本發(fā)明涉及隧道工程，特別涉及一種隧道爆破預(yù)測方法、裝置、設(shè)備、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、貝葉斯優(yōu)化(bayes?i?an?opt?imi?zat?i?on，bo)是一種全局優(yōu)化方法，通過在優(yōu)化過程中不斷地使用代理模型對目標(biāo)函數(shù)進(jìn)行估計，以指導(dǎo)下一次采樣點的選擇，最普遍的使用場景是在機(jī)器學(xué)習(xí)過程中對超參數(shù)進(jìn)行調(diào)優(yōu)。

2、xgboost(extreme?grad?i?ent?boost?i?ng)是一種基于梯度提升樹的機(jī)器學(xué)習(xí)算法。結(jié)合了梯度提升框架和決策樹模型，通過將多個弱學(xué)習(xí)器(通常是決策樹)進(jìn)行集成來構(gòu)建一個更強(qiáng)大的預(yù)測模型。xgboost通過迭代訓(xùn)練多個回歸樹，以梯度下降的方式優(yōu)化損失函數(shù)，通過加權(quán)組合多個回歸樹的預(yù)測結(jié)果來得到最終的預(yù)測值。它通過特定的損失函數(shù)近似和正則化技術(shù)，提供了一種高效而強(qiáng)大的機(jī)器學(xué)習(xí)算法，適用于回歸問題和分類問題。

3、相關(guān)技術(shù)中，在進(jìn)行爆破塊度預(yù)測時，通常使用ga-bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，使用此類神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測雖然可以實現(xiàn)對爆破塊度的預(yù)測功能，但是在實際預(yù)測過程中卻存在計算資源需求高以及可能需要大量訓(xùn)練樣本等缺陷。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種隧道爆破預(yù)測方法、裝置、設(shè)備、系統(tǒng)及介質(zhì)，旨在解決相關(guān)技術(shù)在進(jìn)行爆破塊度預(yù)測時，使用ga-bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測雖然可以實現(xiàn)對爆破塊度的預(yù)測功能，但是在實際預(yù)測過程中卻存在計算資源需求高以及可能需要大量訓(xùn)練樣本等缺陷的技術(shù)問題。

2、為實現(xiàn)上述目的，本技術(shù)提出一種隧道爆破預(yù)測方法，包括如下步驟：

3、將采集得到所述隧道的待訓(xùn)練數(shù)據(jù)集輸入至bo-xg?boost預(yù)測模型，以對所述bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練作業(yè)；其中，所述待訓(xùn)練數(shù)據(jù)集包括所述隧道的尺寸參數(shù)子數(shù)據(jù)集、所述隧道所在位置的地質(zhì)參數(shù)子數(shù)據(jù)集以及對所述隧道已執(zhí)行的所有爆破作業(yè)的爆破參數(shù)子數(shù)據(jù)集和爆破效果子數(shù)據(jù)集；

4、將已完成訓(xùn)練作業(yè)的所述bo-xg?boost預(yù)測模型導(dǎo)出為可部署格式，并在在線環(huán)境下進(jìn)行模型部署，形成實時預(yù)測模型；

5、將采集得到的當(dāng)前爆破作業(yè)的實時數(shù)據(jù)輸入至所述實時預(yù)測模型，并利用所述實時預(yù)測模型進(jìn)行預(yù)測作業(yè)，以得到所述當(dāng)前爆破作業(yè)的實時爆破結(jié)果。

6、在一實施例中，在所述將采集得到所述隧道的待訓(xùn)練數(shù)據(jù)集輸入至bo-xg?boost預(yù)測模型，以對所述bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練作業(yè)的步驟之前，還包括：

7、收集所述隧道的已完成爆破作業(yè)的歷史數(shù)據(jù)并采集所述隧道的當(dāng)前爆破作業(yè)的實時數(shù)據(jù)；

8、對所述歷史數(shù)據(jù)與所述實時數(shù)據(jù)打包形成當(dāng)前數(shù)據(jù)包；

9、對所述當(dāng)前數(shù)據(jù)包進(jìn)行數(shù)據(jù)處理，以得到所述待訓(xùn)練數(shù)據(jù)集。

10、在一實施例中，所述對所述當(dāng)前數(shù)據(jù)包進(jìn)行數(shù)據(jù)處理，以得到所述待訓(xùn)練數(shù)據(jù)集的步驟，包括：

