基于HA-RF-SHAP的露天煤礦粉塵濃度預測模型

金磊，楊曉偉，張浩，杜勇志，李新鵬，戴春田，周偉

摘要：為了有效預測和控制煤礦粉塵濃度，保障煤礦工人健康及環境安全，以寶日希勒露天煤礦現場粉塵監測數據為基礎，使用隨機森林對粉塵濃度進行預測，提出了4種啟發式智能優化算法優化隨機森林超參數的方法，通過RMSE、MAE和皮爾遜相關系數R對模型進行評價，采用SHAP可解釋模型分析影響露天煤礦粉塵濃度的因素。結果表明：PM2.5、PM10、TSP的最優模型分別為GWO-RF、WOA-RF和HHO-RF；超參數調整使模型整體RMSE指標提升約為1～3，MAE提升約為1～2.5，R提升約4%～6%；PM2.5的預測表現最好，訓練集與測試集共同作用時，R為0.946 3，MAE為3.059，RMSE為4.919，其次是PM10、TSP；單因素作用時，濕度對于該礦粉塵濃度影響最大，雙因素同時影響下濕度和氣壓對粉塵濃度變化影響最大。研究提供了一個有效的粉塵濃度預測方法，可準確預測粉塵濃度并確定粉塵最影響因素，對礦山粉塵管控具有重要參考價值。

關鍵詞：露天煤礦；粉塵濃度預測；啟發式算法；SHAP；模型可解釋性

中圖分類號：TD 714文獻標志碼：A

文章編號：1672-9315（2024）01-0074-10

DOI：10.13800/j.cnki.xakjdxxb.2024.0108開放科學（資源服務）標識碼（OSID）：

Prediction model for dust concentration in open-pit coal mines? based? on? HA-RF-SHAP JIN Lei1，YANG Xiaowei1，ZHANG Hao1，DU Yongzhi1，LI Xinpeng1，

DAI Chuntian1，ZHOU? Wei2

（1.Guoneng Baorixile Energy Co.，Ltd.，Hulunbuir? 021000；2.State Key Laboratory for Fine Exploration and Intelligent Development of Coal Resources，China University of Mining and Technology，Xuzhou 221116，China）

Abstract：In order to effectively predict and control the coal mine dust concentration and protect the health of coal miners and environmental safety，the random forest was used to predict the dust concentration，and proposed four heuristic intelligent optimization algorithms were proposed to optimize the hyperparameters of the random forest， based on the on-site dust monitoring datas of Baorixile open-pit mine，and? the model was evaluated through the RMSE，MAE，and Pearsons correlation coefficient R，and the SHAP interpretable model was adopted to analyze the factors affecting dust concentration in open-pit mine.The results? show that the optimal models for PM2.5，PM10，and TSP are GWO-RF，WOA-RF，and HHO-RF，respectively；the hyperparameter adjustment improves the models overall RMSE metrics by about 1～3，the MAE by 1～2.5，and the R by about 4%～6%；the best prediction performance is achieved for PM2.5，with the training set and the test set together having an R of 0946 3，MAE of 3.059 and RMSE of 4.919，followed by PM10 and TSP；humidity has the greatest effect on the dust concentration in this mine under a single factor，and humidity and barometric pressure have the greatest effect on the change of dust concentration under the simultaneous effect of two factors.The study provides an effective dust concentration prediction method，possible to? predict the dust concentration? accurately and determine the most influential factors of dust，which has an important reference value for mine dust control.

Key words：open-pit mine；dust concentration prediction；heuristic algorithm；shapley additive explanations；model interpretability

0引言

露天開采是中國主要的煤炭開采方式之一，但是在開采過程中各個生產環節均伴隨著粉塵的產生[1-3]。大量的粉塵不僅污染環境，還會對工人的健康造成危害，而預測粉塵濃度是有效預防這些危害的重要手段。因此，有效預測露天煤礦粉塵濃度具有非常重要的現實意義。

