买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉成都信息工程大学;水电水利规划设计总院;水电水利规划设计总院有限公司;中国水利水电建设工程咨询有限公司申请的专利基于Copula数据增强和XG-Boost算法的土石坝溃决洪峰预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120106312B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510533670.8，技术领域涉及：G06Q10/04；该发明授权基于Copula数据增强和XG-Boost算法的土石坝溃决洪峰预测方法及系统是由金鑫;王志雨;贾超;王继琳;任律;江婷设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本基于Copula数据增强和XG-Boost算法的土石坝溃决洪峰预测方法及系统在说明书摘要公布了：本发明属于机器学习技术领域，具体公开了基于Copula数据增强和XG‑Boost算法的土石坝溃决洪峰预测方法及系统；所述方法包括：S1、获取历史坝体数据并对历史坝体数据进行数据预处理；S2、基于Student‑T‑Copula模型对坝体特征数据进行数据增强，并生成增强数据集Xaug；S3、引入基于模型训练反馈的梯度扰动算法；S4、在生成增强数据Xaug和扰动增强样本Xgrad后，进行逆变换操作并进行标签预测，得到最终完整的增强数据集；S5、将增强数据集和坝体特征数据及其对应的标签数据共同构成新的数据集，构建并训练回归模型；S6、输入将当前坝体特征数据即得到预测的当前溃坝峰值流量。本发明通过数据增强和回归模型的结合，有效解决现有方法中土石坝溃决洪峰预测精度不足、数据不足的问题。

本发明授权基于Copula数据增强和XG-Boost算法的土石坝溃决洪峰预测方法及系统在权利要求书中公布了：1.基于Copula数据增强和XG-Boost算法的土石坝溃决洪峰预测方法，其特征在于，包括以下步骤： S1、获取历史坝体数据并对历史坝体数据进行数据预处理，进而得到坝体特征数据及其对应的标签数据；具体步骤包括： 预设X={X1,X2,X3,…,Xn}代表坝体特征数据； 预设y={y1,y2,y3,…,yn}代表与坝体特征数据对应的标签数据； 使用标准化公式对坝体特征数据进行处理，标准化公式为： ； 式中，表示标准化后的坝体特征数据，表示坝体特征数据的均值，为坝体特征数据的标准差，表示坝体特征数据； 将标准化后的坝体特征数据转换为均匀分布，转换的公式为： ； 式中，是变换后的坝体特征数据，是坝体特征数据x的累积分布函数CDF，是坝体特征数据的累积分布函数的逆函数； 其中，所述历史坝体数据包括坝高、库容、孔隙率和溃坝峰值流量，其中，将坝高、库容和孔隙率作为坝体特征数据，将坝体特征数据对应的溃坝峰值流量作为标签数据； S2、基于Student-T-Copula模型对坝体特征数据进行数据增强，并生成增强数据集： 所述基于Student-T-Copula模型对坝体特征数据进行数据增强，进而得到增强数据的步骤，具体包括： 使用Student-T-Copula模型捕捉坝体特征数据中变量之间的关系，其表达式为： ； 式中,是自由度为ν的学生t分布，是第i个边缘分布的逆CDF，是Student-T-Copula模型的参数； 通过Student-T-Copula模型和随机变量从均匀分布中采样，进而生成新的坝体特征数据，即增强数据，其表达式为： ； 式中，是增强数据，u=u1,u2,…,ud是从均匀分布中采样的随机变量，是Student-T-Copula模型的逆变换操作； 具体的，自定义student-Tcopula采样函数的代码表示为： 【defstudent_t_copula_samplen,dim,nu=5: 自定义student-Tcopula采样函数 -n:样本数量 -dim:数据维度 -nu:自由度参数 #生成t分布样本，使用标准t分布并进行累积分布函数（CDF转换 u=t.cdfnp.random.standard_tnu,size=n,dim,df=nu