Page 117 - 2025年第56卷第8期

２
比，ＤＴ、ＧＢＤＴ、ＤＦ、ＸＧＢｏｏｓｔ － ＤＦ模 型 预 测 精 度 下 降幅度 明显，主要 表现 为 Ｒ 大 幅度 下 降，ＭＳＥ、
２
ＲＭＳＥ、ＭＡＥ大幅度上升。其中，ＧＢＤＴ算法的 Ｒ值和 ＭＡＥ值为 ０．７８７３和 １．１８９４Ｈｚ，较无异常情况
２
性能下降 ５．４％和 ２２．８％，是 Ｒ和 ＭＡＥ指标性能最差且下降幅度最大的算法；ＤＴ算法的 ＭＳＥ和 ＲＭＳＥ
２
指标值为 ２．７８５１Ｈｚ和 １．６６８９Ｈｚ，表现性能最差。
因此，相对于 ＤＴ、ＧＢＤＴ、ＤｅｅｐＦｏｒｅｓｔ等模型，ＩＨＰＯ － ＸＤＦ模型对于不同重要程度的异常值均表
现出更好的鲁棒性，主要是因为它使用了随机特征选择和随机子空间采样两种技术，即使某些特征或
者子空间中的数据出现缺失或异常值，模型也可以从其他子空间和特征中学习到有用的信息，显著提
高模型的鲁棒性。

６ 结论

针对当前基于机器学习的通风频率预测模型对监测数据的噪声值和缺失值十分敏感，预测模型鲁
棒性较差的不足，建立了地下厂房洞室群施工通风频率 ＩＨＰＯ － ＸＤＦ鲁棒预测模型，并基于 ＳＨＡＰ理论
对预测结果进行解释，最后通过工程案例和对比分析验证了所提方法的有效性和鲁棒性。所得主要的
结论如下：
（ １）依据行业规范建立风机响应准则，构建地下厂房洞室群施工通风频率预测训练数据集，提出
了地下厂房洞室群施工通风频率 ＩＨＰＯ － ＸＤＦ鲁棒预测模型。该模型以 ＤＦ模型为基础，并将其原有随
机森林基学习器改进为 ＸＧＢｏｏｓｔ学习器，利用 ＸＧｂｏｏｓｔ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；同时基于 ＳＰＭ混沌初始化和水波动态自适应因子改进的猎人猎物优化（ＨＰＯ）
算法对 ＤＦ算法的超参数进行优化，弥补传统人工调参难以保证全局最优的不足，进一步提高了模型
鲁棒性能，实现了地下厂房洞室群施工通风频率的高精度鲁棒预测。
（ ２）将 ＳＨＡＰ可解释研究框架与 ＩＨＰＯ － ＸＤＦ深度学习模型结合，挖掘了影响风机频率预测的关键
特征，并分析每个特征对风机频率预测结果的正负影响，增强了 ＩＨＰＯ － ＸＤＦ模型的可解释性，提高了
预测结果的可信度。
（ ３）案例分析表明，ＩＨＰＯ － ＸＤＦ算法具有较高的预测精度和鲁棒性；相比于 ＸＧＢｏｏｓｔ － ＤＦ、ＤＦ、
ＧＢＤＴ、ＤＴ等算法，ＩＨＰＯ － ＸＤＦ算法的预测精度分别提升 ３．４８％、５．０１％、１３．１３％、１３．４８％，具有高
精度的预测能力；在异常值条件下，相比于其他算法，ＩＨＰＯ － ＸＤＦ的预测精度下降幅度较小，预测精
度保持最高，具有较强的鲁棒性。

参 考 文 献：

［ １］ 王晓玲，陈深，肖翌均，等．通风竖井布置改进 ＦＣＭ－ ＥＷＭ－ ＭＡＢＡＣ多属性决策研究［Ｊ］．水力发电学报，
２０２３，４２（４）：５７ － ６９．
［ ２］ ＬＩＵＣ，ＬＩＰ，ＷＡＮＧＸ，ｅｔａｌ．Ｔｈｅｒｍａｌｅｎｖｉｒｏｎｍｅｎｔａｎａｌｙｓｉｓｆｏｒｔｈｅｄｅｅｐ － ｂｕｒｉｅｄＴＢＭ ｃｏｎｓｔｒｕｃｔｉｏｎｔｕｎｎｅｌｃｏｎ
ｓｉｄｅｒｉｎｇｔｈｅ ｉｎｆｌｕｅｎｃｅｓｏｆｓｕｒｒｏｕｎｄｉｎｇ ｒｏｃｋ ｈｅａｔｔｒａｎｓｆｅｒａｎｄ ｖｅｎｔｉｌａｔｉｏｎ ｓｙｓｔｅｍ［Ｊ］．ＴｈｅｒｍａｌＳｃｉｅｎｃｅ ａｎｄ
ＥｎｇｉｎｅｅｒｉｎｇＰｒｏｇｒｅｓｓ，２０２４，４８：１０２４０６．
［ ３］ 李浩天．抽水蓄能电站地下厂房施工工序及通风策略研究［Ｄ］．北京：北京建筑大学，２０２２．
［ ４］ ＷＡＮＧＫ，ＪＩＡＮＧＳ，ＷＵＺ，ｅｔａｌ．Ｉｎｔｅｌｌｉｇｅｎｔｓａｆｅｔｙａｄｊｕｓｔｍｅｎｔｏｆｂｒａｎｃｈａｉｒｆｌｏｗｖｏｌｕｍｅｄｕｒｉｎｇｖｅｎｔｉｌａｔｉｏｎ － ｏｎ －
ｄｅｍａｎｄｃｈａｎｇｅｓｉｎｃｏａｌｍｉｎｅｓ ［Ｊ］．ＰｒｏｃｅｓｓＳａｆｅｔｙａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＰｒｏｔｅｃｔｉｏｎ，２０１７，１１１：４９１ － ５０６．
［ ５］ ＬＩＵＲ，ＨＥＹ，ＺＨＡＯＹ，ｅｔａｌ．Ｔｕｎｎｅｌｃｏｎｓｔｒｕｃｔｉｏｎｖｅｎｔｉｌａｔｉｏｎｆｒｅｑｕｅｎｃｙ － ｃｏｎｔｒｏｌｂａｓｅｄｏｎｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ
ｎｅｕｒａｌｎｅｔｗｏｒｋ ［Ｊ］．ＡｕｔｏｍａｔｉｏｎｉｎＣｏｎｓｔｒｕｃｔｉｏｎ，２０２０，１１８：１０３２９３．
［ ６］ 徐富刚，高剑飞，王峻，等．猴子岩地下厂房施工过程岩锚梁裂缝成因及对策［Ｊ］．水利学报，２０１５，４６
（Ｓ１）：２４２ － ２４７．
［ ７］ ＺＨＯＵＺＨ，ＦＥＮＧＪ．ＤｅｅｐＦｏｒｅｓｔ［Ｊ?ＯＬ］．２０１７．ｄｏｉ：１０．４８５５０?ａｒＸｉｖ．１７０２．０８８３５．
［ ８］ ＳＵＲ，ＬＩＵＸ，ＷＥＩＬ，ｅｔａｌ．Ｄｅｅｐ － Ｒｅｓｐ － Ｆｏｒｅｓｔ：ａｄｅｅｐｆｏｒｅｓｔｍｏｄｅｌｔｏｐｒｅｄｉｃｔａｎｔｉ － ｃａｎｃｅｒｄｒｕｇｒｅｓｐｏｎｓｅ［Ｊ］．

０
— １ ８ １ —