基于机器学习和数据增强的洪灾人口转移需求预测方法OA

洪涝灾害应急管理中,准确预测转移安置人口数量对提升灾后响应效率至关重要。该文基于2014—2018年全国范围内暴雨洪涝灾害数据,构建了结合特征选择与数据增强的极端梯度提升(XGBoost)转移人数预测模型。所用数据涵盖历史洪涝灾害的气象信息、地理要素等多维特征。通过Shapley可加性特征解释(SHAP)方法和递归特征添加方法,模型能有效获取灾害发生时的关键影响因素;通过加权k近邻的Gauss噪声注入方法,模型显著提升了泛化能力与鲁棒性。实验结果显示:数据增强显著提升了模型在测试集上的表现,R^(2)由0.854提高至0.967, RMSE由0.296降至0.123,模型展现出更强的预测精度和更低的误差。该研究可为暴雨洪涝灾害中应急救援物资的科学配置与高效调度提供决策参考。