隨著計算機技術的發展，基于機器學習的粉塵濃度預測研究逐漸成為主流[4]。QI等通過PSO-RF模型預測露天煤礦粉塵濃度，發現影響因素重要性順序為：濕度>溫度>噪聲>風速>風向[5]；LI等融合了注意力機制與長短期記憶網絡，建立了露天礦TSP濃度預測模型，該模型具有穩定且精度較高的特點[6]；王雅寧建立了用于露天礦粉塵濃度預測的隨機森林-馬爾科夫模型，該模型的預測精度較高[7]；WANG等引入氣象參數與生產強度，建立了露天煤礦粉塵濃度預報模型，該模型可有效指導礦山生產設計[8]；張易容通過LR、RF、LSTM模型，選取時間與氣象因子，建立了哈爾烏素露天煤礦PM2.5濃度預測模型，結果表明LSTM精度較高[9]；LU等通過PSO-GBM模型對露天煤礦粉塵濃度進行預測，將濃度進行嚴重與不嚴重分級，結果表明PM2.5濃度可能是礦區周邊環境污染的前兆[10]；LIU等基于露天礦場監測的粉塵濃度數據和氣象環境數據，建立了基于LSTM神經網絡的粉塵濃度預測模型[11]；周旭等通過非線性自回歸模型對礦井粉塵濃度進行預測[12]；趙耀忠等通過5種機器學習算法，建立了多因素環境影響下的粉塵濃度監測模型[13]；霍文等建立了環境因素影響下的粉塵質量濃度預測模型[14]。上述學者均從不同角度建立了粉塵預測模型，但對于模型的組合優化以及模型可解釋性研究較少，而露天煤礦粉塵濃度影響因素眾多，合理地探究粉塵濃度影響因素尤為重要。隨機森林作為一種經典的機器學習方法[15]，因其可以有效處理多維特征以及適用于非線性問題而備受關注。同時，隨機森林在處理大量特征時，能夠給出特征的重要性排名，這對解釋模型具有重要意義。近年來，SHAP（Shapley Additive Explanations）被引入到隨機森林中，可以直觀地展示各個特征對預測結果的貢獻程度，因此對使用隨機森林來預測露天煤礦粉塵濃度具有一定的研究意義[16-18]。

文中旨在使用隨機森林模型預測露天煤礦粉塵濃度，利用SHAP方法對模型進行解釋?；趯毴障＠章短烀旱V實時監測數據，分析了多個影響因素與粉塵濃度的關系。在模型訓練時，通過4種啟發式算法對于隨即森林超參數進行優化，并且使用了交叉驗證方法，以優化模型的預測能力。通過SHAP分析了輸入特征的重要性排序，分析了輸入特征相互作用下對于模型的預測結果。

1模型與方法

1.1隨機森林

隨機森林回歸算法（Random Forest Regressor）是一種集成學習方法，通過同時訓練多個決策樹來進行回歸分析。該算法在構建每個決策樹時，都會隨機選取一部分解釋變量和樣本進行訓練，可以使每個樹都擁有一定的獨立性和隨機性，從而避免過擬合和提高模型準確性。在結果預測時，隨機森林將所有決策樹的平均預測值作為最終預測值。當然，由于每個決策樹的具體結構和隨機性不同，因此會存在決策樹之間的矛盾和互補關系，隨機森林可以通過平均期望和方差的方法來對這些矛盾和互補進行綜合分析，從而更加準確地進行預測，隨機森林原理示意如圖1所示。

隨機森林是常用的回歸算法，其在不同領域均取得良好的預測效果，具有以下的優點。

1）訓練可以高度并行化，對于大數據時代的大樣本訓練速度有優勢。

2）由于可以隨機選擇決策樹節點劃分特征，這樣在樣本特征維度很高的時候，仍然能高效的訓練模型。

3）在訓練后，可以給出各個特征對于輸出的重要性。

4）由于采用了隨機采樣，訓練出的模型的方差小，泛化能力強。

5）對部分特征缺失不敏感。

1.2啟發式算法

1.2.1布谷鳥算法

布谷鳥算法（Cuckoo Search，CS）是一種基于鳥群覓食行為而提出的啟發式優化算法。該算法通過模擬布谷鳥個體之間的通訊和協同來尋求最優解，并在此過程中不斷優化目標函數。算法中原布谷鳥使整個群體朝著歷史最優解方向移動；遷徙布谷鳥通過內部搜索尋找更好的位置；尋食布谷鳥則通過外部搜索來擴大搜索范圍。該算法具備計算復雜度低、收斂穩定等特點，在優化問題中有良好的表現。

