基于CatBoost和SHAP的高级别自动驾驶车辆非预期停车冲突风险预测

1

作者 刘擎超 王瑞海 +2 位作者 蔡英凤 王海 陈龙 《汽车安全与节能学报》 北大核心 2025年第1期170-180,共11页

针对高级别自动驾驶车辆非预期停车引发的交通冲突及其环境影响问题,现有研究缺乏对风险特征交互的捕获和可解释性评估。本研究提出了一种基于CatBoost和SHAP的风险预测及解释模型,通过分析城市中心、住宅区和郊区交通网络的接管次数,... 针对高级别自动驾驶车辆非预期停车引发的交通冲突及其环境影响问题,现有研究缺乏对风险特征交互的捕获和可解释性评估。本研究提出了一种基于CatBoost和SHAP的风险预测及解释模型,通过分析城市中心、住宅区和郊区交通网络的接管次数,构建了冲突风险预测模型。结果表明,接管次数在城市中心、住宅区和郊区分别为161次、227次和164次,最高单路段接管次数分别为11次、11次和16次;模型预测精度达93%以上。SHAP分析显示,前后车辆间相对速度和相对位置对冲突风险的影响显著。研究结果对提升自动驾驶车辆的可靠性和安全性具有重要意义。 展开更多

关键词 冲突风险 交通排放 高级别自动驾驶 CatBoost算法 shap解释模型

在线阅读 下载PDF 职称材料

基于XGBoost与SHAP分析的可解释性故障诊断方法研究

2

作者 李开平 张凤丽 +1 位作者 黄祖广 王金江 《制造技术与机床》 北大核心 2025年第6期199-208,共10页

针对现有智能故障诊断方法存在特征输入单一、故障难以提取、模型可解释性较差等问题,提出一种基于XGBoost(extreme gradient boosting)与SHAP(SHapley Additive exPlanations)分析的可解释性故障诊断方法。首先,采用传统信号处理方法... 针对现有智能故障诊断方法存在特征输入单一、故障难以提取、模型可解释性较差等问题,提出一种基于XGBoost(extreme gradient boosting)与SHAP(SHapley Additive exPlanations)分析的可解释性故障诊断方法。首先,采用传统信号处理方法完成多域特征的提取。其次,基于XGBoost集成算法构建故障诊断模型,并根据XGBoost内嵌评估指标对模型进行初步特征解释。最后,运用Tree SHAP方法对诊断模型进行特征解释分析,探究重要特征对轴承故障类别趋势的影响关系,分析特征之间的依赖交互效应,直观、透明地揭示模型的诊断机制。通过实验对比XGBoost与其他传统机器学习方法,本模型在多维评价指标中综合表现更为突出,且具有较强的精确性,故障诊断准确率高达99.62%,具备良好的实际应用价值。 展开更多

关键词 可解释性故障诊断方法 多域特征 XGBoost集成算法 Tree shap 特征解释

在线阅读 下载PDF 职称材料

基于HA-RF-SHAP的露天煤矿粉尘浓度预测模型 被引量：6

3

作者 金磊 杨晓伟 +4 位作者 张浩 杜勇志 李新鹏 戴春田 周伟 《西安科技大学学报》 CAS 北大核心 2024年第1期74-83,共10页

为了有效预测和控制煤矿粉尘浓度,保障煤矿工人健康及环境安全,以宝日希勒露天煤矿现场粉尘监测数据为基础,使用随机森林对粉尘浓度进行预测,提出了4种启发式智能优化算法优化随机森林超参数的方法,通过RMSE、MAE和皮尔逊相关系数R对模... 为了有效预测和控制煤矿粉尘浓度,保障煤矿工人健康及环境安全,以宝日希勒露天煤矿现场粉尘监测数据为基础,使用随机森林对粉尘浓度进行预测,提出了4种启发式智能优化算法优化随机森林超参数的方法,通过RMSE、MAE和皮尔逊相关系数R对模型进行评价,采用SHAP可解释模型分析影响露天煤矿粉尘浓度的因素。结果表明:PM2.5、PM10、TSP的最优模型分别为GWO-RF、WOA-RF和HHO-RF;超参数调整使模型整体RMSE指标提升约为1~3,MAE提升约为1~2.5,R提升约4%~6%;PM2.5的预测表现最好,训练集与测试集共同作用时,R为0.9463,MAE为3.059,RMSE为4.919,其次是PM10、TSP;单因素作用时,湿度对于该矿粉尘浓度影响最大,双因素同时影响下湿度和气压对粉尘浓度变化影响最大。研究提供了一个有效的粉尘浓度预测方法,可准确预测粉尘浓度并确定粉尘最影响因素,对矿山粉尘管控具有重要参考价值。 展开更多

