.jpg)
基于 PSO-CatBoost 模型的雪崩分类算法
袁若桐 刘志明
成都理工大学计算机与网络安全学院 成都 610059;成都理工大学核技术与自动化工程学院 成都 610059
1 前言
雪崩是由低温层、大气、水圈和生物圈相互作用引起的自然灾害，广泛分布于中、高纬度高山地区 [1]。雪的状况与起始区的含水量有关（干、湿、混合），通常为起始区为干雪条件，但轨道或冲出区为湿雪条件的雪崩[2]。
当前雪崩预测研究很少考虑到不同类型雪崩的特性差异，但不同雪崩类型在发生机理、影响因素和危害程度上存在显著差异，干雪崩、湿雪崩和混合雪崩的触发机制、移动速度及危险性均不尽相同。
本文提出了一种基于 PSO-CatBoost 模型的雪崩分类算法，基于真实雪崩数据，构建针对雪崩分类的模型，增强判别雪崩类型的能力。
2 机器学习技术
2.1 CatBoost
CatBoost [3]，最初是由 Yandex 在 2017 年提出并开源，是一种先进的基于梯度提升决策树（Gradient Boosted Decision Trees， GBDT）的衍生算法，CatBoost在处理非线性数据集方面展现出了卓越的学习能力。
2.2 粒子群优化算法
粒子群优化算法 （PSO） 是由 Kennedy 和 Eberhart[4] 首次提出的群体智能优化算法之一。该算法灵感来源于被称为 " 群体 " 的有组织、去中心化且复杂种群的协作行为与社会特性。
在多维搜索空间中，每个粒子在时间 t 的位置和速度分别 Xit 和 Vit ， Xit 和Vit 会考虑个体最佳经验（ pbest ）和全局最佳经验（ gbest ）的影响进行调整，如下列方程所示：
使用 Accuracy、F1 值、Recall、Precision 来对模型进行评估，结果如下表所示
3 PSO-CatBoost 实验结果
4 结论
本研究针对雪崩三分类问题，提出并验证了一种改进的分类模型 PSO-CatBoost。针对不同类型雪崩，预警信息的响应策略也会不同。分类研究可以帮助制定更精确的应对措施，减少生命财产损失。
参考文献：
[1]LIU Y， CHEN X， YANG J M， et al. Snow avalanche susceptibility mapping from tree-based machine learning approaches in ungauged or poorly-gauged regions [J]. Catena， 2023， 224： 19.
[2]SCHWEIZER J， MITTERER C， TECHEL F， et al. On the relation between avalanche occurrence and avalanche danger level [J]. Cryosphere， 2020， 14（2）： 737-50.
[3]VERONIKA DOROGUSH A， ERSHOV V， GULIN A. CatBoost： gradient boosting with categorical features support [J]. Arxiv， 2018.
[4]KENNEDY J， EBERHART R. Particle swarm optimization; proceedings of the Proceedings of ICNN’95-international conference on neural networks， F， 1995 [C]. ieee.
.jpg)
.jpg)
.jpg)
.jpg)
.jpg)