23

(1.河海大學(xué) 水利水電學(xué)院，南京 210098； 2.河海大學(xué) 水文水資源與水利工程科學(xué)國家重點實驗室,南京 210098; 3.三峽大學(xué) 水利與環(huán)境學(xué)院，湖北 宜昌 443002)

1 研究背景

大壩變形是一種直觀可靠的監(jiān)測指標(biāo)，可反映各種荷載作用下的大壩工作性態(tài)變化[1]。建立精準(zhǔn)的大壩變形預(yù)測模型，對掌握大壩運行狀況，及時進(jìn)行安全示警具有重要意義。然而大壩在服役期內(nèi)工作條件復(fù)雜，變形具有不確定性、多變等特點[2]，傳統(tǒng)模型如多元回歸、逐步回歸等很難準(zhǔn)確預(yù)測它。此外隨著監(jiān)測技術(shù)的發(fā)展，采樣頻率直線上升，大量數(shù)據(jù)亟待處理，這對預(yù)測模型的數(shù)據(jù)處理能力提出了更高的要求[3]。

近些年來，機(jī)器學(xué)習(xí)領(lǐng)域眾多方法，如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等被應(yīng)用于大壩變形預(yù)測中，并取得良好表現(xiàn)[4-5]。吉培榮等[6]證實GM(1,1)模型要求原始數(shù)據(jù)平穩(wěn)且滿足指數(shù)分布規(guī)律，預(yù)測精度受隨機(jī)擾動影響大。朱軍桃等[7]提出了改進(jìn)支持向量機(jī)算法，但其回歸性能仍受內(nèi)部參數(shù)很大影響。楊貝貝[8]將小波核函數(shù)與支持向量機(jī)結(jié)合，提出一種新的大壩變形預(yù)測方法。盧獻(xiàn)健等[9]提出一種結(jié)合遺傳算法和粒子群優(yōu)化算法(PSO)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)大壩變形預(yù)測模型。然而這些方法也存在一些弊端，限制了其在工程中的大規(guī)模應(yīng)用，如支持向量機(jī)的回歸性能受內(nèi)部參數(shù)影響大，人工神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)解，大規(guī)模訓(xùn)練樣本時計算速度慢，不適用于大規(guī)模監(jiān)測數(shù)據(jù)處理[10]。

基于此，本文采用一種快速、高效、分布式的基于決策樹算法的梯度提升框架LightGBM(Light Gradient Boosting Machine)[11]，并應(yīng)用一種概率尋優(yōu)方法貝葉斯優(yōu)化確定模型中存在的超參數(shù)[12]，以兩座運行多年的混凝土壩為例，將所提基于貝葉斯優(yōu)化的LightGBM模型應(yīng)用于大壩變形預(yù)測中，并與其他方法進(jìn)行對比，驗證模型的合理性和有效性。

2 貝葉斯優(yōu)化LightGBM框架預(yù)測原理

2.1 LightGBM算法原理

大壩變形預(yù)測通常需要面臨大規(guī)模的數(shù)據(jù)處理，決策樹可解釋性強(qiáng)且預(yù)測速度快，因此基于決策樹的算法適用于建立預(yù)測模型，通過限制梯度提升框架LightGBM的參數(shù)可有效避免決策樹易過擬合的問題。

梯度提升(Gradient Boosting)指利用損失函數(shù)的負(fù)梯度作為回歸問題提升樹殘差的近似值。提升樹(Boosting Tree)是以二叉樹為基本學(xué)習(xí)器的一種提升方法，采用加法模型與向前分布算法。模型為

(1)

式中：T(x;Θm)為決策樹；Θm為決策樹的參數(shù)；M為樹的個數(shù)；fM(x)為提升樹。

通過最小化損失函數(shù)Loss(y,fm(x))來確定決策樹T(x;Θm)的參數(shù)：

argminΘmLoss(y,fm-1(x)+T(x;Θm)) 。

(2)

梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)結(jié)合梯度提升和決策樹的特性，效果好且不易出現(xiàn)過擬合。假設(shè)一段大壩數(shù)據(jù)集,即