关键词 露天煤矿 粉尘浓度预测 启发式算法 shap 模型可解释性

在线阅读 下载PDF 职称材料

土石方开挖钻孔效率预测可解释超级学习器集成学习模型

4

作者 王晓玲 胡亦宁 +3 位作者 张君 衣传宝 张捷 李希稷 《天津大学学报(自然科学与工程技术版)》 北大核心 2025年第4期331-342,共12页

动态预测钻孔效率并探究不同因素对钻孔效率的影响程度,对土石方开挖进度分析和风险管理具有重要意义.然而,现有土石方钻孔效率分析大都依赖人工经验,少数机器学习模型无法解释不同因素对钻孔效率的影响程度.针对上述问题,本研究提出土... 动态预测钻孔效率并探究不同因素对钻孔效率的影响程度,对土石方开挖进度分析和风险管理具有重要意义.然而,现有土石方钻孔效率分析大都依赖人工经验,少数机器学习模型无法解释不同因素对钻孔效率的影响程度.针对上述问题,本研究提出土石方开挖钻孔效率预测可解释超级学习器(SL)集成学习模型.通过强化学习中的Q学习改进猎人猎物优化算法局部搜索过程与全局信息进行交互的能力,提出Q学习改进的猎人猎物优化(QIHPO)算法对SL的n_estimators、learning_rate、max_depth等超参数进行优化,进而利用SL能够通过具有互补特征的异构基学习器捕捉样本特征差异性的优势,建立基于QIHPO优化的超级学习器土石方开挖钻孔效率预测QIHPO-SL模型,以揭示地质、作业、环境和机械特性等众多因素与钻孔效率的复杂非线性映射关系.进一步将QIHPO-SL集成学习算法与可解释机器学习框架下的沙普利加性解释(SHAP)理论相结合,挖掘影响钻孔效率的关键特征,并解释不同因素对钻孔效率的影响程度.案例分析表明:QIHPO-SL具有较高的预测精度,相较于QIHPO-XGB、QIHPO-RF和SL等基准模型,本文所提方法的预测精度分别提高了12.94%、12.02%和1.58%,且SHAP理论提高了模型的可解释性和预测结果的可信度,为钻孔效率预测及致因分析提供了新思路和新途径. 展开更多

关键词 钻孔效率 沙普利加性解释 超级学习器 强化学习

在线阅读 下载PDF 职称材料

驾驶性主客观综合评价方法在起步工况下的应用

5

作者 吴飞 孙现魁 王鹏程 《华南理工大学学报(自然科学版)》 北大核心 2025年第6期66-76,共11页

为提高驾驶性评价方法的准确性与可靠性,提出一种融合极限梯度提升算法、麻雀搜索算法与沙普利解释算法的主客观综合评价方法。该研究以车辆起步工况为目标,定义车辆起步工况下的9项客观评价指标,完善驾驶性起步工况的评价体系;提出以... 为提高驾驶性评价方法的准确性与可靠性,提出一种融合极限梯度提升算法、麻雀搜索算法与沙普利解释算法的主客观综合评价方法。该研究以车辆起步工况为目标,定义车辆起步工况下的9项客观评价指标,完善驾驶性起步工况的评价体系;提出以极限梯度提升算法双向映射客观评价指标值与主观评分,为避免驾驶性评价模型陷入局部最优解,采用麻雀搜索算法对极限梯度提升算法的核心超参数进行快速寻优,使得驾驶性评价模型在数据集扩充后具有自主迭代能力;最后利用沙普利解释算法对映射模型进行特征归因,量化客观评价指标对驾驶性评价的影响权重,构建兼具预测准确性、稳定性与可解释性的驾驶性综合评价模型。应用该方法,结合国内外主流驾驶性综合评价进行多次道路试验,对比分析结果表明:所提出的驾驶性评价模型的平均绝对误差、均方根误差和决定系数均优于BP神经网络、随机森林与极限学习机等主流驾驶性评价算法,映射准确性相较于其他方法明显提升,且该驾驶性综合评价方法具有一定的可解释性,对驾驶性评价中的主客观综合评价具有参考意义。 展开更多

