基于KNN-SMOTE-LightGBM的土石坝溃坝预测模型OA

为精准快速地预测土石坝溃坝风险,基于1 437例土石坝数据,采用K-最近邻(KNN)算法和MissForest(MF)算法对缺失数据进行填补,引入合成少数类过采样(SMOTE)算法处理数据不均衡问题,以轻量级梯度提升机(LightGBM)为基模型建立土石坝溃坝预测模型。采用传统随机森林(RF)模型、极限梯度提升(XGBoost)模型为对比模型,采用准确率、召回率、F1值和AUC值等对模型预测性能进行评价。结果表明:与MF填补算法相比,采用KNN填补算法处理的模型准确率更高;与KNN-LightGBM模型相比,KNN-SMOTE-LightGBM模型的精确率、召回率和F1值均有所提升,证明了数据填补和不均衡处理在提升模型预测性能中的重要作用;与KNN-SMOTE-XGBoost、KNN-SMOTE-RF模型相比,KNN-SMOTE-LightGBM模型的准确率分别高2.083、1.389个百分点,LightGBM模型的预测能力优于RF和XGBoost模型。