1.2.2鯨魚優化算法

鯨魚優化算法（Whale Optimization Algorithm，WOA）是一種基于鯨魚統一行為模式而提出的啟發式優化算法。其核心思想是模擬鯨魚的協同捕食行為，通過迭代尋找最優解。在優化過程中，算法分別模擬了鯨魚個體搜索和群體協同行為。鯨魚個體搜索策略可劃分為2類：螺旋游動和直線游動；群體協同行為則通過更新目標函數和控制參數不斷調整搜索空間。該算法具有全局搜索能力強、魯棒性、收斂速度快等優點。

1.2.3哈里斯鷹優化算法

哈里斯鷹優化算法（Harris Hawks Optimization，HHO）是一種基于生物協同策略而提出的啟發式優化算法，模仿雌性和雄性哈里斯鷹在捕食過程中的競爭和協同行為。在優化過程中，隨機分布的哈里斯鷹通過追逐各自感興趣的捕獵目標，通過協同和競爭來得到更佳的搜索解。該算法具有收斂速度快、全局搜索能力強等優點。

1.2.4灰狼優化算法

灰狼優化算法（Grey Wolf Optimizer，GWO）是一種基于模擬灰狼社群行為而提出的啟發式優化算法。算法將灰狼個體分為α、β、δ 3個等級，以模擬群體中不同等級個體之間的競爭和協作。在每次迭代中，α狼根據歷史最優解自我更新，β狼參照α狼和其他β狼的位置更新自身；δ狼通過探索非主流位置來增加全局搜索的隨機性。該算法具有較好的全局搜索能力和優化效果。

4種啟發式算法優化隨機森林超參數的原理示意如圖2所示。

1.3SHAP模型可解釋性

SHAP是一種可解釋性機器學習技術，它基于Shapley值的思想，用來對特征對預測結果的貢獻進行量化和可視化[19]。它通過計算特征的影響程度并提供重要性排序列表。同時以可視化形式展現特征與輸出之間的關系，幫助理解模型的決策過程。

SHAP的核心原理是基于Shapley值，它是一個經典的合作博弈理論方法。在博弈論中，Shapley值用來衡量每個參與者對于最終結果所作出的貢獻。在機器學習中，我們可以把模型看做一個博弈模型，特征則成為參與者。SHAP計算每個特征的Shapley值，以此量化每個特征對于目標變量的預測貢獻度。

Shapley值的計算公式為

i（v）=∑S|S|?。╪-|S|-1）！n！[v（S∪{i}）-v（S）]（1）

式中v為一個合作博弈的收益函數，在機器學習中即為模型的輸出；n為參與者的數量，即特征的數量；S為參與者的任意組合。

SHAP值是在Shapley值基礎上發展而來的，SHAP的計算方法基于一個基準值，通常是數據集上的平均值或者中位數。對于每個樣本，SHAP將其特征值分成2部分：已知和未知的特征。已知部分用來計算此時此刻特征的Shapley值，未知部分則用于計算其他特征的Shapley值。最后，SHAP將所有特征的Shapley值相加，得到每個特征對應的SHAP值。其計算公式根據不同的模型類型會有所不同。模型采用的隨機森林算法，計算SHAP值時使用Tree SHAP，計算公式為

j（xi）=∑S{1，…，M}{j}12|S|[contrib（xi，xiS∪{j}-

contrib（xi，xS）]（2）

式中j為特征的索引；M為特征的數量；S為參與計算的特征的集合；xi為樣本輸入；xS為在不包括j這個特征的情況下，其他特征的取值；xiS∪{j}為加入j這個特征后的完整輸入向量；contrib（xi，xS）為沒有j這個特征的條件下，模型對樣本xi的輸出；contrib（xi，xiS∪{j}）為包含j這個特征的情況下，模型對樣本xi的輸出。

SHAP是一種強大的可解釋性機器學習技術，可以幫助我們理解模型的決策方式和特征的重要性，對于模型調優和解釋結果具有重要作用。

2粉塵濃度數據概括

研究地點為神華寶日希勒能源有限公司露天煤礦，礦田位于陳巴爾虎旗煤田寶日希勒露天煤礦西南部[20-21]。

模型粉塵濃度數據從寶日希勒露天煤礦現場收集，每5 min采集1次，共采集了1個月內礦區粉塵數據，共計8 268組，每個數據樣本包括6個輸入特征和3個輸出特征，輸入特征分別為噪聲、溫度、濕度、風速、風向、氣壓，其中噪聲指現場作業環境的聲音大小，當現場作業強度較大時，噪聲較大。輸出特征分別為PM2.5、PM10、TSP，參數統計信息見表1，組內相關性分析熱如圖4所示，粉塵參數頻數分布如圖5所示。