关键词 驾驶性 起步工况 评价方法 极限梯度提升算法 沙普利解释算法

在线阅读 下载PDF 职称材料

基于深度学习的重质馏分油分子层次组成预测模型 被引量：1

6

作者 袁壮 王源 +6 位作者 杨哲 徐伟 周鑫 赵辉 陈小博 杨朝合 林扬 《石油学报(石油加工)》 北大核心 2025年第2期362-370,共9页

随着工业大数据时代的到来,基于深度学习建立的原油分子组成预测模型具有适用范围广、构建快捷、准确性高等优点。然而,石油馏分分子层次信息标签获取困难,难以满足深度学习模型训练需求。为解决上述问题,基于商业流程模拟软件Aspen HY... 随着工业大数据时代的到来,基于深度学习建立的原油分子组成预测模型具有适用范围广、构建快捷、准确性高等优点。然而,石油馏分分子层次信息标签获取困难,难以满足深度学习模型训练需求。为解决上述问题,基于商业流程模拟软件Aspen HYSYS与GC-MS×MS全二维气相色谱-飞行时间质谱联用仪提出了一种创新方法,建立足够规模的训练数据库。采用深度神经网络(DNN)建立了重质馏分油分子层次结构组成预测模型,该模型以炼油厂易测得的油品物理化学性质为输入,分子层次结构信息为输出,针对某炼油厂的催化裂化原料油进行分子组成预测,通过SHAP(SHapley Additive exPlanation)方法对模型进行可解释分析。结果表明,基于深度学习的重质馏分油分子组成预测模型能够准确地预测油品分子层次结构信息,目标装置原料分子组成预测平均相对误差小于8%。该模型不仅可对其他炼化装置的原料油性质进行软测量,也可为石油分子层次模型的开发提供准确的重油原料分子信息模型。 展开更多

关键词 重质馏分油 分子组成 深度学习 shapley additive explanation(shap)解释 分子管理

在线阅读 下载PDF 职称材料

基于机器学习的铜电解精炼电积过程电压及出液铜离子浓度预测模型研究

7

作者 闫哲祯 卢金成 +3 位作者 程寒 廖嘉琪 徐夫元 段宁 《有色金属(冶炼部分)》 北大核心 2025年第9期13-24,共12页

电积是目前最为常用的铜电解液净化工艺,其出口铜离子浓度波动大、人工调控难度高,易造成后续硫化单元处理负荷剧增及铜砷共沉淀产废量增大,而传统预测模型存在不可解释、稳态限制、低泛化能力等缺陷。为此,构建了企业电积生产过程电压... 电积是目前最为常用的铜电解液净化工艺,其出口铜离子浓度波动大、人工调控难度高,易造成后续硫化单元处理负荷剧增及铜砷共沉淀产废量增大,而传统预测模型存在不可解释、稳态限制、低泛化能力等缺陷。为此,构建了企业电积生产过程电压及出液铜离子浓度准确预测的多参数模型。通过对比研究10种机器学习模型,发现GBR在电压预测中表现最优(决定系数R^(2)=0.79,均方误差MSE=1.25),XGBoost对出液铜离子浓度的预测准确度最高(R^(2)=0.87,MSE=5.58)。SHAP解释性分析表明,电流和时间分别是影响电压和出液铜离子浓度变化的主控因素。模型决策机制与电化学原理及质量守恒定律一致,突破了传统模型对非线性关系的表征局限,为异常工况的预警诊断、关键参数动态优化控制及减少污染物产生提供依据。 展开更多

关键词 铜电积 机器学习 Gradient Boosting Regression(GBR) eXtreme Gradient Boosting(XGBoost) 解释性分析 shapley additive explanations(shap)

