[0046]步骤6_2：使用SHAP值的正负影响分析不同输入特征对地表位移预测结果的交互7[0048](1)本发明将LightGBM模型与SHAP模型组合起来实现滑坡地表位移预测，改善单[0049](2)本发明在步骤4_2中使用的树结构概率密度估计算法与前向验证结合的参数[0050](3)本发明构建的LightGBM_SHAP模型以一致的方式量化特征对地表位移短期预[0066]步骤4_2：使用树结构概率密度估计算法对构建的LightGBM滑坡地表位移预测模8检查和缺失值填充的y方向位移与滑坡中部30cm深度处土壤含水率、降雨量数据如图2所[0075]如步骤3所述，使用斯皮尔曼相关系数法计算监测数据与地表位移值之间的相关观测值添加到原有训练集中使之成为新的训练集，再对新的验证集集进行一定数量的预9[0084]如表2所示，本实例中LightGBM算法包括子叶个数num_leaves、基学习器个数n_索用时24.5s，在第43次寻得最优参数，且随机搜索MSE值0.187mm、遗传算法搜索MSE值综上所述，本文基于LightGBM_SHAP的多元滑坡地表位移预测模型在兼具较强泛化能力的相比未进行特征构造之前的原始特征对位移预测的贡[0090]可见，本发明所使用LightGBM_SHAP模型对滑坡位移的预测能充分反映滑坡自身