融合可解釋機器學習的成品汽油調(diào)和配方質(zhì)量預測評價與致因分析

摘要： 受成品汽油調(diào)和配方需“先驗”評價與修正的驅(qū)動，本研究將輕量級梯度提升樹(LightGBM)與可解釋機器學習(SHAP)方法相結(jié)合，兼顧復雜模型精度高與后驗SHAP可解釋性強的各自優(yōu)勢，提出了一種調(diào)和配方質(zhì)量預測評價及致因分析方法。該方法先引用改進遺傳算法(IGA)優(yōu)化LightGBM的超參數(shù)，建立了可同時預測成品汽油性能和環(huán)保指標的模型，并結(jié)合汽油國ⅥA標準與企業(yè)生產(chǎn)實際制定了... （共11頁）