空气质量预测的可解释机器学习建模方法

作者：钟琳; 颜七笙

来源：计算机仿真, 2023, 40(10): 511-518.

• 空气质量预测
• 随机森林
• 差分进化算法
• 极限学习机
• 可解释模型

为提高空气质量指数的预测精度，提出了差分进化算法(Differential Evolution, DE)优化极限学习机(Extreme Learning Machine, ELM)的空气质量指数预测模型，并在随机森林(Random Forest, RF)对输入特征选择时，利用LIME(Local Interpretable Model-agnostic Explanations)对单个样本进行可解释性分析，以解决特征选择时的可解释性不足的问题。即首先运用随机森林和三次十折交叉验证选取最优特征，再将筛选后的特征作为DE-ELM模型的输入进行空气质量预测。实验结果表明，与未筛选输入变量的DE-ELM、ELM、DE-BP相比，筛选了输入变量的DE-ELM模型有着较高的精度，其均方误差RMSE分别下降了54.55%、5.74%、28.21%,拟合优度决定系数R2为0.9235,与其它模型相比分别提高了12.08%、1.39%、3.60%。LIME模型很好地解释了特征选择时各个特征的贡献率，提高了训练模型的可信度。

• 单位
  东华理工大学