申请/专利权人:东南大学
申请日:2023-11-28
公开(公告)日:2024-04-12
公开(公告)号:CN117874509A
主分类号:G06F18/214
分类号:G06F18/214;G06F18/21;G06F18/20;G06F18/2113;G06F18/2115;G06F18/241;G06F18/2411;G06F18/2413;G06F18/243;G06N20/20;G06N5/01;G06N3/0499;G06N3/0985;G06N5/045
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明公开了一种基于可解释性集成学习的沥青路面车辙深度预测方法,先收集车辙及影响因素数据,构建路面健康评价数据集;应用多种集成学习模型输出特征重要性,对特征重要性进行评估;熵权法融合各模型排序结果,结合帕累托分析选取优化特征子集;输入特征子集,训练多个集成学习模型;比较综合性能指标,选择决定系数最优模型;基于SHAP分析特征对车辙的贡献,提升解释性。本发明通过引入可解释性集成学习方法,特别是SHAP分析,对车辙深度的驱动因素进行了深入研究,在沥青路面车辙深度的预测中相比传统模型,显著提高了预测效率,为路面健康状况的评估提供了更可靠的工具。
主权项:1.一种基于可解释性集成学习的沥青路面车辙深度预测方法,其特征在于:包括以下步骤:步骤1:收集车辙及影响因素数据,构建路面健康评价数据集;步骤2:应用多种集成学习模型输出特征重要性,对特征重要性进行评估;步骤3:熵权法融合各模型排序结果,结合帕累托分析选取优化特征子集;步骤4:输入特征子集,训练多个集成学习模型;步骤5:比较综合性能指标,选择决定系数最优模型;步骤6:基于SHAP分析特征对车辙的贡献,提升解释性。
全文数据:
权利要求:
百度查询: 东南大学 一种基于可解释性集成学习的沥青路面车辙深度预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。