[发明专利]一种基于无监督机器学习算法的极值预测方法

权利要求书

1.一种基于无监督机器学习算法的极值预测方法，其特征在于，包括以下步骤：

S1、构建基于GEVMM的聚类算法；

S2、采用构建的聚类算法对区块最大值样本集进行聚类；

S3、采用聚类效果评价指标选择最佳聚类簇数；

S4、根据最佳聚类簇数对应的GEVMM的CDF进行未来一段时间内的极值预测；

所述的基于无监督机器学习算法的极值预测方法，应用于公路交通引起的桥梁极端荷载效应预测，过程为：

步骤S1中GEVMM的PDF表示为：

其中，m是GEVMM中包含的广义极值模型GEV个数，ξ_j,σ_j,μ_j分别表示第j个GEV分布的形状参数、尺度参数和位置参数，π_j表示第j个GEV分布的权重，f(x|ξ_j,σ_j,μ_j)表示第j个GEV分布的PDF；

引入拉格朗日乘数项λ，采用对数似然函数估计GEVMM的参数ξ_j,σ_j,μ_j和π_j：

其中，n是最大值数据集中的数据个数；

令式(2)对参数ξ_j,σ_j,μ_j和π_j的偏导分别等于0，采用期望最大化算法迭代求解，迭代收敛后得到参数ξ_j,σ_j,μ_j和π_j的估计值；

表1给出两个不同的底分布模型，分别代表两种不同类型的公路交通加载事件：一种是桥上同时存在3辆重车的加载事件引起的桥梁荷载效应分布模型，另一种是桥上同时存在4辆重车的加载事件引起的桥梁荷载效应分布模型；由这两个底分布模型根据权重大小和每天发生次数产生随机的桥梁荷载效应，构成非IID的样本数据集；

表1底分布模型

假定每一年有250个公路交通加载事件发生的天数，已知的数据集包含4年的桥梁荷载效应数据，现要预测未来1000年时间内的桥梁极端荷载效应；

步骤S2包括以下子步骤：

S2.1、将1天的时间段定义为区块尺度；

S2.2、将已知的4年桥梁荷载效应样本数据划分成1000个区块；

S2.3、抽取出每一区块中的桥梁荷载效应最大值构成区块最大值样本集；

S2.4、设置聚类簇数为1～5，每个聚类簇数下均采用步骤S1构建的聚类算法对区块最大值样本集进行聚类，聚类结果如表2所示；

表2聚类运算后的模型参数估计值

所述步骤S3中的聚类效果评价指标采用均方根误差RMSE，定义为：

其中，y_i表示区块最大值样本集中的样本数据值，h(x_i)是对应于样本数据值的模型估计值，n表示区块最大值样本集中的样本个数；

步骤S4中的GEVMM是最佳聚类簇数为3对应的GEVMM，其CDF根据表2中聚类簇数3对应的模型参数表示为：

其中，X为参考周期内的数据极值。