Page 109 - 2025年第56卷第8期
P. 109

键；Ｚｈｏｕ等    ［１２］ 使用自相关和偏自相关函数算法分析多特征时间序列的相关性，并基于多阶概率转移
              与 ＤＦ模型，实现了对建筑物入住率的短期预测，为建筑物节能运行提供指导。Ｚｈｕ等                                        ［１３］ 基于 ＤＦ模
              型建立测井参数与岩性预测模型，克服了测井个数少，岩性类别少的不足，实现了岩性的精准预测。
              上述研究表明，ＤＦ模型具有出色的预测能力，但是传统 ＤＦ算法使用随机森林作为基学习器，其存在
              噪声敏感度高、容易过拟合等缺陷                 ［１４］ 。而 ＸＧＢｏｏｓｔ（ｅＸｔｒｅｍｅＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ）在决策树的建模上引入
              了梯度提升机制和正则化技术，能控制模型的复杂度，防止模型过度拟合训练数据，从而降低模型对
              噪声值的敏感性        ［１５］ ，提高模型鲁棒性。因此本研究采用 ＸＧＢｏｏｓｔ作为基学习器，建立地下厂房洞室群
              施工通风频率预测的 ＤＦ模型。
                  ＤＦ模型中各种超参数的取值是影响模型精度和鲁棒性的关键                              ［１６］ ，人工确定 ＤＦ算法超参数的方
              法具有主观性、局限性和难以保证全局最优的问题，导致模型的预测精度低、抗干扰能力弱                                            ［１７］ 。针对
              超参数优化问题，采用智能优化算法不仅可以得到最优参数组合，还能减少时间和资源成本，是解决
              此问题的有效选择。猎人猎物优化算法（Ｈｕｎｔｅｒ － ＰｒｅｙＯｐｔｉｍｉｚａｔｉｏｎ，ＨＰＯ）是 ２０２２年新提出的一种群体
              智能优化算法，相比于传统的遗传算法、粒子群算法，具有收敛性好、寻优能力强等优点                                           ［１８］ ，已经在
              大坝变形、径流预测          ［１９ － ２０］ 等领域得到应用。然而，该算法的简单随机初始化方式容易导致初始种群分
              布不均匀、缺乏多样性，容易在寻优阶段陷入局部最优解；并且，在全局寻优过程中，探索过程是引
              导种群搜索更广阔区域的关键，一旦在探索阶段陷入小范围最优解时，种群将受其影响陷入局部极值
              空间  ［２１］ 。因此，本研究采用 ＳＰＭ混沌初始化和水波动态自适应因子对 ＨＰＯ算法改进，通过混沌映射
              产生规律性、遍历性、随机性强的混沌序列，增加种群初始化的均匀性与多样性                                      ［２２］ ；并利用水波动态
              自适应因子的不确定性使算法在探索阶段能搜索更广泛的区域，降低其他个体跟随的盲目性，保证群
              体多样性，有效避免趋同性             ［２３］ ，增强算法的全局搜索能力，避免陷入局部最优。
                  此外，为验证本文模型的可信度，结合 ＳＨＡＰ（ＳＨａｐｌｅｙＡｄｄｉｔｉｖｅｅｘＰｌａｎａｔｉｏｎｓ）理论对 ＤＦ算法进行
              可解释性研究。ＳＨＡＰ         ［２４］ 是 Ｌｕｎｄｂｅｒｇ提出的一种由博弈论衍生出的解释性机器学习算法，通过多个线
              性模型逼近复杂的机器学习模型，并计算各个线性模型的 ＳＨＡＰ值，用以衡量每个特征对预测结果的
              贡献程度，分析不同影响变量的重要程度与正负性影响。其不仅可以得到不同特征的重要程度排序，
              还能得到不同特征对预测结果的具体影响方式，目前已用于多种预测模型的预测结果分析。余红玲
              等  ［２５］ 提出土石坝渗流稳态分析 ＩＡＯ － ＸＧＢｏｏｓｔ集成学习模型，并基于 ＳＨＡＰ理论对特征变量对渗流性
              态指 标 预 测 的 影 响 进 行 可 解 释 性 研 究；Ｌｉ等         ［２６］ 建 立 ＴＢＭ 施 工 ＬｉｇｈｔＧＢＭ 的 岩 土 预 测 模 型，基 于
              Ｓｈａｐｌｅｙ加性解释探究不同 ＴＢＭ参数对岩性分析的影响。上述研究表明，ＳＨＡＰ理论对众多预测模型
              都具有出色的解释性，其为深度森林预测结果的可解释性研究奠定了基础。
                  综上所述，本 文 提 出 地 下 厂 房 洞 室 群 施 工 通 风 频 率 ＩＨＰＯ－ ＸＤＦ鲁 棒 预 测 模 型。 首 先， 引 入
              ＸＧＢｏｏｓｔ作为具有强大学习能力和稳健鲁棒性的 ＤＦ模型的基学习器，通过其高效的梯度提升机制及正
              则化策略，增强模型的鲁棒性与泛化能力；其次，基于 ＳＰＭ（Ｓｉｎｅ － ＰｉｅｃｅｗｉｓｅＭａｐｐｉｎｇ）混沌初始化和水
              波动态自适应因子改进 ＩＨＰＯ（ＩｍｐｒｏｖｅｄＨｕｎｔｅｒ － ＰｒｅｙＯｐｔｉｍｉｚａｔｉｏｎ，ＩＨＰＯ）算法对 ＤＦ模型进行超参数优
              化，增强种群初始化的均匀性和全局寻优能力，挖掘和强化模型潜在鲁棒性能，进而构建出 ＩＨＰＯ － ＸＤＦ
              施工通风频率预测模型；同时，结合 ＳＨＡＰ理论对模型预测结果进行可解释性研究，验证模型可信度。

              ２ 研究框架


                  本文所提研究框架如图 １所示，主要包括风机控制准则与训练集生成、地下厂房洞室群施工通风
              频率 ＩＨＰＯ － ＸＤＦ鲁棒预测模型与工程应用三个部分：
                  （ １）风机控制准则与训练集生成。选择开挖方量、施工通风重难点位置的 ＣＯ、粉尘、温度、风速
              作为地下厂房系统施工通风频率预测模型的输入样本，以不同条件下的风机频率作为目标变量。结合
              现场施工情况，依据节能、安全、可靠的风机响应准则，按照环境标准对风机运行阶段进行分级，不
              同级别的阶段使用稀释污染物的时间为标准，构建施工通风频率预测模型的训练集。

                                                                                                   ０
                                                                                              —   １ ７ ３ —
   104   105   106   107   108   109   110   111   112   113   114