基于可解释机器学习模型的南宁市野火灾害易发性研究

野火易发性评价对野火灾害的前期预防以及灾害管理决策的制定至关重要。目前野火易发性的研究主要集中于提高模型的预测精度,而往往忽略对模型的内部决策机制进行解释分析。为此,构建了一种基于可解释机器学习的野火易发性模型,并详细分析了各因子对野火易发性预测结果的影响。以南宁市历史野火样本为基础,综合考虑样本的空间分布特征,选取高程、归一化植被指数(normalized difference vegetation index, NDVI)、年均降雨和平均气温等18项评价因子,利用分类和回归树(calssification and regression tree, CART)、随机森林(random forest, RF)、轻量的梯度提升机(light gradient boosting machine, LGBM)和极致梯度提升(extreme gradient boosting, XGBoost)4种机器学习模型构建野火易发性预测模型。基于性能最优的易发性模型,运用沙普利加和解释(shapley additive explanations, SHAP)方法完成特征全局性解释、依赖性分析和典型样本...     

基于机器学习与心肺复苏诊疗标准的辅助诊疗算法

为了将机器学习在心肺复苏领域的应用落实到现实临床工作之中,本研究提出了一种基于机器学习并融合心肺复苏诊疗标准的辅助诊疗算法。采用了随机森林、梯度提升树、极端梯度提升作为基模型,使用投票法进行模型融合,并引入模型解释算法(Shapley Additive explanation,SHAP)过滤掉Shapley值较低的特征重新进行训练,得出的模型在心肺复苏诊疗标准下创建参数空间进行寻优,最终得到最优诊疗方案。结果表明,融合心肺复苏诊疗标准后的算法更符合临床实际,可为临床诊疗提供辅助,提高心肺复苏成功率。     

基于MW-REF算法的心肺复苏影响因素分析

针对传统模型对心肺复苏结果预测准确率较低、模型可解释性较差,提出了一种基于多模型加权递归消除法(MW-REF)的心肺复苏结果预测模型,并在Shapley加法解释(Shapley additive explanation, SHAP)框架下分析影响心肺复苏结果的关键因素。采用了随机森林、GBDT、XGBOOST作为基模型,将其特征重要性得分加权后使用递归消除法过滤特征并对3种及模型采用Voting进行模型融合,利用五折交叉验证下的准确率作为最终特征选择标准。最后对最终特征数据集下的融合模型进行可解释性分析。实验结果表明,与传统的递归特征消除算法对比,该模型提升了心肺复苏结果预测的准确率,模型预测结果具有可解释性,可为临床诊断提供辅助,提高诊断效率与心肺复苏成功率。     

基于可解释机器学习的水平井产能预测方法

准确预测致密气藏分段压裂水平井产能是压裂效果评价和优化设计的关键环节。现有的产能预测方法，引入了过多的假设和简化，很难全面反映致密储层流体多尺度的运移机理和复杂物理过程，导致产能预测误差较大。提出一种基于机器学习的致密气藏分段压裂水平井产能预测方法，该方法综合利用已收集的地质、压裂水平井产能及钻完井等多类型数据，通过机器学习算法直接挖掘数据内部规律，建立产能预测模型。此外，为解决常规机器学习模型的“黑盒子”问题，还利用SHAP（SHapley Additive exPlanations）方法对建立的机器学习模型进行全局和局部解释，分析影响产能的主要因素，增加了模型的可信性和透明度。以苏里格气田苏东示范区为例，验证了该方法的有效性和实用性。与油气藏数值方法相比，该方法不仅提高了产能预测的精度，而且缩短了建模周期，加快了计算速度。     

考虑建成环境交互影响的共享单车需求预测

共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素，然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的，本文使用了深圳市共享单车出行数据、兴趣点数据（point of interest，POI）、路网数据和公交线路数据等多源数据，采用梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型预测共享单车出行需求，并与BP(Back Propagation)神经网络模型预测结果进行比较；最后借助SHAP(SHapley Additive explanation)方法解释GBDT模型中各种影响因子对共享单车出行需求产生的影响，并分析各影响因素及其交互作用。实验结果表明：GBDT模型预测结果平均绝对误差为0.683，均方根误差为0.728，较BP神经网络模型预测准确性更高；通过SHAP方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显，土地利用中土地利用混合度不是简单线性作用且不同POI间存在复杂交互关系。可见通过借助GBDT模型和SHAP方法可以用来共享单车出行需求预测以及影响因素分析，从而为共享单车发展提出改善建议。     

基于可解释机器学习的粮食主产区农村居民点演化特征及其影响因素分析——以华中地区为例

分析粮食主产区的农村居民点演化特征及影响因素，对粮食主产区农村居民点布局优化和国家粮食安全具有参考价值。综合运用景观格局指数、空间关联指数等方法，分析了1980-2015华中粮食主产区农村居民点用地时空变化特征，并采用极限梯度提升决策树（XGBoost），结合SHAP模型解析其主导影响因素及影响机制。结果表明：①华中地区农村居民点用地整体呈扩张趋势，新增居民点用地主要表现为对耕地的占用，农村居民点聚集分布态势明显，主要以局部集聚的形式分布，整体分布密度相对较低；②斑块扩张态势明显，破碎程度增加，且存在显著的高值聚集现象；③整体分布呈现随距离道路、水系距离的增加而明显衰减的状态；④XGBoost结果显示较传统线性回归模型有更好的拟合性，社会经济因素中人口因素的影响是农村居民点用地规模扩张的主要影响因素。