科研之友
微信
新浪微博
Facebook
分享链接
摘要
受成品汽油调和配方需“先验”评价与修正的驱动，本研究将轻量级梯度提升树(Light gradient boosting machine，LightGBM)与可解释机器学习Shapley additive explanation (SHAP)方法相结合，兼顾复杂模型精度高与后验SHAP可解释性强的各自优势，提出了一种调和配方质量预测评价及致因分析方法。该方法先引用改进遗传算法(Improved genetic algorithm，IGA)优化LightGBM的超参数，建立了可同时预测成品汽油性能和环保指标的模型，并结合汽油国VIA标准与企业生产实际制定了配方质量评价标准，实现配方“先验”评价；再基于SHAP的全局和局部致因分析，对缺陷配方给出了易于操作的单变量定性修正建议。实验结果表明：相比于传统Back propagation (BP)网络和随机森林(RF)、以及采用随机搜索和GA优化参数的LightGBM等模型，IGA＿LightGBM模型可得到更全面和精准的预测指标，SHAP致因分析可给出契合实际的修正建议。该方法是智能算法代替人工的有益探索。
- 单位