在线阅读 下载PDF 职称材料

基于机器学习研究乳酸菌发酵石榴汁的风味品质差异形成机制

8

作者 邹文惠 潘飞 +1 位作者 易俊洁 周林燕 《食品工业科技》 北大核心 2025年第15期36-48,共13页

本研究选取90款发酵石榴汁(Fermented pomegranate juice,FPJ)中加权偏好得分最高(Highest weighted preferences score,HWPS)和最低(Lowest weighted preferences score,LWPS)的样品,分析其活菌数、糖和酸、色泽属性等指标,并进一步利... 本研究选取90款发酵石榴汁(Fermented pomegranate juice,FPJ)中加权偏好得分最高(Highest weighted preferences score,HWPS)和最低(Lowest weighted preferences score,LWPS)的样品,分析其活菌数、糖和酸、色泽属性等指标,并进一步利用顶空固相微萃取-气相色谱-质谱(Headspace solid phase micro-extraction gas chromatography-mass spectrometry,HS-SPME-GC-MS)结合机器学习(Machine learning,ML)预测影响感官偏好的关键挥发性风味化合物。经对比分析发现,HWPS的活菌数更高表明消费者更偏好活菌数高的FPJ,而2种FPJs的色泽属性和抗氧化物质并无显著差异。在2种FPJs中共鉴定出33种挥发性风味化合物,HWPS中酸类、醇类等物质分别比LWPS高37.74%和32.90%,消费者更偏好风味化合物丰富的产品。利用ML筛选出19种关键差异挥发性风味化合物,随后通过随机森林(Random forest,RF)和自适应增强(Adaptive boosting,AdaBoost)算法建立了HWPS和LWPS的二分类模型,RF算法具有较高的预测精确度和准确性。通过Shapley可加性特征解释(Shapley Additive exPlanations,SHAP)分析得出乙酸、癸酸、肉豆蔻酸异丙酯等前9种挥发性风味化合物是影响HWPS和LWPS得分差异的关键风味化合物,其中乙酸和癸酸有利于积极的感官偏好,而肉豆蔻酸异丙酯有负面的感官影响。KEGG通路分析得到丙酮酸代谢和硫代谢途径是影响挥发性风味化合物差异的主要代谢途径。本论文利用ML结合SHAP分析预测影响感官偏好的关键挥发性风味化合物,可以为食品行业利用人工智能辅助开发具有典型发酵风味和符合消费者感官偏好的FPJs奠定理论基础。 展开更多

关键词 石榴 突尼斯 发酵 机器学习 shapley 可加性特征解释 挥发性风味化合物 本文网刊:

在线阅读 下载PDF 职称材料

基于深度神经网络的布鲁氏菌病风险预测模型的构建和验证

9

作者 刘思远 宋彪 +5 位作者 刘桂枝 王君 薛兰 苏杰 王宏利 沈欣 《中山大学学报(医学科学版)》 北大核心 2025年第4期700-707,共8页

【目的】采用深度神经网络算法构建布鲁氏菌病预测模型,提升布鲁氏菌病的早期发现效能。【方法】纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与319例非布鲁氏菌病患者的临床资料,从中提取性别、年龄、血常规指标及临床诊断等... 【目的】采用深度神经网络算法构建布鲁氏菌病预测模型,提升布鲁氏菌病的早期发现效能。【方法】纳入2023年呼市职业病防治院收治的202例布鲁氏菌病患者与319例非布鲁氏菌病患者的临床资料,从中提取性别、年龄、血常规指标及临床诊断等数据进行分析。通过深度神经网络算法构建布鲁氏菌病预测模型,并通过十折交叉验证进行模型优化。模型性能评估指标包括灵敏度、假阴性率、特异度、假阳性率、准确率、阳性预测值、阴性预测值、F1分数、受试者工作特征曲线下面积(AUC)。经评估筛选出的最优模型,借助沙普利可加性解释(SHAP)方法进行解释,明确模型的决策逻辑与各特征的影响机制。【结果】数据可视化分析显示,布病组与非布病组数据差异不明显。经十折交叉验证筛选出最优模型展现出良好性能,灵敏度为85.3%、特异度为92.1%、准确率为89.5%、AUC为96.6%,95%CI(0.937,0.977)。SHAP方法解释模型发现年龄、血小板计数、血小板平均体积、嗜碱性粒细胞比例、红细胞分布宽度和绝对嗜碱细胞数,对布病发生具有显著影响。【结论】本研究构建的深度神经网络预测模型性能良好,能为布病早期诊断与防控提供可靠支持。同时,明确布病相关显著影响特征有助于进一步认识疾病发病机制,该模型未来有望在临床广泛推广。 展开更多

