[发明专利]基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法

权利要求书

1.基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法，其特征在于，包括以下步骤：

步骤1，确定研究区域，收集研究区域内地震事件波形和元数据信息，并进行分析处理，建立强震动数据库；

步骤2，对强震动数据进行数据清洗，挑选用于机器学习模型训练的数据；

步骤3，利用挑选的强震动记录和自然梯度提升算法，训练出用于地震动参数概率密度分布预测的机器学习模型；

步骤4，计算所有样本所有特征的SHAP值，并根据SHAP值分析各个特征的重要性，以及如何影响地震动参数预测，解释机器学习模型；

步骤5，利用训练好的机器学习模型，对新发生或假想地震的地震动参数概率密度分布进行预测。

2.根据权利要求1所述的基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法，其特征在于，所述元数据信息包括矩震级M_w、震中距R_jb、地下30m平均S波速度V_S30、断层顶部深度Z_TOR、滑动角Rake、断层倾角Dip和V_S达到2.5km/s时的深度Z_2.5。

3.根据权利要求1所述的基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法，其特征在于，所述地震动参数包括峰值加速度、峰值速度和峰值位移。

4.根据权利要求1所述的基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法，其特征在于，所述步骤3中训练机器学习模型的基础学习器采用分类与回归树，评分规则采用对数分数。

5.根据权利要求3所述的基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法，其特征在于，采用K-折交叉验证和网格搜索搜寻机器学习模型训练的最佳超参数。

6.根据权利要求1所述的基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法，其特征在于，所述步骤4还包括以下内容：

对于每个样本，计算每个特征i的SHAP值φ_i：

其中M表示输入特征的个数；表示M个特征的所有排列组成的集合；表示在排列R中所有在特征i之前的特征组成的集合；f_x(S)＝E[f(X)|X_s＝x_S]表示已知特征子集S情况下的条件期望，根据计算的SHAP值，研究各个特征如何影响地震动参数预测，是否与物理规律相符，判断机器学习模型的合理性。