D={(xi,yi),i=1,2,…,N,xi∈Rs,yi∈R}。

式中:N為序列長度；yi為大壩位移；xi為影響大壩位移因素；s為每個樣本特征個數(shù);R為實數(shù)集。

計算步驟大體上分為2步，即初始化和得到最終模型。

初始化可得f0(x)，即

(3)

式中c為使損失函數(shù)極小化的常數(shù)值。

(1)進(jìn)行迭代，迭代次數(shù)m可取1,2,…，M。

(2)計算殘差rm,i，即

(4)

(3)對(xi,rm,i)擬合一個回歸樹，得到第m棵樹的葉節(jié)點區(qū)域Rm,j，j=1,2,…,J，J為節(jié)點區(qū)域個數(shù)，計算參數(shù)cm,j，即

(5)

(4)更新回歸樹,即

(6)

式中I為回歸樹更新時參與迭代的參數(shù)。

得到最終模型，即

(7)

GBDT算法處理數(shù)據(jù)時需要儲存特征值及排序結(jié)果等，時間和空間消耗大，應(yīng)用于大壩變形預(yù)測研究受到很大限制。LightGBM是對GBDT的一種改進(jìn)，具體如下：采用histogram算法減少內(nèi)存消耗，降低計算代價；帶深度限制的Leaf-wise的葉子生長策略替代傳統(tǒng)的level-wise策略，每次尋找分裂增益最大的葉子分裂，可降低誤差，提高大壩預(yù)測精度。此外，LightGBM的兩個核心技術(shù)很大程度上提高了運算速度，滿足大壩監(jiān)測數(shù)據(jù)處理要求。具體為：基于梯度單邊采樣技術(shù)(Gradient-based One-Side Sample, GOSS)，保留大梯度數(shù)據(jù)，對小梯度數(shù)據(jù)隨機(jī)抽樣，保持信息增益的同時提高泛化能力；采用特征捆綁(Exclusive Feature Bundling, EFB)技術(shù)實現(xiàn)互斥特征的捆綁，降低數(shù)據(jù)特征規(guī)模[13]。

2.2 貝葉斯優(yōu)化算法框架

應(yīng)用LightGBM模型進(jìn)行大壩變形預(yù)測時，需要確定最優(yōu)超參數(shù)組合?？紤]到機(jī)器學(xué)習(xí)易陷入局部最優(yōu)解問題，本文引入一種全局優(yōu)化算法——貝葉斯優(yōu)化算法(Bayesian Optimization Algorithm,BOA)進(jìn)行模型參數(shù)尋優(yōu)。貝葉斯優(yōu)化算法以貝葉斯定理為基礎(chǔ)，通過最大化采集函數(shù)得到下一個最有潛力的評估點xt，進(jìn)而評估目標(biāo)函數(shù)值yt，將新得到的(xt,yt)添加到已知評估點集合中，更新概率代理模型依次循環(huán)從而得到最優(yōu)解[14-15]。由于貝葉斯優(yōu)化算法可以充分利用歷史信息，其效率明顯高于其他尋優(yōu)方法。

概率代理模型和采集函數(shù)是貝葉斯優(yōu)化的兩個核心部分。概率代理模型分為參數(shù)模型及非參數(shù)模型兩大類，非參數(shù)模型具有更高的擴(kuò)展性，通常能取得滿意的預(yù)測結(jié)果，其中以高斯過程(Gaussian Process, GP)應(yīng)用最為廣泛。采集函數(shù)指從輸入、觀測、超參數(shù)空間映射到實數(shù)空間的函數(shù)，需要平衡利用與探索之間的關(guān)系，權(quán)衡評估點的分布。

2.2.1 概率代理模型

高斯過程是一個隨機(jī)變量的集合，一個高斯過程構(gòu)成為

f(x)～GP(m(x),k(x,x′)) 。

(8)

式中：m(x)為均值函數(shù)，m(x)=E[f(x)]，通常設(shè)置為0；k(x,x′)為協(xié)方差函數(shù)，k(x,x′)=E[(f(x)-m(x))(f(x′)-m(x′))]；f(x)為一個連續(xù)函數(shù)；x′為隨機(jī)變量。

考慮0均值的先驗分布p(f|X,θ)為

p(f|X,θ)=N(0,∑) 。

(9)

