基于随机森林的基坑监测数据填补对比研究

程 亮

（北京市地质勘察技术院，北京 100143）

基坑监测作为保证基坑工程安全、深入研究基坑结构动态的重要方法，贯穿于整个基坑工程全寿命周期。基坑监测工作过程中收集了大量数据，但受多方面因素影响，基坑监测数据集经常会发生不同程度数据缺失的情况（张军舰等，2020）。开展数据缺失的识别及填补方法的研究，对于完善监测数据集具有显著意义。

缺失数据填充方法较多，可基于回归分析法、聚类分析法及神经网络算法等多种方式进行填补。雷峰津等（2020）基于电网电能质量监测分析系统提出了一种基于相关分析的缺失数据填充方法，通过分析找到与采样周期一致的强相关性指标，然后使用分段回归的方法建立回归模型。林枫等（2020）基于布谷鸟算法，研究提出了优化的K_means 聚类填充算法。王磊等（2020）采用基于图像数据结构可视化的相关技术，应用小波变换与快速行进算法进行电成像数据空白带填充和响应畸变修复，也取得了良好效果。分段回归的方法准确度较高，但是运行效率相对较低。布谷鸟算法优化的K_means聚类算法是对传统聚类算法的优化改进，一定程度上解决了聚类算法无法度量缺失数据间的相似性问题。小波变换与快速行进算法主要应用于电成像测井数据处理，取得了不错的效果。

针对基坑监测数据的差异化特点和缺失值产生原因，应结合工程实际情况进行针对性的分析，进而从数据自身出发，选择最为恰当的填充方法，并对采用的数据填充方法给出适用性的解释（施虹等，2020）。……