地震发生后，桥梁集群的损伤评估在效率与精度之间面临权衡。尽管机器学习为快速评估提供了有前景的解决方案，但复杂的损伤情景和严重的数据不平衡问题（即安全样本远多于需检测或判定为危险的样本）限制了其性能。为应对这些挑战，本文提出了一种基于SMOTE增强的XGBoost模型的桥梁集群地震损伤快速评估方法。该方法基于桥梁参数和地震数据，省去了耗时的现场检查过程，可实现桥梁安全状态和通行能力的快速、精准预测。在方法中，SMOTE被用于为所有类别生成合成样本，并通过精细调整采样比例，确定最优配置以最大限度提升模型准确率与数据平衡性。随后，在平衡后的数据集上训练增强型XGBoost分类器，以有效缓解类别不平衡对模型性能的影响。此外，本文还比较了XGBoost、随机森林和AdaBoost在原始数据集与SMOTE平衡数据集上的分类效果。结果表明，SMOTE增强的XGBoost模型可实现83.3%至87.5%的最高准确率。
本研究将过采样技术与机器学习方法相结合，提出了一种面向不平衡数据的自动化建模框架。其关键创新在于：自动确定最优的过采样比例，并将该过程融入XGBoost模型训练中，从而显著提升分类性能与泛化能力，为应急响应与功能恢复提供可靠支持。