11、對所述當(dāng)前數(shù)據(jù)包依次進(jìn)行數(shù)據(jù)清洗處理、數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化處理、特征工程提取處理以及數(shù)據(jù)分割處理，以得到所述待訓(xùn)練數(shù)據(jù)集。

12、在一實施例中，所述對所述當(dāng)前數(shù)據(jù)包依次進(jìn)行數(shù)據(jù)清洗處理、數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化處理、特征工程提取處理以及數(shù)據(jù)分割處理，以得到所述待訓(xùn)練數(shù)據(jù)集的步驟，包括：

13、從所述當(dāng)前數(shù)據(jù)包中篩選出不滿足預(yù)設(shè)要求的缺失值、錯誤值和異常值，以完成數(shù)據(jù)清洗處理；

14、對完成數(shù)據(jù)清洗之后的所述當(dāng)前數(shù)據(jù)包進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化處理，以將所述當(dāng)前數(shù)據(jù)包中的不同特征進(jìn)行數(shù)據(jù)尺度統(tǒng)一；

15、對完成數(shù)據(jù)尺度統(tǒng)一之后的所述當(dāng)前數(shù)據(jù)包中的不同特征按照預(yù)設(shè)條件進(jìn)行排名，以完成特征工程處理；

16、將完成特征工程處理之后的所述當(dāng)前數(shù)據(jù)包按照預(yù)設(shè)比例分割為訓(xùn)練集和檢驗集，以得到所述待訓(xùn)練數(shù)據(jù)集；其中，所述預(yù)設(shè)比例為4:1。

17、在一實施例中，所述將采集得到所述隧道的待訓(xùn)練數(shù)據(jù)集輸入至bo-xg?boost預(yù)測模型，以對所述bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練作業(yè)的步驟，包括：

18、將采集得到的所述隧道的所述待訓(xùn)練數(shù)據(jù)集中的所述訓(xùn)練集輸入至所述bo-xgboost預(yù)測模型；

19、對所述bo-xg?boost預(yù)測模型進(jìn)行模型訓(xùn)練，以獲取多個當(dāng)前訓(xùn)練結(jié)果；

20、采用貝葉斯優(yōu)化方法對多個所述當(dāng)前訓(xùn)練結(jié)果進(jìn)行超參數(shù)組合；

21、對完成所述超參數(shù)組合后的所述bo-xg?boost預(yù)測模型進(jìn)行模型性能評估和預(yù)測效果評估，以獲取所述bo-xg?boost預(yù)測模型的預(yù)測誤差范圍；

22、將采集得到的實時數(shù)據(jù)輸入至所述bo-xg?boost預(yù)測模型，更新并校正所述bo-xgboost預(yù)測模型，以完成對所述bo-xg?boost預(yù)測模型的訓(xùn)練作業(yè)。

23、在一實施例中，所述對完成所述超參數(shù)組合后的所述bo-xg?boost預(yù)測模型進(jìn)行模型性能評估和預(yù)測效果評估，以獲取所述bo-xg?boost預(yù)測模型的預(yù)測誤差范圍的步驟，包括：

24、使用k折交叉驗證法以及均方誤差、平均絕對誤差以及r2對所述對完成所述超參數(shù)組合后的所述bo-xg?boost預(yù)測模型進(jìn)行模型性能評估；

25、將所述檢驗集輸入所述bo-xg?boost預(yù)測模型進(jìn)行預(yù)測效果評估，以獲取所述bo-xg?boost預(yù)測模型的預(yù)測誤差范圍。

26、基于相同的技術(shù)構(gòu)思，第二方面，本發(fā)明提出一種隧道爆破預(yù)測裝置，包括：

27、訓(xùn)練模塊，用于將采集得到所述隧道的待訓(xùn)練數(shù)據(jù)集輸入至bo-xg?boost預(yù)測模型，以對所述bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練作業(yè)；