式中：X為訓(xùn)練集；f為未知函數(shù)的函數(shù)值集合；∑為k(x,x′)構(gòu)成的矩陣。

存在觀測噪聲ε時，p(ε)=N(0,σ2),σ2為方差，得到似然分布為

p(y|f)=N(f,σ2I) 。

(10)

式中：y為觀測值集合；I為單位矩陣。

進(jìn)而得到邊界似然分布為

p(y|X,θ)=N(0,∑+σ2I) 。

(11)

根據(jù)高斯過程性質(zhì)，可得到

(12)

p(f*|X,y,X*)=N(〈f*〉,cov(f*)) ； (13)

(14)

式中：〈f*〉為預(yù)測均值；cov(f*)表示預(yù)測協(xié)方差。

2.2.2 采集函數(shù)

采集函數(shù)是確定下一評估點的重要依據(jù)，選用基于置信區(qū)間策略(GP-UCB)時下一個評估點為

(16)

式中：參數(shù)βt為平衡探索和開發(fā)的常數(shù)；μt(x)為均值；σt(x)為標(biāo)準(zhǔn)差。

2.3 基于貝葉斯優(yōu)化LightGBM 的預(yù)測模型

2.3.1 模型執(zhí)行步驟

利用貝葉斯優(yōu)化對LightGBM進(jìn)行參數(shù)尋優(yōu)時，以LightGBM的不同超參數(shù)組合作為自變量x，以五折交叉驗證評估得到的均方誤差(MSE)作為貝葉斯框架的輸出f。貝葉斯優(yōu)化LightGBM的大壩變形預(yù)測模型具體步驟如圖1所示。

圖1 LightGBM大壩變形預(yù)測流程

2.3.2 評估指標(biāo)

為衡量大壩變形預(yù)測模型的精度優(yōu)劣，選取決定系數(shù)(R2)、均方根誤差(RMSE)和平均絕對誤差(MAE)3個指標(biāo)進(jìn)行評價,其計算公式分別為：

(17)

(18)

(19)

3 實例應(yīng)用

某混凝土重力拱壩最大壩高為76.3 m，壩頂弧長419 m，壩頂寬8 m，最大壩底寬53.5 m。選取PL26-1及PL8-2兩垂線測點為例分析，此外為驗證所提模型的適用性，對某重力壩亦選取兩引張線測點EX5-2、EX6-2。本文運行平臺為AMD2600 CPU，32 G內(nèi)存，編程語言為Python，基于KERAS深度學(xué)習(xí)框架進(jìn)行數(shù)據(jù)處理、參數(shù)選擇及建立LightGBM模型。采用多元線性回歸(Multiple Linear Regression，MLR)、支持向量回歸機(jī)(Support Vector Regression,SVR)、多層神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perceptron，MLP)作為對比方法，驗證其優(yōu)越性。

3.1 數(shù)據(jù)處理

3.2 參數(shù)選擇

本文中LightGBM算法包括學(xué)習(xí)率learning_rate、最大深度max_depth、子葉個數(shù)num_leaves以及子葉最小數(shù)據(jù)數(shù)min_data_in_leaf共4個參數(shù)。給定的參數(shù)范圍內(nèi)，分別采用貝葉斯優(yōu)化和隨機(jī)搜索優(yōu)化，以五折交叉驗證的均方誤差(Mean Squared Error，MSE)作為目標(biāo)函數(shù)，控制迭代次數(shù)為100次，得到LightGBM 參數(shù)及優(yōu)化值，如表1所示。

表1 LightGBM 參數(shù)及優(yōu)化值

為便于比較，繪制訓(xùn)練集MSE變化曲線,見圖2。迭代100次隨機(jī)搜索用時110 s，在第55次尋得最優(yōu)，貝葉斯優(yōu)化用時65 s，在第35次尋得最優(yōu)，且隨機(jī)搜索MSE值0.222 mm2仍大于貝葉斯優(yōu)化MSE值0.128 mm2。實驗結(jié)果表明，貝葉斯優(yōu)化能夠根據(jù)采樣點的結(jié)果進(jìn)行調(diào)整主動尋優(yōu)，在搜索過程中整體穩(wěn)定，在較少時間內(nèi)得到最優(yōu)參數(shù)組合，而隨機(jī)搜索依賴于迭代次數(shù);最優(yōu)參數(shù)組合的出現(xiàn)具有隨機(jī)性、效率低等特點;本次實驗中貝葉斯優(yōu)化表現(xiàn)優(yōu)于隨機(jī)搜索(圖3)，在LightGBM的參數(shù)尋優(yōu)中更具優(yōu)勢。