关键词 布鲁氏菌病 深度神经网络 血常规指标 沙普利可加性解释方法 风险预测模型

在线阅读 下载PDF 职称材料

基于反向传播神经网络分析的田菁胶添加对萨拉米发酵香肠品质的影响

10

作者 卢慧 宋艾颖 +4 位作者 凌峰 蔡玉玲 黄启亮 刘云国 康大成 《食品科学》 北大核心 2025年第13期54-62,共9页

旨在探讨基于反向传播神经网络(backpropagation-artificial?neural?network,BP-ANN)分析田菁胶添加对萨拉米发酵香肠品质的影响。本研究设计4个处理组:空白对照组(CK)、接种复合发酵剂处理组(CG)、添加田菁胶处理组(SE)和添加田菁胶与... 旨在探讨基于反向传播神经网络(backpropagation-artificial?neural?network,BP-ANN)分析田菁胶添加对萨拉米发酵香肠品质的影响。本研究设计4个处理组:空白对照组(CK)、接种复合发酵剂处理组(CG)、添加田菁胶处理组(SE)和添加田菁胶与接种复合发酵剂处理组(SE-CG)。通过测定发酵香肠的pH值、水分活度(aw)、色差、质构特性、感官评定和电子鼻等指标,系统评估田菁胶添加对萨拉米发酵香肠品质的影响。研究表明,田菁胶与发酵剂共同添加时可快速降低产品pH值和aw值,有利于萨拉米香肠的最终品质的形成;与CK和CG组相比,添加田菁胶可显著改善SE-CG组的a^(*)值(4.64±0.38)和硬度((60.95±1.48)N)。此外,电子鼻分析表明,田菁胶结合发酵剂可显著增加产品中含硫化合物、醇类以及芳香族化合物的浓度。BP-ANN模型被用于对香肠品质进行分类和预测,结果显示模型的准确率达到96%,具有较高的分类精度和预测能力。此外,通过沙普利加和解释方法用于BP-ANN模型解释,揭示了不同品质指标对模型预测的重要性,发现其中电子鼻传感器S12信号、硬度和咀嚼性等特征对模型预测贡献较大。 展开更多

关键词 萨拉米发酵香肠 田菁胶 反向传播神经网络 品质分析 沙普利加和解释方法

在线阅读 下载PDF 职称材料

基于XGBoost-SHAP的钢管混凝土柱轴向承载力预测模型 被引量：8

11

作者 陈曦泽 贾俊峰 +2 位作者 白玉磊 郭彤 杜修力 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2023年第6期1061-1070,共10页

为了可靠、准确地预测钢管混凝土(CFST)柱的轴向承载力,建立和解释集成机器学习的CFST柱轴向承载力预测模型.使用马氏距离评估CFST柱数据库质量,通过极限梯度提升(XGBoost)算法建立CFST柱轴向承载力预测模型,使用K折交叉验证(K-Fold CV... 为了可靠、准确地预测钢管混凝土(CFST)柱的轴向承载力,建立和解释集成机器学习的CFST柱轴向承载力预测模型.使用马氏距离评估CFST柱数据库质量,通过极限梯度提升(XGBoost)算法建立CFST柱轴向承载力预测模型,使用K折交叉验证(K-Fold CV)和树结构概率密度估计(TPE)算法寻找模型的最优超参数组合.采用不同评价指标将优化后XGBoost模型的预测值与已有方法和未优化XGBoost模型的计算值比较.使用SHAP方法给出XGBoost模型预测结果的整体和局部的解释.结果表明,经过超参数调整优化的XGBoost模型的性能超越了相关规范和经验公式的性能,且SHAP方法能够有效地解释XGBoost模型的输出. 展开更多