3結果與討論

3.1評價指標

評價指標是衡量模型預測能力的重要工具，對于優化模型、提高預測精度至關重要[22]。在科學研究和實踐應用中，正確選擇評價指標有助于理解模型性能、進行模型比較和確定最優模型。使用RMSE、MAE和R作為模型評價指標。

RMSE（Root Mean Square Error）是回歸任務中的性能度量指標[23-24]，表示真實值與預測值之差的平方根的平均值。計算公式為

RMSE=1n∑ni=1（yi-i）2（3）

式中n為樣本數量；xi為粉塵濃度真實值；yi為粉塵濃度預測值；為粉塵濃度真實值均值；為粉塵濃度預測值均值。圖5粉塵參數頻數分布

Fig.5Frequency distribution of dust parameters

MAE（Mean Absolute Error）是回歸任務中的性能度量指標，表示真實值與預測值之差的絕對值的平均值。計算公式為

MAE=1n∑ni=1|yi-2|2（4）

皮爾遜系數R[25-26]（Pearson Correlation Coefficient）是衡量2個變量之間線性相關程度的統計量，取值范圍為-1到1。具有較強正相關關系的變量，R值接近1，具有較強負相關關系的變量，R值接近-1，無關或線性相關程度很小的變量，R值接近0。計算公式為

R=∑ni=1（xi-）（yi-）∑ni=1（xi-）2∑ni=1（yi-）2（5）

3.2模型效果對比

采用10倍交叉驗證以獲得最優參數，在迭代過程中，隨機森林的參數變化見表2。由于算法的隨機性，實施微調以達到后續數值，模型最佳超參數見表3。

PM2.5、PM10、TSP 3種指標的初始模型與使用4種啟發式算法優化后的模型訓練集與測試集評價指標，分別見表4，表5，表6。通常情況下，采用測試集的指標來評價模型效果的好壞，從表4可以看出，4種啟發式算法對于隨機森林模型均起到了良好的效果，對于RMSE指標提升約為1～3，對于MAE提升約為1～2.5，對于R提升約4%～6%。對于PM2.5，GWO-RF模型表現出了最優的效果，R達到了0.936 5，其次分別為CS-RF（0.930 4）>WOA-RF（0.929 8）>HHO-RF（0.928 6）>RF（0884 7）。對于PM10，WOA-RF模型表現出最優R值（0.921 7），其次分別為GWO-RF（0.917 5）>CS-RF（0.913 0）>HHO-RF（0.909 8）>RF（0.879 0）。對于TSP，R值為0921 6的HHO-RF模型表現最好，其次分別為CS-RF（0.920 2）>WOA-RF（0.916 0）>GWO-RF（0.911 8）>RF（0880 6）。

PM2.5、PM10、TSP最優模型的所有數據集的表現，如圖6所示。3種指標的預測效果均取得了很好的效果，其中PM2.5的表現最好，在訓練集與測試集共同時R為0.946 3，MAE為3.059 7，RMSE為4.919 6，采用了4種啟發式算法優化隨機森林超參數，用于預測露天煤礦粉塵濃度。研究數據取自寶日希勒現場監測數據，而中國露天煤礦80%位于北方高寒區[8]，這意味著在氣象條件上該礦與其他礦區表現相近。對于礦區粉塵濃度的收集，礦區大多采用監測點監測，這些數據與文中研究的數據近似。模型經過充分的訓練、驗證和調優，以及數據收集準備的工作，使得模型具有普適性，并且有能力在其他露天煤礦環境下進行準確的粉塵濃度預測。綜上所述，這一方法取得了顯著的效果，并在實踐中具備有效性與實用性。

3.3基于SHAP的可解釋性分析

機器學習模型通常為“黑箱”模型，模型只能得到最終的結果，輸入特征對于預測結果影響無法得知。而SHAP模型就可以使我們知道這些已知條件到底對最終預測結果起到哪些影響，且不同的特征變量會對預測結果產生不同程度的影響。露天礦粉塵濃度影響因素眾多，因此有必要分析眾多影響因素對于粉塵濃度的影響特點。

