(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211138163.7 (22)申请日 2022.09.19 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 时欣利　李卓轩　曹进德　陶萌　 万颖　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 杜静静 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06N 3/00(2006.01) (54)发明名称 一种基于混沌 粒子群和XGBoost的沥青 路面 弯沉盆性能预测方法 (57)摘要 本发明涉及一种基于混沌粒子群和XGBoo st 的沥青路面弯沉盆性能预测方法， 所述方法包括 以下步骤： 步骤1、 采集历年沥青路面使用性能检 测数据及沥青 路面使用性能影 响因素数据， 步骤 2、 根据弯沉盆面积的变化规律， 将载荷水平突然 变化处作为分割点， 确定分段回归的分段区间； 步骤3、 对步骤2中的每一个分段区间分别建立 XGBoost回归器并进行训练； 步骤4、 通过混沌粒 子群优化参数， 利用混沌 现象的随机性和遍历性 的特点来避免局部最优； 步骤5、 给出结构路面的 弯沉盆数据预测。 该技术方案利用混沌粒子群对 XGBoost的参数和修正后的分段回归方法进行了 优化和改进， 显著提高了预测效率。 权利要求书2页 说明书6页 附图1页 CN 115438869 A 2022.12.06 CN 115438869 A 1.一种基于混沌粒子群和XGBoost的沥青路面弯沉盆性能预测方法， 其特征在于， 所述 方法包括以下步骤： 步骤1、 采集历年沥青路面使用性能检测数据及沥青路面使用性 能影响因素数据， 根据 采集到的数据进行 特征工程； 步骤2、 根据弯沉盆面积的变化规律， 将载荷水平突然变化处作为分割点， 确定分段回 归的分段区间； 步骤3、 对步骤2中的每一个分段区间分别建立XGbo ost回归器并进行训练； 步骤4、 通过混沌粒子群优化参数， 利用混沌现象的随机性和遍历性的特征来避 免局部 最优； 步骤5、 使用混沌粒子群优化的XGBoost分段回归模型， 给出结构路面的弯沉盆数据预 测。 2.根据权利 要求1所述的基于混沌粒子群和XGBoost的沥青路面弯沉盆性能预测方法， 步骤1具体如下， 采集历年沥青路面使用性能检测数据及沥青路面使用性能影响因素数据， 主要特征工程包括新的特征提取和数据 处理， 建立模型前通常不清楚准确的特征个数， 通 过监测数据生成新的特征； 采用平均值填充缺失值较少的数值特征； 采用平滑系 数对弯沉 盆面积进行一阶指数平 滑； 对数据取对数来进行压缩和转换。 3.根据权利 要求1所述的基于混沌粒子群和XGBoost的沥青路面弯沉盆性能预测方法， 其特征在于， 步骤2具体如下， 根据弯沉盆面积的变化规律， 将载荷水平突然变化处作为分 割点， 确定分段回归的分段区间， 提出了XGBoost1和XGBoost2两个模型， 分别对T1和T2时间 段内的弯沉 盆面积进行 预测和分析， 形式化 为： 其中， y为预测值， α 和β 分别为两个模型的修 正系数， i ndex为周期的位置 。 4.根据权利要求1所述的基于混沌粒子群和XGBoost分段回归的沥青路面弯沉盆面积 预测方法， 其特征在于， 步骤3中通过引入正则化项来实现代价函数 的二阶泰勒展开， 综合 树形模型为 其中K是子模型的总数， F＝{f|f(x)＝wq(x)}是所有 回归树的集合， wq(x)是由回归树所有叶子节点权重组成的权重向量， 是样本预测值， xi是 样本输入特征， fk是第k棵回归树， 每棵回归树都有独立 的叶子权重w和树结构q； 引入的目 标函数为 其中 是损失函数， Ω是正则化项， 通过加法策略进行 多次迭代， 综合损失函数和正则化项， 可以推断出： 其中 N是回归树的数量， 步骤3具体如下： (1)建立新的决策树； (2)根据等式 中所示的目标函数计算每 个训练样本的gi和hi并开始迭代； (3)利用近似 贪婪算法找到最佳分割点， 得到决策树结构ft(x)， 其中t 表示第t次迭； (4)将ft(x)添加到集成树模型中； (5)按照步骤(1) ‑(4)进行多次迭代， 得到最终的模型。 5.根据权利要求1所述的基于混沌粒子群和XGBoost分段回归的沥青路面弯沉盆面积权　利　要　求　书 1/2 页 2 CN 115438869 A 2预测方法， 其特征在于， 步骤4具体如下:首先对训练数据集和测试数据集进 行分割处理， 记 为datatrain和datatest； 随机初始化粒子在总体中的速度和位置， 并初始化迭代次数t、 计数 器SG和局部极值判断阈值SGmax； 然后定义相关XGBoost分段回归模型的参数， 通过粒子的 初始位置的相关参数作为初始参数， 然后训练模型找到粒子的初始适应度值e和计算初始 和 根据惯性权值的公式 更新粒子的权值 ωti， 其中ωmax,ωmin分别是惯性权值的上限和下限， k为当前迭代次数， maxgen为最大迭代 次数； 然后根据等式 更新粒子速度， 根 据公式 更新粒子的位置， 其中 分别为第k次迭代时d维搜索空间中第 j个粒子的速度和位置， c1,c2为加速因子， 分别是第j个粒子和种群在第k次迭代 时的历史最优位置； 最后计算粒子适应度值e， 并更新粒子和种群的最优位置为 和 令种群最优位置未更新的连续迭代次数为SG， 如果粒子的 未更新， 则设置SG＝ SG+1， 否则设置SG＝0； 如果SG≤SGmax， 利用公式 生成混沌优化并设置SG＝0， 其中 是混沌变量cxi经过t次迭代后的值； 设置t＝t+1， 如果t<T， T为 最大迭代数， 则返回计算粒子的速度、 位置等相关参数， 否则输出G和E 。 6.根据权利要求1所述的基于混沌粒子群和XGBoost分段回归的沥青路面弯沉盆面积 预测方法， 其特 征在于， 步骤5具体如下， (1)分割数据集， 步骤1得到的数据集按照实验被随机分成一个训练集和一个测试集， 其中训练集用来对基于混沌粒子群和XGBoost分段回归模型进行训练， 不 断跳出局 部最优 值并调整参数参数， 从而得到最优的分段回归模型， 测试集用来对回归器的预测进 行测试， 观察其预测效果； (2)设置初始参数， 根据改进后的混沌粒子群算法的特点， 结合XGBoost的参数范围和 沥青路面结构数据的特点， 进行了相应初始参数设置： 最大迭代数T、 种群数M、 初始最大位 置xmax、 初始最大速度vmax和局部极值判断阈值SGmax， 由于所提出的混沌粒子群算法 随机生 成初始总体， 通过多次实验可以找到高概 率的次优甚至最优参数； (3)参数优化， 当粒子陷入局部最优时， 利用混沌扰动跳出局部最优， 以最大均方误差 MSE和最大绝对百分比误差 MAPE作为评判指标， 通过调整修 正系数提高预测精度。权　利　要　求　书 2/2 页 3 CN 115438869 A 3