张建荣, 张 伟, 薛楠楠, 赵挺生

(华中科技大学土木与水利工程学院，湖北 武汉 430074)

塔式起重机作为主要的建筑工程施工起重设备，对提高作业人员的劳动效率、加快施工进度具有不可替代的作用。但由于塔式起重机的安装、使用和拆卸过程均存在较大的危险性以及施工现场安全管理不到位等原因，近年来塔式起重机安全事故频发，造成了较大的人员伤亡和财产损失。其主要原因:一方面是作业人员存在侥幸心理，认为塔式起重机安全事故都是一般事故，较大事故发生的概率极低；另一方面是各单位对塔式起重机安全事故类型认识不足，未制订有针对性的应急预案。因此，借鉴以往发生的塔式起重机安全事故报告和相关数据，采用可行的预测方法对塔式起重机安全事故等级和类型进行预测，可为制定塔式起重机安全监控监测方案和隐患排查治理提供依据，将有助于降低塔式起重机安全事故发生的概率和危害后果。

塔式起重机安全事故预测的本质是一个分类问题,常用的分类模型有逻辑回归(Logistics Regression,LR)、K近邻(K-Nearest Neighbor,KNN)、决策树(Decision Tree,DT)、多层感知器(Multilayer Perceptron,MLP)等模型，在面对高维特征的小数据集时，这些分类器训练得到的模型泛化能力有限。而集成学习(Ensemble Learning,EL)通过集成基分类器获取更优的预测结果，且对类别不平衡数据集的分类问题预测更准确。随机森林(Random Forest,RF)算法是一种基于多棵决策树和装袋(Bootstrap Aggregating,Bagging)算法的集成学习模型，通过并行集成基学习器降低过拟合的风险，目前在很多领域得到了广泛的应用。……