关键词 钢管混凝土(CFST)柱 轴向承载力 极限梯度提升(XGBoost) 超参数优化 shap 可解释性

在线阅读 下载PDF 职称材料

页岩油水平井产量影响因素分析及压裂参数优化决策 被引量：1

12

作者 刘巍 曹小朋 +2 位作者 胡慧芳 程紫燕 卜亚辉 《油气藏评价与开发》 CSCD 北大核心 2024年第5期764-770,778,共8页

济阳坳陷页岩在沙三下亚段和沙四上亚段等主要产层获得重大突破,但开发时间短,存在单井产量差异较大,产量主控因素尚不明确的问题,深入分析页岩油水平井高产主控因素、优化确定合理压裂工艺参数仍是目前研究的重点。为明确各因素对水平... 济阳坳陷页岩在沙三下亚段和沙四上亚段等主要产层获得重大突破,但开发时间短,存在单井产量差异较大,产量主控因素尚不明确的问题,深入分析页岩油水平井高产主控因素、优化确定合理压裂工艺参数仍是目前研究的重点。为明确各因素对水平井产量的影响,基于矿场实际数据开展因素关联性分析和规律挖掘。利用灰色关联分析方法及主成分分析方法定量计算页岩油水平井生产90 d、180 d和270 d的平均日产油量与压裂液用量、加砂量等影响因素之间的相关性,并在此基础上建立页岩油产能预测模型,结合SHAP算法对压裂参数进行优化分析。结果表明:压裂液用量、加砂量和破裂事件数是影响产量的主要工程参数,灰质含量、总有机碳含量和页岩孔隙性是影响产量的主要地质参数;随着生产时间的延长,地质因素对产量的影响逐渐增强,工程因素对产量的影响逐渐减弱;压裂参数优化分析确定了40~45 m压裂段长,2700 m3单段压裂液用量,180 m3单段加砂量为最佳压裂施工参数,为页岩油水平井的开发决策和压裂设计提供了新的技术思路。 展开更多

关键词 水平井产量 影响因素分析 灰色关联分析 shap算法 页岩油

在线阅读 下载PDF 职称材料

基于并行异构图和序列注意力机制的中文实体关系抽取模型 被引量：1

13

作者 毛典辉 李学博 +2 位作者 刘峻岭 张登辉 颜文婧 《计算机应用》 CSCD 北大核心 2024年第7期2018-2025,共8页

近年来,随着深度学习技术的快速发展,实体关系抽取在许多领域取得了显著的进展。然而,由于汉语具有复杂的句法结构和语义关系,面向中文的实体关系抽取任务中仍然存在着多项挑战。其中,中文文本中的重叠三元组问题是领域中的重要难题之... 近年来,随着深度学习技术的快速发展,实体关系抽取在许多领域取得了显著的进展。然而,由于汉语具有复杂的句法结构和语义关系,面向中文的实体关系抽取任务中仍然存在着多项挑战。其中,中文文本中的重叠三元组问题是领域中的重要难题之一。针对中文文本中的重叠三元组问题,提出了一种混合神经网络实体关系联合抽取(HNNERJE)模型。HNNERJE模型以并行方式融合序列注意力机制和异构图注意力机制,并结合门控融合策略构建了深度集成框架。该模型不仅可以同时捕获中文文本的语序信息和实体关联信息,还能够自适应地调整主客体标记器的输出,从而有效解决重叠三元组问题。另外,通过引入对抗训练算法提高模型对未见样本和噪声的适应能力。运用SHAP(SHapley Additive exPlanations)方法对HNNERJE模型进行解释分析,基于模型的识别结果解析它在抽取实体和关系时所依据的关键特征。HNNERJE模型在NYT、WebNLG、CMeIE和DuIE数据集上的F1值分别达到了92.17%、93.42%、47.40%和67.98%。实验结果表明:HNNERJE模型可以将非结构化的文本数据转化为结构化的知识表示,有效提取其中蕴含的有价值信息。 展开更多