SHAP的摘要，如圖7所示。根據選取的各類影響因子對PM2.5、PM10和TSP濃度的影響重要性進行排序。x1～x6分別表示噪聲、溫度、濕度、風速、風向、氣壓。對于PM2.5、PM10和TSP 3種預測指標，濕度和噪聲均排在第1、第2，說明這2個因素對于露天礦粉塵影響程度最大，其次是溫度和氣壓，對于TSP指標，氣壓的影響略高于溫度，排名最后的是風速和風向。

在機器學習模型中，不同特征之間可能存在相互作用的情況，即一個特征的取值會影響另一個特征的重要性或影響模型預測結果[27-28]。交互作用圖是一種可視化方式，用于展示2個特征之間的交互作用對模型預測結果的影響。交互作用的意義是，當這2個特征共同出現時，它們對模型輸出的影響不僅僅是它們單獨出現時的影響之和，而是會產生一種新的影響。

PM2.5、PM10、TSP的影響因素相互作用時對模型產生的影響，如圖8所示。

從圖8可以看出，濕度這一輸入特征與其他的因素相互作用，對于模型預測結果均產生了不同程度的影響，由此可見，濕度對于模型的影響很大，其次為氣壓。其他因素的相互作用均表現了一定程度的影響，結果表明有必要探究兩兩因素間相互作用對于模型的性能影響。

4結論

1）RF有良好的魯棒性，能夠處理大規模粉塵檢測數據。PM2.5、PM10、TSP的最優模型分別為GWO-RF、WOA-RF和HHO-RF。優化后模型RMSE指標提升約為1～3，MAE提升約為1～2.5，R提升約4%～6%。

2）模型對于PM2.5的預測效果最優，R為0946 3，MAE為3.059 7，RMSE為4.919 6；其次是PM10，R為0.944 1，MAE為4.714 7，RMSE為7.589 9；TSP的R為0.944，MAE為5.712 9，RMSE為9.182 6。

3）單因素影響下，粉塵濃度影響最大的特征是濕度，其次是溫度和氣壓；雙因素影響下，濕度和氣壓對粉塵濃度變化影響最大。

4）基于現場實際監測數據構建的HA-RF-SHAP粉塵濃度預測模型可有效預測露天煤礦粉塵濃度，確定粉塵濃度最影響因素，對指導礦山現場粉塵管控、保障工人健康具有重要意義。

參考文獻（References）：

[1]肖雙雙，馬亞潔，李衛炎，等.我國露天礦粉塵防治理論技術近20 a研究進展與展望[J].金屬礦山，2023（7）：40-56.

XIAO Shuangshuang，MA Yajie，LI Weiyan，et al.Study progress and prospect on theory and technology for dust prevention and control in open-pit mine of china in the past 20 years[J].Metal Mine，2023（7）：40-56.

[2]范英宏，陸兆華，程建龍，等.中國煤礦區主要生態環境問題及生態重建技術[J].生態學報，2003，23（10）：2144-2152.

FAN Yinghong，LU Zhaohua，CHENG Jianlong，et al.Major ecological and environmental problems and the ecological reconstruction technologies of the coal mining areas in China[J].Acta Ecologica Sinica，2003，23（10）：2144-2152.

[3]李浩蕩，佘長超，周永利，等.我國露天煤礦開采技術綜述及展望[J].煤炭科學技術，2019，47（10）：24-35.

LI Haodang，SHE Changchao，ZHOU Yongli，et al.Summary and prospect of open-pit coal mining technology in China[J].Coal Science and Technology，2019，47（10）：24-35.

[4]肖雙雙，馬亞潔，李衛炎，等.基于CiteSpace知識圖譜分析的露天礦粉塵濃度預測研究進展與展望[J].西安科技大學學報，2023，43（4）：675-685.

XIAO Shuangshuang，MA Yajie，LI Weiyan，et al.Prediction of dust concentration in open-pit mine based on CiteSpace knowledge graph analysis[J].Journal of Xian University of Science and Technology，2023，43（4）：675-685.

[5]QI C C，ZHOU W，LU X，et al.Particulate matter concentration from open-pit coal mines：A hybrid machine learning estimation[J].Environmental Pollution，2020，263：1-10.

