徐 韧，苏怀智，杨立夫

(1.河海大学水文水资源与水利工程科学国家重点实验室,江苏 南京 210098;2.河海大学水利水电学院，江苏 南京 210098)

大坝作为重要的基础设施，其安全关乎民生，加强大坝性态监测是保障大坝安全的重要举措，而坝体的变形情况能够直观反映其性态，是判断大坝服役期间状态的重要依据[1-2]。随着自动监测设备投入使用，坝体变形监测数据延续性更好、时效性更强、稳定性更佳，样本基数较人工观测时更大。而传统算法如灰色模型理论在大数据预测中效果欠佳[3]，BP神经网络在长周期数据预测中易过拟合[4]，基于时间序列的模型其参数在大时间跨度预测时敏感性较差[5]。

近年来，随机森林、AdaBoost、Bootstrap等集成学习算法因其速度快、精度高、鲁棒性好的特点被学者运用在大坝变形预测领域。罗浩等[6]通过随机森林算法，基于水压分量、温度分量、时效分量对拱坝位移进行了预测。沈晶鑫等[7]将AdaBoost算法与优化神经网络相结合，利用AdaBoost算法将粒子群优化后的神经网络模型集成，建立了大坝变形预测模型，并对向家坝第七坝段变形进行预测。王晓玲等[8]基于Bootstrap和改进布谷鸟算法建立了混合模型，利用混沌理论和惯性权重理论以改善模型易陷入局部最优的问题，成功实现了大坝性态评价。极端梯度提升 (extreme gradient boosting，XGBoost)算法由华盛顿大学陈天奇博士提出，是一种可进行并行计算的集成算法，通过加入正则项来控制模型复杂度，有效降低过拟合概率，能较好地解决传统模型存在的过学习、预测效率低、训练时间长、只适用于小集群样本等问题[9]，已在交通流量预测、商品销售量预测、疾病诊断等领域取得成功应用[10-12]，目前在大坝安全领域应用较少。……