地震损毁等级预测使用集成方法结合先进机器学习和深度学习模型-计算机科学-深度学习.pdf

1介绍

地震损毁等级预测使用集成方法结合先进机器学习和深度学习

模型

AnuragPanda,GauravKumarYadav

DepartmentofComputerScienceandEngineering,InstituteofTechnicalEducationandResearch,Siksha

’O’AnusandhanUniversity,Bhubaneswar,Odisha

Abstract

在大地震之后，评估结构和基础设施的损害对于协调灾后应对工作至关重要。这包括评估损

害的程度和空间分布以优先考虑救援行动和资源分配。准确估算地震后的建筑损害等级是有

本效响应和恢复的关键，鉴于其对生命和财产的重大影响，强调了简化救济基金分配流程的紧

译迫性。智能技术的进步可以帮助实现这一点。先前的研究表明多类分类的有效性，特别是XG-

中Boost，以及其他机器学习模型和集成方法，结合正则化来解决类别不平衡问题。类别不平衡

1的一个后果是可能导致模型偏向少数类别而低估多数类别。本研究借助合成少数过采样技术

v

9（SMOTE）处理类别不平衡的问题。我们深入探讨了多种多类分类的机器学习、深度学习模

2型和集成方法以预测结构损害等级。利用从Gorkha地震数据集中获取的基本建筑属性，包括

1

2年龄、建设细节以及二次使用数据，本研究涵盖了探索性数据分析、多类分类器应用及超参

2

.数调整等阶段。该研究通过全面的特征操控实验和多样化的训练方法阐明性能决定因素。它

6

0识别出关键因素以评估模型性能，并利用混淆矩阵等技术进一步提升对地震损害预测有效性

5的理解。通过提供关于地震诱发损害的见解并提出一种适用于各种自然灾害的灵活建模框架，

2

:本研究旨在为灾害韧性讨论做出贡献。

v

i

xKeywords.地震；SMOTE；分类；集成；混淆矩阵

r

a

1介绍

在重大地震之后，评估结构和基础设施的损坏程度对于协调灾后应对工作至关重要。这包括评估

损害的程度和空间分布以优先考虑救援行动和资源分配。损害的严重性直接影响经济倒退、伤亡

人数，强调了快速而详细的评估的重要性。尽管存在资源限制和后勤挑战，这些评估对指导第一

响应者、财产所有者和地方当局的决策至关重要。最终，这些见解增强了社会韧性并促进了受影

响社区的迅速恢复。最近的研究通过多种机器学习（ML）和深度学习（DL）技术推进了地震损害

预测的发展。Klusowski和Tian强调决策树在大规模地震损害评估任务中的可扩展性Klusowski

andTian[2023]。Lu等人展示了XGBoost在处理表格数据以预测地震后的结构损坏方面的有效

性Luandetal.[2023]。Zhang等人提出了一种基于CNN的方法，该方法捕获了地震数据中的

空间依赖性，从而提高了预测准确性Zhangandetal.[2023]。然而，这些方法通常面临处理类别

1

2数学公式表述

不平衡的限制，这可能导致模型预测偏向多数类，削弱对少数损害等级的准确性。此外，深度学

习模型的复杂性可能需要大量的计算资源和精细调整。我们的提议工作旨在通过采用集成方法整

合先进的ML和DL模型来解决这些限制。我们使用SMOTE来处理类别不平衡，并通过平衡

数据集增强模型训练