28、輸出模塊，用于將已完成訓(xùn)練作業(yè)的所述bo-xg?boost預(yù)測模型導(dǎo)出為可部署格式，并在在線環(huán)境下進(jìn)行模型部署，形成實時預(yù)測模型；

29、在線預(yù)測模塊，用于將采集得到的當(dāng)前爆破作業(yè)的實時數(shù)據(jù)輸入至所述實時預(yù)測模型，并利用所述實時預(yù)測模型進(jìn)行預(yù)測作業(yè)，以得到所述當(dāng)前爆破作業(yè)的實時爆破結(jié)果。

30、基于相同的技術(shù)構(gòu)思，第三方面，本發(fā)明還提出一種隧道爆破預(yù)測設(shè)備，所述隧道爆破預(yù)測設(shè)備包括處理器和存儲器，所述存儲器上存儲有隧道爆破預(yù)測程序，所述隧道爆破預(yù)測程序被所述處理器執(zhí)行時，實現(xiàn)第一方面所述的隧道爆破預(yù)測方法。

31、基于相同的技術(shù)構(gòu)思，第四方面，本發(fā)明還提出一種隧道爆破預(yù)測系統(tǒng)，包括：

32、第三方面所述的隧道爆破預(yù)測設(shè)備；以及，

33、數(shù)據(jù)采集設(shè)備，所述數(shù)據(jù)采集設(shè)備安裝于所述隧道的待爆破作業(yè)區(qū)域，所述隧道爆破預(yù)測設(shè)備與所述數(shù)據(jù)采集設(shè)備通訊連接并將采集得到的數(shù)據(jù)信息傳輸給所述隧道爆破預(yù)測設(shè)備。

34、基于相同的技術(shù)構(gòu)思，第五方面，本發(fā)明還提出一種計算機(jī)可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機(jī)程序，所述計算機(jī)程序被一個或多個處理器執(zhí)行時，實現(xiàn)第一方面所述的隧道爆破預(yù)測方法。

35、本技術(shù)提出的一個或多個技術(shù)方案，至少具有以下技術(shù)效果：

36、本技術(shù)技術(shù)方案在使用時，通過將采集得到隧道的待訓(xùn)練數(shù)據(jù)集輸入至bo-xgboost預(yù)測模型，以對bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練作業(yè)，將已完成訓(xùn)練作業(yè)的bo-xgboost預(yù)測模型導(dǎo)出為可部署格式，并在在線環(huán)境下進(jìn)行模型部署，形成實時預(yù)測模型，將采集得到的當(dāng)前爆破作業(yè)的實時數(shù)據(jù)輸入至實時預(yù)測模型，并利用實時預(yù)測模型進(jìn)行預(yù)測作業(yè)，以得到當(dāng)前爆破作業(yè)的實時爆破結(jié)果，使得本發(fā)明能夠使用訓(xùn)練完成的bo-xg?boost預(yù)測模型進(jìn)行隧道爆破效果的預(yù)測，同時的，在實際應(yīng)用過程中，可以僅將采集得到的隧道的待訓(xùn)練數(shù)據(jù)集輸入至bo-xg?boost預(yù)測模型，以對bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練作業(yè)，然后將完成訓(xùn)練作業(yè)的bo-xg?boost預(yù)測模型導(dǎo)出為在線可部署模式，進(jìn)而也就使得本發(fā)明在使用時可以減少對計算資源的需求，同時也可以降低對訓(xùn)練樣本的使用量。并且的將需要進(jìn)行隧道爆破預(yù)測作業(yè)的隧道的尺寸參數(shù)子數(shù)據(jù)集、隧道所在位置的地質(zhì)參數(shù)子數(shù)據(jù)集以及已執(zhí)行的所有爆破作業(yè)的爆破參數(shù)子數(shù)據(jù)集和爆破效果子數(shù)據(jù)集作為訓(xùn)練樣本輸入bo-xg?boost預(yù)測模型，使得本發(fā)明在對bo-xg?boost預(yù)測模型進(jìn)行訓(xùn)練時，可以訓(xùn)練得到適用于該隧道的預(yù)測模型，進(jìn)而能夠提升對該隧道的爆破預(yù)測效果。