[6]LI L，ZHANG R X，SUN J D，et al.Monitoring and prediction of dust concentration in an open-pit mine using a deep-learning algorithm[J].Journal of Environment Health Science and Engineering，2021，19（1）：401-414.

[7]王雅寧.基于隨機森林-馬爾科夫模型的露天礦粉塵濃度預測研究[D].北京：中國礦業大學，2021.

WANG Yaning.Research on dust concentration prediction of open-pit mine based on random forest-markov model[D].Beijing：China University of Mining and Technology，2021.

[8]WANG Z M，ZHOU W，JISKANI I，et al.A novel approach to forecast dust concentration in open pit mines by integrating meteorological parameters and production intensity[J].Environmental Science and Pollution Research，2023，30：114591-114609.

[9]張易容.基于循環神經網絡的哈爾烏素露天煤礦粉塵濃度預測[D].北京：中國礦業大學，2020.

ZHANG Yirong.Prediction of dust concentration in Haerwusu open-pit coal mine based on recurrent neural network[D].Beijing：China University of mining and Technology，2020.

[10]LU X，ZHOU W，QI C C，et al.Prediction into the future：A novel intelligent approach for PM2.5 forecasting in the ambient air of open-pit mining[J].Atmospheric Pollution Research，2021，12（6）：101084.

[11]LIU Z G，ZHANG R X，MA J Y，et al.Analysis and prediction of the meteorological characteristics of dust concentrations in open-pit mines[J/OL].Sustainability，2023，15，4837.https：//doi.org/10.3390/su15064837

[12]周旭，王藝博，朱毅，等.基于非線性自回歸模型的礦井粉塵濃度預測[J].華北理工大學學報（自然科學版），2021，43（4）：127-133.

ZHOU Xu，WANG Yibo，ZHU Yi，et al.Mine dust concentration prediction based on nonlinear autoregressive model[J].Journal of North China University of Science and Technology（Natural Science Edition），2021，43（4）：127-133.

[13]趙耀忠，嚴俊龍，任吉凱，等.基于機器學習的露天煤礦粉塵濃度預測[J].煤炭工程，2022，54（S1）：157-161.

ZHAO Yaozhong，Yan Junlong，REN Jikai，et al.Dust concentration prediction of open-pit coal mine based on machine learning[J].Coal Engineering，2022，54（S1）：157-161.

[14]霍文，欒博鈺，周偉，等.基于環境因素的露天煤礦粉塵質量濃度預測[J].遼寧工程技術大學學報（自然科學版），2021，40（5）：409-414.

HUO Wen，LUAN Boyu，ZHOU Wei，et al.Prediction of dust mass concentration in open-pit coal mine based on environmental factors[J].Journal of Liaoning Technical University（Natural Science），2021，40（5）：409-414.

[15]彭豪杰，周楊，胡校飛，等.基于深度學習與隨機森林的PM2.5濃度預測模型[J].遙感學報，2023，27（2）：430-440.

PENG Haojie，ZHOU Yang，HU Xiaofei，et al.A PM2.5 prediction model based on deep learning and random forest[J].National Remote Sensing Bulletin，2023，27（2）：430-440.

[16]魏夢颯，李強，許成娣，等.基于改進隨機森林算法區域短期售電量預測方法[J].電子設計工程，2023，31（12）：151-154，159.

WEI Mengsa，LI Qiang，XU Chengdi，et al.Regional short-term electricity sales forecasting method based on improved random forest algorithm[J].Electronic Design Engineering，2023，31（12）：151-154，159.

[17]陳道坤，周海，華紅梅，等.BP神經網絡和隨機森林預測土壤有機質模型研究[J].安徽農學通報，2023，29（10）：124-128.

CHEN Daokun，ZHOU Hai，HUA Hongmei，et al.BP neural network and random forest to predict the accuracy of soil organic matter[J].Anhui Agricultural Science Bulletin，2023，29（10）：124-128.

[18]徐守權，唐國文，黃舞標，等.BP神經網絡、隨機森林和決策樹預測急性腦梗死患者靜脈溶栓后發生早期神經功能惡化的效能比較[J].實用心腦肺血管病雜志，2023，31（2）：16-21.

