基于集成先进机器与深度学习模型的地震损伤分级预测
机器学习
2025-06-30 v1
摘要
在重大地震后，评估结构和基础设施损伤对于协调灾后救援行动至关重要。这包括评估损伤的范围和空间分布，以优先处理救援行动和资源分配。准确估计地震后建筑物损伤分级对于有效的响应和恢复至关重要，由于其对生命和财产的重大影响，加之精简救援资金分配过程的紧迫性。先前的研究表明，多类分类（尤其是 XGBoost）以及其他机器学习模型和集成方法在有效应对类别不平衡问题方面表现良好。类别不平衡的一个结果是可能导致模型偏斜，低估少数类并偏好多数类。本研究通过合成少数类过采样技术（SMOTE）来处理类别不平衡问题。我们深入研究了多种多类分类机器学习、深度学习模型和集成方法，以预测结构损伤分级。该研究通过全面的特征操纵实验和多样化的训练方法阐明了性能决定因素。我们识别了导致地震脆弱性的关键因素，并通过混淆矩阵等技术评估模型性能，以增进对地震损伤预测效果的理解。
引用
@article{arxiv.2506.22129,
title = {Earthquake Damage Grades Prediction using An Ensemble Approach Integrating Advanced Machine and Deep Learning Models},
author = {Anurag Panda and Gaurav Kumar Yadav},
journal= {arXiv preprint arXiv:2506.22129},
year = {2025}
}
备注
3rd International Conference on Applied Mathematics in Science and Engineering