针对不排水抗剪强度的概率间接模型：运用高级填补与机器学习技术应对显著数据缺失与变异性

arXiv cs.LG 论文
machine-learning probabilistic-models geotechnical-engineering data-imputation neural-networks extreme-gradient-boosting

摘要

本研究论文开发了用于预测岩土工程中不排水抗剪强度的概率间接模型，运用先进的数据填补和机器学习技术处理缺失数据和变异性。所提出的MHA增强型PNN模型在精度和不确定性量化方面均表现出优于其他方法的性能。

arXiv:2608.13934v1 Announce Type: new 摘要：准确预测不排水抗剪强度 (su) 对于岩土工程设计至关重要，但传统经验方法常因显著的不确定性而受阻。本研究利用CLAY/10/7490全球数据库，开发基于阿太堡界限和孔压静力触探 (CPTU) 测量的概率间接模型以预测su。首先，数据集存在高缺失率和变异性。我们测试了三种填补方法——多元正态 (MN)、链式方程多重填补 (MICE) 和随机森林填补 (MF)——以填充缺失值。为验证其有效性，开发了概率极限梯度提升 (PXGB) 模型，并通过比较PXGB在填补后数据集上的训练性能与在原始不完整数据上的性能，评估各填补方法。其次，通过将多头注意力 (MHA) 机制集成到人工神经网络 (ANN) 中，构建间接模型，以增强从有限数据中提取信息的能力，从而形成了基于MHA的概率神经网络 (MHA-PNN) 模型。连同常规的基于MN的预测模型，使用均方根误差 (RMSE)、决定系数 (R2)、平均绝对百分比误差 (MAPE)、条件区间宽度 (wCI) 和覆盖率 (CR) 评估了各模型性能。结果表明，所提出的MN增强型MHA-PNN模型在预测精度和不确定性量化方面均显著优于其他模型。这些发现凸显了该综合策略在岩土工程应用中构建稳健概率间接模型的潜力，尤其是在面对稀疏和不完整的数据集时。
查看原文
查看缓存全文

缓存时间: 2026/08/17 10:17 

# 用于不排水抗剪强度的概率间接模型：运用先进插补与机器学习技术应对显著数据缺失与变异性
来源：https://arxiv.org/abs/2608.13934  
查看PDF (https://arxiv.org/pdf/2608.13934)

> 摘要：准确预测不排水抗剪强度 \(su\) 对岩土工程设计至关重要，但传统经验方法常因显著的不确定性而受限。本研究利用CLAY/10/7490全球数据库，开发基于阿太堡界限与静力触探（CPTU）测量值的概率间接模型以预测su。首先，数据集存在高缺失率与变异性。我们测试三种插补方法——多元正态插补（MN）、链式方程多重插补（MICE）和随机森林插补（MF）——以填补缺失值。为验证其有效性，开发了概率极端梯度提升（PXGB）模型，并通过比较在插补数据集与原始不完整数据上训练的PXGB性能来评估插补方法。其次，通过在人工神经网络（ANN）中整合多头注意力（MHA）机制来增强有限数据的信息提取能力，构建间接模型，从而形成基于MHA的概率神经网络（MHA-PNN）模型。模型性能与传统MN预测模型一同通过均方根误差（RMSE）、决定系数（R2）、平均绝对百分比误差（MAPE）、条件区间宽度（wCI）和覆盖率（CR）进行评估。结果表明，所提出的MN增强MHA-PNN模型在预测精度和不确定性量化方面显著优于其他模型。这些发现凸显了该综合策略在构建岩土工程应用中稳健概率间接模型的潜力，尤其是在面对稀疏和不完整数据集时。

## 提交历史

来自：Shaoheng Dai \[查看邮件 (https://arxiv.org/show-email/e85d6a5e/2608.13934)\] **\[v1\]** 2026年8月14日 周五 04:15:16 UTC \(3,770 KB\)

相似文章

评估用于野火后泥石流预测的机器学习模型

arXiv cs.LG

本文使用美国地质调查局（USGS）流域尺度数据，系统评估了包括TabPFN基础模型在内的15种机器学习模型在野火后泥石流预测中的表现，发现TabPFN取得了最佳性能（威胁评分为0.637），并且合成数据增强能改善大多数模型的性能。

物理信息机器学习用于短期洪水预测

arXiv cs.LG

研究人员提出了一种物理信息机器学习（PIML）框架，将水文约束整合到LSTM损失函数中，以改善短期洪水预报，特别是在数据稀缺的情况下。一种“趋势对齐”约束确保了降水与流量趋势之间的一致性，提高了纳什-苏特克利夫效率，并消除了极端事件期间的非物理预测。