Page 73 - 2023年第54卷第10期

２０２２，４１（７）：４７ － ６０．
［２４］ ＬＭ，ＲＥＮＢ，ＷＵＢ，ｅｔａｌ．Ａｐａｒａｍｅｔｒｉｃ３Ｄｇｅｏｌｏｇｉｃａｌｍｏｄｅｌｉｎｇｍｅｔｈｏｄｃｏｎｓｉｄｅｒｉｎｇｓｔｒａｔｉｇｒａｐｈｉｃｉｎｔｅｒｆａｃｅｔｏ
ｐｏｌｏｇｙｏｐｔｉｍｉｚａｔｉｏｎａｎｄｃｏｄｉｎｇｅｘｐｅｒｔｋｎｏｗｌｅｄｇｅ［Ｊ］．ＥｎｇｉｎｅｅｒｉｎｇＧｅｏｌｏｇｙ，２０２１，２９３：１ － １７．
［２５］ 闵恺艺．基于多测点模型的面板堆石坝沉降变形预测研究［Ｄ］．西安：西安理工大学，２０２１．
［２６］ 赵征，冯事 成，宋 梅 雯，等．基 于 ＸＧＢｏｏｓｔ的 航 空 器 动 态 滑 行 时 间 预 测 方 法 研 究 ［Ｊ］．航 空 工 程 进 展，
２０２２，１３（１）：７６ － ８５．
［２７］ 李浩维．基于改进 ＷＯＡ优化参数的 ＸＧＢｏｏｓｔ入侵检测模型［Ｄ］．沈阳：辽宁大学，２０２２．
［２８］ 王涛．非线性权重和柯西变异的蝗虫算法［Ｊ］．微电子学与计算机，２０２０，３７（５）：８２ － ８６．
［２９］ 王龙达，王兴成，刘罡．基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化改进算法［Ｊ］．计算机
应用研究，２０２２，３９（５）：１３９５ － １４０１．
［３０］ ＺＨＡＮＧＹ，ＺＨＯＵＸ，ＳＨＩＨ ＰＣ．ＭｏｄｉｆｉｅｄＨａｒｒｉｓＨａｗｋｓｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ ｆｏｒｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓ
［Ｊ］．ＡｒａｂｉａｎＪｏｕｒｎａｌｆｏｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２０，４５（１２）：１０９４９ － １０９７４．
［３１］ 周挺，杨军，詹祥 澎，等．一 种 数 据 驱 动 的 暂 态 电 压 稳 定 评 估 方 法 及 其 可 解 释 性 研 究 ［Ｊ］．电 网 技 术，
２０２１，４５（１１）：４４１６ － ４４２５．
［３２］ 赵晓华，亓航，姚莹，等．基于可解释机器学习框架的快速路立交出口风险预测及致因解析［Ｊ］．东南大
学学报（自然科学版），２０２２，５２（１）：１５２ － １６１．
［３３］ ＳＨＡＰＬＥＹＬＳ．Ａｖａｌｕｅｆｏｒｎ － ｐｅｒｓｏｎｓｇａｍｅｓ［Ｊ］．ＡｎｎａｌｓｏｆＭａｔｈｅｍａｔｉｃｓＳｔｕｄｉｅｓ，１９５３，２８（７）：３０７ － ３１８．
［３４］ 陈萌．基于 ＩＣＵ临床数据的脓毒症早期预测算法及其可解释性研究［Ｄ］．南京：东南大学，２０２１．

ＩＡＯ－ ＸＧＢｏｏｓｔｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇｍｏｄｅｌｆｏｒｓｅｅｐａｇｅｂｅｈａｖｉｏｒａｎａｌｙｓｉｓｏｆ
ｅａｒｔｈ － ｒｏｃｋｄａｍ ａｎｄｉｎｔｅｒｐｒｅｔａｔｉｏｎｏｆｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ

ＹＵＨｏｎｇｌｉｎｇ，ＷＡＮＧＸｉａｏｌｉｎｇ，ＲＥＮＢｉｎｇｙｕ，ＺＨＥＮＧＭｉｎｇｗｅｉ，ＷＵＧｕｏｈｕａ，ＺＨＵＫａｉｘｕａｎ
（ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇＳｉｍｕｌａｔｉｏｎａｎｄＳａｆｅｔｙ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ ３０００７２，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｃｏｍｐｕｔａｔｉｏｎａｌｅｆｆｉｃｉｅｎｃｙａｎｄｄｉｆｆｉｃｕｌｔｙｉｎｒｅａｌ － ｔｉｍｅａｎａｌｙｓｉｓｏｆｄａｍｓｅｅｐ
ａｇｅｂｅｈａｖｉｏｒｉｎｔｈｅｅｘｉｓｔｉｎｇｓｅｅｐａｇｅｎｕｍｅｒｉｃａｌｓｉｍｕｌａｔｉｏｎｍｅｔｈｏｄｓｏｆｅａｒｔｈ － ｒｏｃｋｄａｍ，ａｎｄｔｈｅｐｒｏｂｌｅｍｓｏｆｐｏｏｒｉｎ
ｔｅｒｐｒｅｔａｂｉｌｉｔｙｏｆｔｈｅｅｘｉｓｔｉｎｇｓｕｒｒｏｇａｔｅｍｏｄｅｌｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ ，ａｎＩＡＯ－ ＸＧＢｏｏｓｔｅｎｓｅｍｂｌｅ
ｌｅａｒｎｉｎｇｍｏｄｅｌｆｏｒｓｅｅｐａｇｅｂｅｈａｖｉｏｒａｎａｌｙｓｉｓｏｆｅａｒｔｈ － ｒｏｃｋｄａｍｉｓｐｒｏｐｏｓｅｄ ，ａｎｄｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓａｒｅｅｘｐｌａｉｎｅｄ
ｂａｓｅｄｏｎｔｈｅＳＨａｐｌｅｙＡｄｄｉｔｉｖｅｅｘＰｌａｎａｔｉｏｎ（ＳＨＡＰ）ｔｈｅｏｒｙ．Ｏｎｔｈｅｂａｓｉｓｏｆｕｓｉｎｇｍｕｌｔｉ － ｇｅｏｌｏｇｉｃａｌｂｏｄｙａｕｔｏｍａｔｉｃ
ｍｏｄｅｌｉｎｇｍｅｔｈｏｄａｎｄＣＦＤｔｅｃｈｎｏｌｏｇｙｔｏｃａｌｃｕｌａｔｅａｎｄａｎａｌｙｚｅｔｈｅｓｅｅｐａｇｅｆｉｅｌｄｏｆｔｈｅｄａｍ，ｔｈｅｈｙｐｅｒ － ｐａｒａｍｅｔｅｒｓ
ｓｕｃｈａｓｎ＿ｅｓｔｉｍａｔｏｒｓ，ｍａｘ＿ｄｅｐｔｈａｎｄｌｅａｒｎｉｎｇ＿ｒａｔｅｏｆｔｈｅｅＸｔｒｅｍｅＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ） ｅｎｓｅｍｂｌｅ
ｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｗｅｒｅｏｐｔｉｍｉｚｅｄｂｙｔｈｅＩｍｐｒｏｖｅｄＡｑｕｉｌａＯｐｔｉｍｉｚａｔｉｏｎ（ＩＡＯ）ａｌｇｏｒｉｔｈｍ．Ｔｈｅｎａｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ
ｏｆｓｅｅｐａｇｅｂｅｈａｖｉｏｒｉｎｄｅｘｏｆｄａｍｂａｓｅｄｏｎＩＡＯ － ＸＧＢｏｏｓｔｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｗａｓｅｓｔａｂｌｉｓｈｅｄｔｏｒｅｖｅａｌｔｈｅ
ｃｏｍｐｌｅｘｎｏｎｌｉｎｅａｒｍａｐｐｉｎｇｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｈｅｉｎｐｕｔｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｒｉａｂｌｅｓｓｕｃｈａｓｔｈｅｕｐｓｔｒｅａｍ ａｎｄｄｏｗｎ
ｓｔｒｅａｍｗａｔｅｒｌｅｖｅｌａｎｄｐｅｒｍｅａｂｉｌｉｔｙｃｏｅｆｆｉｃｉｅｎｔｓｏｆｄａｍｆｏｕｎｄａｔｉｏｎａｎｄｔｈｅｓｉｍｕｌａｔｅｄｖａｌｕｅｏｆｓｅｅｐａｇｅｂｅｈａｖｉｏｒｉｎ
ｄｅｘ．Ｆｕｒｔｈｅｒｍｏｒｅ ，ｔｈｅＩＡＯ－ ＸＧＢｏｏｓｔｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ ｗａｓｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｅｘｐｌａｉｎａｂｌｅｍａｃｈｉｎｅ
ｌｅａｒｎｉｎｇｆｒａｍｅｗｏｒｋＳＨＡＰｔｈｅｏｒｙｔｏｅｘｃａｖａｔｅｔｈｅｋｅｙｆｅａｔｕｒｅｓａｆｆｅｃｔｉｎｇｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｄａｍｓｅｅｐａｇｅｂｅ
ｈａｖｉｏｒｉｎｄｅｘ ，ａｎｄｅｘｐｌａｉｎｔｈｅｉｎｆｌｕｅｎｃｅｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｒｉａｂｌｅｓｏｎｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ．Ｔｈｅｃａｓｅｓｔｕｄｙ
ｓｈｏｗｓｔｈａｔｔｈｅＩＡＯ － ＸＧＢｏｏｓｔｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ．ＣｏｍｐａｒｅｄｗｉｔｈＩＡＯ － ＧＢ
ＤＴ ，ＩＡＯ － ＲＦ，ＩＡＯ － ＤＴａｎｄＩＡＯ － ＳＶＲａｌｇｏｒｉｔｈｍｓ，ｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆＩＡＯ － ＸＧＢｏｏｓｔｅｎｓｅｍｂｌｅｌｅａｒｎｉｎｇ
ａｌｇｏｒｉｔｈｍ ｉｎｃｒｅａｓｅｓｂｙ０．５２％， １１．６４％， ３７．２１％ ａｎｄ ２５．０７％， ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅｆｅａｔｕｒｅ
ｉｍｐｏｒｔａｎｃｅａｎａｌｙｓｉｓｍｅｔｈｏｄｓｏｆＩＡＯ － ＸＧＢｏｏｓｔ ，ＩＡＯ － ＧＢＤＴａｎｄＩＡＯ － ＲＦａｌｇｏｒｉｔｈｍｓ，ＳＨＡＰｔｈｅｏｒｙｈａｓｓｔｒｏｎｇｅｒ
ｍｏｄｅｌｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙａｎｄｉｍｐｒｏｖｅｔｈｅｒｅｌｉａｂｉｌｉｔｙｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ．
Ｋｅｙｗｏｒｄｓ：ｅａｒｔｈ － ｒｏｃｋｄａｍ；ｓｅｅｐａｇｅｂｅｈａｖｉｏｒａｎａｌｙｓｉｓ； ＸＧＢｏｏｓｔ； ｉｎｔｅｒｐｒｅｔａｂｉｌｉｔｙ； ＳＨＡＰ ｔｈｅｏｒｙ； ｉｍｐｒｏｖｅｄ
Ａｑｕｉｌａｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ

（责任编辑：李福田）

２
— １ ０ ９ —