沈　震，徐良骥，刘潇鹏，秦长才，王振兵

(安徽理工大学测绘学院，安徽 淮南 232001)



机器学习辅助下的概率积分法参数预计模型寻优

沈震，徐良骥，刘潇鹏，秦长才，王振兵

(安徽理工大学测绘学院，安徽 淮南 232001)

收集整理了多组地表移动观测站资料作为训练样本和检验样本，以工作面地质采矿条件为输入集，概率积分法预计参数为输出集，利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练，利用训练所得模型预测检验样本中的概率积分法预测参数，并将预测结果与观测站实测值进行对比。结果表明，利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高，其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高，平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。

概率积分法预计参数；支持向量机；BP神经网络；偏最小二乘法；模型寻优

一、预测模型及其算法简介

机器学习是指通过计算机编程实现从已知数据样本中自动分析获得规律，并利用分析结果对未知数据进行预测的方法。本文选取了机器学习中有代表性的3种方法：支持向量机、BP神经网络及偏最小二乘法对概率积分法参数进行预测。

1. 支持向量机

支持向量机，其主要思想是利用一个非线性映射K，将原本线性不可分的数据集合映射到高维空间，即