改进的XGBoost杂散电流预测及可解释模型

摘要：

为了解决影响地铁轨道的杂散电流特征众多,常规特征选择方法影响模型预测精度及模型结果可解释性差的问题,提出基于最优特征改进极端梯度提升(XGBoost)的杂散电流预测模型.利用遗传算法的灵活性和较强的搜索能力,在包含原始V个特征的集合中逐代寻找使目标函数均方误差(MSE)最小的前M个特征,建立最优特征选取方法下的杂散电流预测模型(OFS-XGBoost).同时为了解决OFS-XGBoost模型预测结果较好,但是黑箱模型对预测结果解释性不足的问题,提出基于SHAP理论的归因分析框架,根据杂散电流特征样本的边际贡献,以易于理解的的方式显示特征集合对模型预测结果的影响,提高模型可解释性.结果表明:所提模型的预测误差仅为1.684％,低于相同优化策略下的随机森林、反向传播(BP)神经网络等预测模型;基于SHAP值的归因分析方法可以从全局与个体角度解释输入特征对杂散电流预测结果的影响,在提高模型可解释性的基础上辅助地铁智能化健康管理.

关键词：极端梯度提升、特征选择、遗传算法、杂散电流、SHAP分析

所属期刊栏目：59

分类号：TG172.84(金属学与热处理)

资助基金：西安市科技计划2020KJRC0029

在线出版日期：2022-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：336-342