XU Shouquan，TANG Guowen，HUANG Wubiao，et al.Comparison of the efficacy of BP neural network，random forest and decision tree in predicting early neurological deterioration after intravenous thrombolysis in patients with acute cerebral infarction[J].Practical Journal of Cardiac Cerebral Pneumal and Vascular Disease，2023，31（2）：16-21.

[19]蔡怡晴，費正玉，梁詩雪.基于PSO-SVR的RC板柱節點抗沖切承載力預測與影響因素分析[J].混凝土，2023（2）：34-39.

CAI Yiqing，FEI Zhengyu，LIANG Shixue.Prediction of punching shear bearing capacity of RC slab-column joints based on PSO-SVR and analysis of influencing factors[J].Concrete，2023（2）：34-39.

[20]劉光偉，張靖，白潤才，等.寶日希勒露天礦端幫高位煤層靠幫回采技術研究[J].重慶大學學報，2023，46（8）：56-67.

LIU Guangwei，ZHANG Jing，BAI Runcai，et al.End slope mining technology of top coal seam in Baorixile open-pit mine[J].Journal of Chongqing University，2023，46（8）：56-67.

[21]韓琳，李永峰，巫長悅，等.基于遙感生態指數的寶日希勒露天礦區生態修復效果評估[J].中國礦業，2022，31（4）：54-61.

HAN Lin，LI Yongfeng，WU Changyue，et al.Evaluation of ecological restoration effect in Baorixile open-pit mine area based on remote sensing ecological index[J].China Mining Magazine，2022，31（4）：54-61.

[22]高永濤，朱強，吳順川，等.基于AVOA-XGBoost模型的巖爆預測研究[J].華中科技大學學報（自然科學版），2023，51（12）：151-157.

GAO Yongtao，ZHU Qiang，WU Shunchuan，et al.Rockburst prediction study based on AVOA-XGBoost model[J].Journal of Huazhong University of Science and Technology（Natural Science Edition），2023，51（12）：151-157.

[23]薛雙青，賀東東.基于2D-VMD和雙邊濾波的醫學超聲圖像去噪算法[J].西安科技大學學報，2021，41（3）：516-523.

XUE Shuangqing，HE Dongdong.Denoising algorithm for medical ultrasound image based on 2D-VMD and bilateral filtering[J].Journal of Xian University of Science and Technology，2021，41（3）：516-523.

[24]冀汶莉，郗劉濤，柴敬.采場覆巖光纖監測數據LSSVM填補方法[J].西安科技大學學報，2021，41（1）：160-171.

JI Wenli，XI Liutao，CHAI Jing.LSSVM method of missing data imputation of optical fiber monitoring with mining-induced overburden[J].Journal of Xian University of Science and Technology，2021，41（1）：160-171.

[25]趙源上，林偉芳.基于皮爾遜相關系數融合密度峰值和熵權法典型場景研究[J].中國電力，2023，56（5）：193-202.

ZHAO Yuanshang，LIN Weifang.Research on typical scenarios based on fusion density peak value and entropy weight method of Pearsons correlation coefficient[J].Electric Power，2023，56（5）：193-202.

[26]郭亮，郭子雪，賈洪濤，等.基于皮爾遜相關系數與SVM的居民竊電識別[J].河北大學學報（自然科學版），2023，43（4）：357-363.

GUO Liang，GUO Zixue，JIA Hongtao，et al.Residents electric larceny detection based on Pearson correlation coefficient and SVM[J].Journal of Hebei University（Natural Science Edition），2023，43（4）：357-363.

[27]蔣海昆，王錦紅.適用于機器學習的地震序列類型判定特征重要性討論[J].地震研究，2023，46（2）：155-172.

JIANG Haikun，WANG Jinhong.Discussion on the importance of the features for the judgement of earthquake sequence types applicable to machine learning[J].Journal of seismological research，2023，46（2）：155-172.

[28]趙健，劉彥辰，朱冰，等.基于SHAP-RF框架的越野車輛路面識別算法研究[J].力學學報，2022，54（10）：2922-2935.

ZHAO Jian，LIU Yanchen，ZHU Bin，et al.Research on road recognition algorithm of off-road vehicle based on SHAP-RF framework[J].Chinese Journal of Theoretical and Applied Mechanics，2022，54（10）：2922-2935.

（責任編輯：劉潔）