Page 114 - 2025年第56卷第8期

４．１ 通风频率预测模型建立与结果分析 设置 ＩＨＰＯ － ＸＤＦ模型的最大级联层数为 １０，每层包含 ４个
ＸＧＢｏｏｓｔ基学习器，为了保证基学习器的多样性，其列采样率分别为 １、０．９、０．８、０．７，寻优的参数为
ＸＧＢｏｏｓｔ基学习器的 ｎ＿ｔｒｅｅｓ，ｍａｘ＿ｄｅｐｔｈ，ｍｉｎ＿ｓａｍｐｌｅｓ＿ｓｐｌｉｔ。其中，ｎ＿ｔｒｅｅｓ是 ＸＧＢｏｏｓｔ中回归树的数
量，此参数值越大，模型学习能力越强，但存在过拟合风险；ｍａｘ＿ｄｅｐｔｈ限制了单个决策树的最大深
度，其值越大模型越复杂，但增加训练和预测的计算负担；ｍｉｎ＿ｓａｍｐｌｅｓ＿ｓｐｌｉｔ控制了一个内部节点要
继续分裂所必需的最少样本数，此值越大模型越稳健，鲁棒性越强，但学习能力下降。在 ＩＨＰＯ算法
中，设置初始种群个数分别为 １００、５０、２０，最大迭代次数为 ５００、２００、５０ ［２３］ ，以均方差误差（Ｍｅａｎ
ＳｑｕａｒｅＥｒｒｏｒ ，ＭＳＥ）为适应度函数，设置 ｎ＿ｔｒｅｅｓ、ｍａｘ＿ｄｅｐｔｈ、ｍｉｎ＿ｓａｍｐｌｅｓ＿ｓｐｌｉｔ的寻优范围分别为［２，
２００］、［３，１０］、［２，２０］，使用数据集的 ８０％作为训练集，２０％作为测试集。完成模型训练后发现，
种群个数为 １００、５０和迭代次数为 ５００、２００的两个模型精度相近，但是前者的训练成本较高；种群个
数为 ５０，迭代次数为 ２０的模型精度较差，无法满足预测要求；因此选择种群个数为 ５０，最大迭代次
数为 ２００次作为模型参数，其超参数 ｎ＿ｔｒｅｅｓ、ｍａｘ＿ｄｅｐｔｈ以及 ｍｉｎ＿ｓａｍｐｌｅｓ＿ｓｐｌｉｔ的寻优结果分别为
１３７、４和 ５，以测试集对模型性能进行验证，测试结果如图 ６所示。从图 ６中可以看出，模型的预测
频率与风机的实际频率吻合度较高。进一步计算预测结果的误差指标，如图 ７所示。ＩＨＰＯ － ＸＤＦ模型
２
２
决定系数 Ｒ为 ０．９３２６，均方误差 ＭＳＥ为 １．０８８１Ｈｚ，均方根误差 ＲＭＳＥ为 １．０４３１Ｈｚ，平均绝对误差
为 ＭＡＥ为 ０．７２６６Ｈｚ，表明 ＩＨＰＯ － ＸＤＦ模型具有出色的预测能力。
４．２ 模型预测结果可解释性分析 进一步研究风机频率预测输入参数对频率的影响，将所有样本的所
有特征 ＳＨＡＰ值绘制成散点图，如图 ８所示。使用颜色的渐变反映 ＳＨＡＰ值的大小，各点的颜色越红
表示其 ＳＨＡＰ值越大，反之，点的颜色越蓝，代表其 ＳＨＡＰ值越小；ＳＨＡＰ值的正负反映了它对预测结
果的正负影响关系，当 ＳＨＡＰ值大于 ０，代表它对预测结果具有正向影响；反之，带有反向影响。

图 ６ ＩＨＰＯ － ＸＤＦ模型结果 图 ７ ＩＨＰＯ － ＸＤＦ模型误差指标结果

由图 ８可知，３号点位粉尘的浓度大小对风机频率影响最大，表明 ３号点位的粉尘是影响风机
频率预测最重要的特征，在模型预测过程中发挥最重要的作用，且该值越大对风机频率预测正向贡
献程度越高。同时，１号点位的粉尘与 １号点位的 ＣＯ浓度也对风机频率预测有较大的影响，且两
者对风机频率预测的正负效应与 ３号点位粉尘类 似。其 次，１号、２号 和 ３号 点位 的 温 度和风速对
风机频率的 预 测 影 响 不 显 著， 主 要 原 因 是 洞 室 内 温 度 相 对 稳 定， 而 风 速 呈 现 周 期 性 变 化， 使 其
ＳＨＡＰ值相对集中。
从测试集中随机挑选一个预测样本，采用 ＳＨＡＰ理论解释输入特征对样本预测结果的影响，如
图 ９所示。图中横坐标为某个特征 ＳＨＡＰ值的大小，纵坐标为输入特征的数值，红色表示输入特征
的 ＳＨＡＰ值为正，蓝色表示输入 特征的 ＳＨＡＰ为 负；且 红 色和 蓝色 区域 的面 积越 大，表示 ＳＨＡＰ值
越大，则对样本预测结果的影响也越大。由图 １０可 知，输 入 特 征中 对 该 预测 样本 影响 最大 的 １号
点位粉尘，最小的是 １号点位风速。其中，１号点位粉尘的 ＳＨＡＰ值为 １．５７，表明 １号点位粉尘对
此预测样本产生正影响；开挖方量的 ＳＨＡＰ值为 － ０．０６ ，表 明此 时 开 挖方 量 对 此预 测样 本产 生负影
响。风机频率预测模型输出的基线为 ４３．２４６Ｈｚ，在各 个 特征 的 共 同作 用 下，该样 本 的 最终预测值
为 ４９．１０６Ｈｚ。

７
— １ ０ ８ —