关键词 实体关系抽取 异构图 注意力机制 对抗训练 shap方法

在线阅读 下载PDF 职称材料

基于CatBoost-MOEAD的大直径泥水盾构姿态多目标预测与优化

14

作者 吴贤国 刘俊 +1 位作者 王静怡 覃亚伟 《中国安全科学学报》 CAS CSCD 北大核心 2024年第10期50-57,共8页

为避免盾构掘进过程中出现蛇形、轴线偏离等姿态异常问题影响施工安全,提出一种结合类别提升(CatBoost)算法和基于分解的多目标优化算法(MOEAD)的大直径泥水盾构姿态控制方法;构建一个盾构姿态预测模型,该模型包含19个输入参数和6个输... 为避免盾构掘进过程中出现蛇形、轴线偏离等姿态异常问题影响施工安全,提出一种结合类别提升(CatBoost)算法和基于分解的多目标优化算法(MOEAD)的大直径泥水盾构姿态控制方法;构建一个盾构姿态预测模型,该模型包含19个输入参数和6个输出参数,利用CatBoost算法构建输入参数与输出参数之间的非线性映射关系;采用沙普利加性解释法(SHAP)分析输入参数对盾构姿态的影响;结合多目标优化算法构建CatBoost-MOEAD盾构姿态多目标优化模型,将所提模型运用到武汉长江大直径泥水盾构隧道工程中,分析验证所提方法的适用性和有效性。结果表明:CatBoost预测模型能够高效地预测大直径泥水盾构的姿态,其中6个盾构姿态目标的决定系数范围为0.931~0.974,均方根误差范围为0.030~0.880,误差范围为0.039~1.057;对盾构姿态影响较大的施工参数中推进组推力对盾构姿态的影响最为显著;通过研发的CatBoost-MOEAD盾构姿态多目标优化方法,盾构姿态的优化效果显著,优化率可达38.86%。 展开更多

关键词 类别提升(CatBoost) 基于分解的多目标优化算法(MOEAD) 大直径泥水盾构 盾构姿态 多目标优化 沙普利加性解释法(shap)

在线阅读 下载PDF 职称材料

山区公路交叉口驾驶避险决策行为特性分析

15

作者 秦雅琴 包丽馨 +2 位作者 陈亮 勾钰 王锦锐 《安全与环境学报》 CAS CSCD 北大核心 2024年第6期2295-2304,共10页

为研究驾驶特征指标与驾驶避险行为决策的关联规则以提升驾驶安全,将驾驶避险决策行为划分为纵向“停车避险”和横向“转向避险”,并运用驾驶模拟系统构建12种山区公路交叉口交通冲突虚拟场景,招募38名驾驶人进行试验,采集车辆特征和驾... 为研究驾驶特征指标与驾驶避险行为决策的关联规则以提升驾驶安全,将驾驶避险决策行为划分为纵向“停车避险”和横向“转向避险”,并运用驾驶模拟系统构建12种山区公路交叉口交通冲突虚拟场景,招募38名驾驶人进行试验,采集车辆特征和驾驶人扫视、眨眼、注视等眼动特征数据。基于随机森林构建驾驶避险决策行为模型,然后引入沙普利加和解释(SHapley Additive exPlanation, SHAP)框架进一步分析车辆、眼动特征与驾驶避险行为之间的非线性关系。结果表明:模型对纵、横向避险行为预测的准确率分别为84.77%、94.70%;纵向速度标准差、扫视持续时间标准差、轨迹偏差标准差、侧向速度标准差与驾驶避险决策行为存在明显关联,如纵向速度标准差过大(约大于10 km/h),纵向“停车避险”可能性明显增加。 展开更多

关键词 安全工程 驾驶避险 决策行为 驾驶模拟 分类预测 沙普利加和解释(shap)

在线阅读 下载PDF 职称材料

基于神经网络模型可解释性的降水预报

16

作者 樊仲欣 王妍 王若曈 《热带气象学报》 CSCD 北大核心 2024年第6期1030-1044,共15页

为提高局地精细化预报的准确性和可靠性,提出了一种基于核函数KernelExplainer和可解释性“夏普值”(SHAP值)聚类分析的神经网络降水预报技术。该方法首先通过正态化分布变换解决神经网络的输出抖动问题,然后使用KernelExplainer估计由... 为提高局地精细化预报的准确性和可靠性,提出了一种基于核函数KernelExplainer和可解释性“夏普值”(SHAP值)聚类分析的神经网络降水预报技术。该方法首先通过正态化分布变换解决神经网络的输出抖动问题,然后使用KernelExplainer估计由卷积(CNN)层、长短期记忆(LSTM)网络、全连接层构建的深度学习神经网络模型,并获取气象要素参数m和时间步长参数tl对于预测结果的贡献值SHAP,最后通过聚类分析SHAP值,在每次滚动预报中动态调整模型的m和tl参数,从而提高了无降水和强降水事件的预报效果。使用该方法基于2018年1月—2023年12月的观测和数值预报模式数据建立了南京信息工程大学大气观测基地的降水预报模型。实验证明,该方法相对于固定参数的深度学习神经网络模型、多层卷积长短期记忆网络(多层ConvLSTM)、模拟集合卷积神经网络(AnEn-CNN)和数值预报模式,降水平均绝对误差减少8%、7%、11%和19%。 展开更多