returnu】； S3、为提高增强数据的多样性及边界样本质量，在Student-T-Copula增强样本基础上，引入基于模型训练反馈的梯度扰动算法，步骤如下： 首先，使用由原始训练数据训练得到的基础回归模型，该模型采用随机森林对增强样本进行伪标签估计： ； 式中，是使用模型预测得到的伪标签；是增强样本集合中的第i个增强样本； 设定当前训练好的回归模型f来有效拟合坝体特征数据与其标签之间的非线性映射关系，该模型基于支持向量回归SVR并结合粒子群优化PSO算法进行超参数调优； 根据与f得到的样本预测结果，定义损失函数为样本与其估计标签的均方误差： ； 式中，为损失函数，表示利用原始训练数据训练得到的基础回归模型对增强样本的伪标签估计；f为当前训练中的回归模型，拟合目标为上述伪标签； 根据损失函数得到计算样本在输入空间的梯度方向： ； 式中，为损失函数对样本xi的梯度向量；该梯度表示损失函数随特征向量的敏感方向，用于引导样本向更高误差区域扰动，以提高模型对边界样本或易混样本的学习能力；表示损失函数在样本xi上的梯度； 再结合梯度向量生成扰动样本，扰动方式如下： ； 式中，为第i个扰动增强样本，η为扰动步长，为微小常数防止除零；为梯度的欧几里得范数，用于归一化方向； 将扰动后的样本加入增强数据中，构成扰动增强样本集： ； 式中，为扰动增强样本集； S4、在生成增强数据Xaug和扰动增强样本Xgrad后，进行逆变换操作并进行标签预测；具体包括： 将增强数据进行逆转换，使其符合原始特征空间；具体的逆变换公式为： ； 式中，是将增强数据通过CDF匹配回原始分布后的值，也就是逆变换后的结果；是增强后的特征数据Xaug中的一个样本分量，来自通过Student-T-Copula模型生成的伪样本；表示增强数据当前估计的CDF；是原始坝体特征数据的CDF的逆函数； 逆变换的目的是将增强样本从标准化或均匀分布的空间映射回原始数据的特征空间，这样生成的样本才具有与原始数据一致的物理意义和分布； 使用训练完成的回归模型对增强数据进行标签预测，表达式为： ； ； 式中，f为通过增强样本与伪标签训练得到的回归模型； 构建最终增强数据集，将原始增强样本与梯度扰动增强样本合并，构成最终增强数据集： ； ； 式中，为Student-T-Copula生成的原始增强样本；为引入基于模型训练反馈的梯度扰动算法后生成的梯度扰动增强样本；为原始增强样本与梯度扰动增强样本的合集；为原始增强样本和梯度扰动增强样本两部分增强样本预测标签的合集；最终得到增强数据集Xtotal,ytotal用于后续模型训练与测试； 其中，回归模型的训练过程为：将坝体特征数据作为输入特征数据，将坝体特征数据对应的标签数据作为输出数据，利用输入特征数据和输出数据对回归模型进行训练，即得到训练完成的回归模型； S5、将增强数据集和坝体特征数据及其对应的标签数据共同构成新的数据集，利用新的数据集构建并训练XG-Boost回归模型，进而得到训练完成的XG-Boost回归模型；具体步骤包括：将最终增强数据集和坝体特征数据及其对应的标签数据共同构成新的数据集，将新的数据集以8：2的比例划分为训练集和测试集； 定义一个XG-Boost回归模型，设置一个基学习器，然后利用训练集训练XG-Boost回归模型，用于捕捉数据中的非线性关系； 通过网格搜索法和交叉验证对XG-Boost回归模型进行超参数调优; 通过测试集对新的数据集中的输出数据进行重新预测，通过RMSE、R²对XG-Boost回归模型进行评估，直至XG-Boost回归模型的RMSE与R²达到预设的阈值； S6、获取当前坝体特征数据，对当前坝体特征数据进行预处理并输入训练完成的XG-Boost回归模型，即得到预测的当前溃坝峰值流量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都信息工程大学;水电水利规划设计总院;水电水利规划设计总院有限公司;中国水利水电建设工程咨询有限公司，其通讯地址为：610225 四川省成都市西南航空港经济开发区学府路1段24号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。