基于机器学习的盾构掘进地表沉降回归预测模型

针对地铁盾构掘进引起的地表沉降预测问题,经验和半经验公式预测差异性大,解析法预测过程复杂,数值模拟无法运用于实时预测。基于线性回归、岭回归、套索算法(least absolute shrinkage and selection operator,LASSO)、分裂决策树算法(classification and regression tree,CART)、随机森林算法、支持向量机(support vector machine,SVM)、XGBoost(extreme gradient boosting)、多层感知机(multi-layer perceptron,MLP)8种机器学习算法的拟合能力,文章提出盾构掘进沿线地表最大沉降值预测模型。采用均方误差(mean square error,MSE)、均方根误差(root mean square error,RMSE)、绝对均值误差(mean absolute error,MAE)、决定系数R 2进行模型评估。结果表明:支持向量回归(support vector regression,SVR)模型取得的效果最优,其次是回归MLP模型;在树模型中,随机森林的表现效果好于CART和XGBoost;线性模型中表现最好的是岭回归。