关键词 卷积 长短期记忆 ReLU激活函数 KernelExplainer shap 降水预报

在线阅读 下载PDF 职称材料

基于校准窗口集成与耦合市场特征的可解释双层日前电价预测 被引量：5

17

作者 刘慧鑫 沈晓东 +3 位作者 魏泽涛 刘友波 刘俊勇 白元宝 《中国电机工程学报》 EI CSCD 北大核心 2024年第4期1272-1285,I0003,共15页

随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在... 随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。 展开更多

关键词 校准窗口集成 耦合市场特征 双层预测框架 改进自适应噪声完备集合经验模态分解(ICEEMDAN) 贝叶斯模型平均(BMA) 沙普利加性解释模型(shap)

在线阅读 下载PDF 职称材料

基于卷积神经网络的液化预测模型及可解释性分析 被引量：2

18

作者 龙潇 孙锐 郑桐 《岩土力学》 EI CAS CSCD 北大核心 2024年第9期2741-2753,共13页

常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上... 常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上覆应力、门槛加速度、循环剪应力比、剪切波速、震级与地表峰值加速度11个液化特征建立卷积神经网络(convolutional neural network,简称CNN)模型。引入边界合成少数过采样技术消除不平衡数据集的影响。将CNN模型与随机森林模型、逻辑回归模型、支持向量机模型、极致梯度提升模型和规范方法进行对比,并结合沙普利加性解释(SHapley Additive exPlanations,简称SHAP)分析输入特征对预测结果的影响趋势。结果表明,CNN模型准确率达92.58%,各项指标均优于其他4种机器学习模型和规范方法。对SHAP结果分析可知,修正标贯击数小于15的土层液化概率较高,循环剪应力比CSR小于0.25的土层更不易液化。各因素的影响规律均符合现有认知,预测模型合理可靠。 展开更多

关键词 机器学习 液化预测 卷积神经网络 边界合成少数过采样技术 沙普利加性解释(shap)

在线阅读 下载PDF 职称材料

基于逐步特征增广梯度提升的暂态功角稳定评估及可解释性分析 被引量：1

19

作者 刘旭 刘颂凯 +3 位作者 杨超 张磊 段雨舟 晏光辉 《现代电力》 北大核心 2024年第5期844-853,共10页

基于数据驱动的电力系统暂态功角稳定评估虽然可以提供较为准确的结果,但其评估结果缺乏可解释性,导致难以应用于工程实际中。针对该问题,提出一种基于逐步特征增广梯度提升(gradient boosting enhanced with step-wise feature augment... 基于数据驱动的电力系统暂态功角稳定评估虽然可以提供较为准确的结果,但其评估结果缺乏可解释性,导致难以应用于工程实际中。针对该问题,提出一种基于逐步特征增广梯度提升(gradient boosting enhanced with step-wise feature augmentation,AugBoost)的暂态功角稳定评估及可解释性分析方法。首先,通过训练AugBoost评估模型,建立电力系统输入特征与暂态功角稳定指标之间的映射关系;其次,将相量测量单元的实时量测数据传输到训练好的AugBoost评估模型中,提供实时评估结果;并根据沙普利值加性解释(Shapley additive explanations,SHAP)模型对评估结果和输入特征之间的关系进行解释,提高结果的可信度。最后,设计模型更新过程来提升评估模型面对电力系统运行工况变化的鲁棒性。在电力系统仿真软件PSS/E提供的23节点系统和1648节点系统上的仿真结果验证了所提方法的有效性。 展开更多

关键词 暂态功角稳定评估 逐步特征增广梯度提升 沙普利值加性解释 可解释性分析 模型更新

在线阅读 下载PDF 职称材料

光伏阵列故障诊断的可解释性智能集成方法 被引量：1

20

作者 陈泽 刘文泽 +2 位作者 王康德 余涛 黄展鸿 《电力自动化设备》 EI CSCD 北大核心 2024年第6期18-25,共8页

针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与... 针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度。算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可解释性结果表明由该智能集成模型建立的故障特征和诊断结果的映射遵循物理见解,增强了智能方法的可信度和透明性。 展开更多

关键词 光伏阵列 故障诊断 Stacking集成 可解释性智能方法 沙普利可加性特征解释方法

在线阅读 下载PDF 职称材料