圖2 訓(xùn)練集MSE變化曲線

圖3 不同優(yōu)化方法模型評價指標(biāo)對比

3.3 預(yù)測結(jié)果分析

采用上述建立的BOA-LightGBM模型對大壩位移進(jìn)行預(yù)測，將預(yù)測值與多元線性回歸(MLR)、支持向量回歸機(jī)(SVR)以及多層神經(jīng)網(wǎng)絡(luò)(MLP)進(jìn)行對比，各模型參數(shù)及預(yù)測結(jié)果如表2所示。表2中c′為支持向量回歸機(jī)SVR的懲罰系數(shù)，gamma是SVR中反映數(shù)據(jù)映射到新的特征空間后的分布的參數(shù)，Hidden-layer-sizes是MLP的隱藏層神經(jīng)元數(shù)目。

表2 不同模型參數(shù)比較

從圖4、圖5可以看出，BOA-LightGBM模型的預(yù)測值與實測值變化趨勢整體一致，且在真實值附近上下均勻波動，對比其他模型，雖然預(yù)測值趨勢一致，但曲線較光滑不能反映真實值的波動情況。分析圖5中殘差可以看出，相比于其他預(yù)測模型，BOA-LightGBM預(yù)測殘差均值小，且分布集中，說明模型預(yù)測結(jié)果較好。

圖4 不同模型大壩位移預(yù)測結(jié)果與實測值比較

圖5 不同模型預(yù)測殘差

由表3可知，在R2、MAE及RMSE指標(biāo)中，BOA-LightGBM預(yù)測模型均優(yōu)于SVR、MLP、MLR等模型，即BOA-LightGBM模型精度較高。

表3 重力拱壩測點不同預(yù)測模型結(jié)果比較

如表4所示，所提模型在3種評價指標(biāo)下均具有良好表現(xiàn)，顯著優(yōu)于傳統(tǒng)統(tǒng)計模型MLR。綜上所述，本文基于BOA-LightGBM的大壩變形預(yù)測模型具有較高的精度和很好的泛化能力。

表4 重力壩測點結(jié)果比較

此外，LightGBM可以輸出各個特征對預(yù)測結(jié)果的貢獻(xiàn)程度，圖6為PL26-1測點各影響因素重要性分布，可以看出時效因子θ、水位因子H以及4個溫度因子對結(jié)果影響顯著，這是由于該測點附近存在貫穿裂縫，與該重力拱壩實際狀況相符[16]。而PL8-2測點水位因子H貢獻(xiàn)度為23.25%，時效因子θ貢獻(xiàn)度為14.43%，驗證了該模型的可靠性。

圖6 大壩預(yù)測模型各特征因素貢獻(xiàn)度

4 結(jié) 論

本文提出了一種基于LightGBM的大壩變形預(yù)測模型，該模型改善了現(xiàn)存模型適用于小樣本、易陷入局部最優(yōu)等問題，得到如下結(jié)論：

(1) 與隨機(jī)搜索相比，貝葉斯優(yōu)化可充分利用歷史信息，減少不必要的目標(biāo)函數(shù)評估，提高參數(shù)搜索效率。

(2) 提出一種基于貝葉斯優(yōu)化與五折交叉驗證的模型搜索方案，結(jié)合LightGBM模型應(yīng)用于大壩變形預(yù)測中，與其他模型相比，所提模型具有更高的預(yù)測精度和泛化能力，在3種定量評估指標(biāo)中均取得最好表現(xiàn)。

(3) LightGBM可對輸入?yún)?shù)的重要性進(jìn)行評估，對影響大壩變形的特征進(jìn)行篩選，從而確定對大壩變形影響更顯著的因素，為后續(xù)的安全評估工作提供參考。