空气质量预测的可解释机器学习建模方法.pdf

第40卷第10期计算机仿真2023年10月

文章编号：1006-9348(2023)10-0511-08

空气质量预测的可解释机器学习建模方法

钟琳，颜七笙

（东华理工大学理学院，江西南昌330013）

摘要：为提高空气质量指数的预测精度，提出了差分进化算法（DifferentialEvolution，DE）优化极限学习机（ExtremeLearning

Machine,ELM）的空气质量指数预测模型，并在随机森林（RandomForest,RF）对输人特征选择时，利用LIME

ableModel-agnosticExplanations）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。

关键词：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

中图分类号：TP391.9文献标识码：B

AnInterpretableMachineLearningModeling

ApproachforAirQualityPrediction

ZHONGLin,YANQi-sheng

(SchoolofScience,EastChinaUniversityofTechnology,NanchangJiangxi330013,China)

ABSTRACT:Inordertoimprovethepredictionaccuracyofairqualityindex,adifferentialevolutionalgorithm(DE)

isproposedtooptimizetheairqualityindexpredictionmodelofextremelearningmachine(ELM).WhenRandom

Forest(RF)selectsinputfeatures,LocalInterpretableModel-agnosticExplanations(LIME)wereusedtoanalyzethe

interpretabilityofasinglesampletosolvetheproblemofinsufficientinterpretabilityduringfeatureselection.Thatis,

firstusingrandomforestandthreeten-foldcross-validationtoselecttheoptimalfeatures,andthenusingthefiltered

featuresastheinputoftheDE-ELMmodelforairqualityprediction.Theexperimentalresultsshowthatcompared

withDE-ELM,ELM,andDEBPmodelswithoutscreeninginputvariables,theDEELMmodelwith