Page 115 - 2025年第56卷第8期

图 ８ 风机频率预测影响变量 ＳＨＡＰ值 图 ９ 基于 ＳＨＡＰ理论的单个样本预测

４．３ 对比分析与讨论
４．３．１ 不同模型预测精度对比分析 为进一步验证模型的预测准确性，基于测试集数据，选取决定系
２
数 Ｒ、均方误差 ＭＳＥ、均方根误差 ＲＭＳＥ、平均绝对误差 ＭＡＥ四种误差指标作为对比分析标准，将
ＩＨＰＯ － ＸＤＦ算法与梯度提升决策树（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇＤｅｃｉｓｉｏｎＴｒｅｅ，ＧＢＤＴ）和决 策 树 （ＤｅｃｉｓｉｏｎＴｒｅｅ，
ＤＴ）以及传统的 ＤＦ算法和 ＸＧＢｏｏｓｔ － ＤＦ算法进行比较，所有训练均在配备 ＩｎｔｅｌＣｏｒｅｉ７处理器、１６ＧＢ
ＲＡＭ和 ＮＶＩＤＩＡＧｅＦｏｒｃｅＧＴＸ系列显卡的台式机上运行，Ｗｉｎｄｏｗｓ１０操作系统，并安装了 Ｐｙｔｈｏｎ３．８
和必要的科学计算库。结果表明，本文所提模型与其他 ４种对比模型均在 ２ｓ内对风机频率提供了预
测结果，且无明显差异，能够满足实时调整通风频率的需要。进一步计算不同模型的预测偏差箱线
图，如图 １０所示。

图 １０ 不同模型误差指标计算结果
２
由图 １０可知，相比于其他算法，ＩＨＰＯ － ＸＤＦ算法具有最高的 Ｒ，最小的 ＭＳＥ、ＲＭＳＥ和 ＭＡＥ，
表明 ＩＨＰＯ － ＸＤＦ算法具有较高的预测精度。通过进一步计算可知，与 ＤＴ、ＧＢＤＴ、ＤＦ、ＸＧＢｏｏｓｔ － ＤＦ
４ 种算法相比，ＩＨＰＯ － ＸＤＦ算法的预测精度分别提升 １３．４８％、１３．１３％、５．０１％、３．４８％。综合来看，
ＩＨＰＯ － ＸＤＦ算法预测偏差的均值最接近 ０，预测偏差大部分稳定在±０．５之间，偏差的极值范围也为所
有算法中最小，具有最好的精度与稳定性。这是因为，相比于 ＧＢＤＴ、ＤＴ等机器学习算法，ＩＨＰＯ －

ＸＤＦ的基学习器 ＸＧＢｏｏｓｔ引入泰勒展开和正则项，提高了模型的泛化能力，优化了复杂程度；与 ＤＦ
算法和 ＸＧＢｏｏｓｔ － ＤＦ算法相比，ＩＨＰＯ － ＸＤＦ算法每个层级包含多个级别的决策节点，每个节点都可以
学习到不同的特征表示，进一步提高了模型的泛化能力，能够更好地捕捉数据中的非线性关系和交互
效应。
４．３．２ 不同模型鲁棒性对比分析 为验证本文模型在传感器数据异常条件下仍具有较高鲁棒性，开展
了异常数据干扰条件下的预测精度对比分析。首先，考虑不同决策变量对模型预测结果的影响强度，
在 ＳＨＡＰ值较低的 １号点位风速变量和 ＳＨＡＰ值较高的 １号点位 ＣＯ浓度变量的验证数据集上，分别采
用正态分布生成随机噪声值创建数据异常工况；然后计算不同预测模型在异常工况下预测结果的决定
２
系数 Ｒ、均方误差 ＭＳＥ、均方根误差 ＲＭＳＥ、平均绝对误差 ＭＡＥ，误差指标分布情况如图 １１、图 １２
２
所示。各模型不同异常工况下的 Ｒ、ＭＳＥ、ＲＭＳＥ、ＭＡＥ的变化情况如图 １３所示。
由图 １１、１３可知，当 １号点位的风速出现异常值时，所有算法均能保持相对良好的预测能力，所
有算法的评价指标幅度变化均较小，这与可解释性研究中 １号点位风速指标重要性较低相一致。与其

０
— １ ７ ９ —