基于XGBoost-SHAP的綜采工作面上隅角瓦斯溯源模型

中圖分類號：TD712 文獻(xiàn)標(biāo)志碼：A

Abstract：To address the weak interpretability caused by the \"black-box\"structure of current gas concentration prediction models in the upper corner of fully mechanized mining faces，a gas traceability model based on XGBoost-SHAP was proposed for theupper corner of fully mechanized mining faces.Correlation analysis was conducted on the monitoring data of gas emisson from fully mechanized mining faces to select feature variables.An upper corner gas concentration prediction model was constructed based on XGBoost，and the SHAP algorithm was introduced to calculate the contribution of each feature variable to the prediction results， therebyenhancing the model's transparencyand providinga globalinterpretation for the XGBoost model.Finally， the model performance was evaluated using multi-source sensor monitoring data from the field. Case analysis results showed that： ① the coefficient of determination （R²） ，mean absolute error （MAE），and root mean square error （RMSE）of the XGBoost model were 0.93，0.007，and 0.008，respectively，indicating the highest goodness of fit and the lowest errors compared with random forest （RF）， support vector regression （SVR），and gradient boosting decision tree （GBDT）. ② The mean relative error of the XGBoost model was 4.478% ，demonstrating higher accuracy and better generalization performance compared with the other models. ③ Based on the mean absolute SHAP values of input features，the gas concentration at T1 on the working face had the greatest influence on the gas concentration in the upper corner，folowed by the gas concentration in the upper corner extraction pipeline， with the gas content and roof pressre ofthe mining coal seam following closely.These findings indicate that XGBoost can capture the nonlinear relationships and interactions between variables， and that the SHAP algorithm can provide global interpretability for the XGBoost model.

Key words： gas concentration prediction； upper corner gas traceability； XGBoost model； SHAP;interpretability

0引言

采掘工作面瓦斯異常涌出是瓦斯災(zāi)害風(fēng)險(xiǎn)的直接特征表現(xiàn)，極易誘發(fā)瓦斯重特大事故，嚴(yán)重威脅安全生產(chǎn)[1]。瓦斯異常涌出受地質(zhì)構(gòu)造、煤層賦存、生產(chǎn)技術(shù)及大氣壓等影響，在多災(zāi)種耦合作用下，很難精準(zhǔn)識(shí)別瓦斯異常涌出致因。依據(jù)瓦斯分源理論，采煤工作面區(qū)域瓦斯主要來源于開采煤層、采空區(qū)及鄰近煤層。瓦斯溯源基于分源理論，對瓦斯涌出來源進(jìn)行精準(zhǔn)識(shí)別，鎖定核心致因，從而為精準(zhǔn)防控提供科學(xué)依據(jù)[2]。

目前采煤工作面瓦斯異常涌出來源大多是通過濃度預(yù)測及分源來識(shí)別。PengYujie等l3采用指標(biāo)動(dòng)態(tài)優(yōu)化和雙向長短時(shí)記憶網(wǎng)絡(luò)（BidirectionalLongShort-TermMemory，Bi-LSTM組合模型預(yù)測氣體濃度，可提前發(fā)現(xiàn)氣體異常。梁運(yùn)培等[4構(gòu)建了基于頻率增強(qiáng)分解的上隅角瓦斯?jié)舛阮A(yù)測模型，具有較高的長時(shí)預(yù)測精度，泛化能力較好；DuFeng等[5]對多煤層混合氣體進(jìn)行溯源，通過數(shù)值模擬實(shí)現(xiàn)了每個(gè)煤層瓦斯量的準(zhǔn)確測量。LiuJun等[建立源分離的三維瓦斯開采系統(tǒng)，實(shí)現(xiàn)了大型采掘工作面不同來源瓦斯的三維提取。周福寶等7采用穩(wěn)定碳?xì)渫凰胤▽ι嫌缃恰⒉煽諈^(qū)、回風(fēng)巷瓦斯溯源，得到工作面4個(gè)測點(diǎn)位置瓦斯來源的占比及規(guī)律。

多場耦合作用下傳統(tǒng)方法在捕捉數(shù)據(jù)中的非線性關(guān)系存在不足，難以獲得精準(zhǔn)瓦斯?jié)舛燃八菰础ｋS機(jī)森林（RandomForest，RF）[8]、支持向量回歸（SupportVectorRegression，SVR）[9]、梯度提升決策樹[10]（Gradient Boosting Decision Tree，GBDT）、極限梯度提升算法[11]（eXtreme Gradient Boosting，XGBoost）等方法能發(fā)現(xiàn)特征間復(fù)雜的依賴關(guān)系，建立高精度、高穩(wěn)健模型，得到學(xué)者青睞。但由于模型“黑盒”結(jié)構(gòu)，內(nèi)部運(yùn)行邏輯未知，預(yù)測結(jié)果可解釋性弱。對此，SHAP[12]（SHapley Additive exPlanations）、Hybrid-Grid[13]等解釋方法得到了廣泛運(yùn)用。

可解釋性預(yù)測模型在醫(yī)療[14]、航空[15]等其他行業(yè)已有成功應(yīng)用，但在煤礦領(lǐng)域具有可解釋性的模型很少。本文創(chuàng)新性地提出一種基于XGBoost-SHAP的綜采工作面上隅角瓦斯溯源模型，對多傳感器數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，將篩選出的特征數(shù)據(jù)作為輸入，通過SHAP算法增強(qiáng)模型透明度，為XGBoost提供全局性解釋，進(jìn)而實(shí)現(xiàn)瓦斯溯源。

1模型構(gòu)建

1.1 XGBoost模型

XGBoost是基于GBDT改進(jìn)的模型，通過迭代訓(xùn)練多棵決策樹，根據(jù)特征篩選逐步優(yōu)化目標(biāo)函數(shù)，具有高精度、強(qiáng)靈活性及對缺失值的魯棒性，善于捕捉復(fù)雜的非線性關(guān)系[16]。模型目標(biāo)函數(shù)由損失函數(shù)和正則化項(xiàng)2個(gè)部分組成。損失函數(shù)表示模型擬合數(shù)據(jù)的程度，通過引入二階導(dǎo)數(shù)加快梯度收斂速度，精準(zhǔn)逼近真實(shí)的損失函數(shù)。正則化項(xiàng)控制模型的復(fù)雜度，防止過擬合。XGBoost目標(biāo)函數(shù)為

式中： t 為所有樹的集合； N 為樣本總量； L 為損失函數(shù)，表示真實(shí)值 y_i 與預(yù)測值 的損失和; 為正則化項(xiàng)，由葉子節(jié)點(diǎn)總數(shù)和節(jié)點(diǎn)權(quán)重共同決定， f_t 為樹模型; c 為常數(shù)。

式中： γ 和為自定義參數(shù)，用于避免過擬合； Z 為樹中葉子節(jié)點(diǎn)的總數(shù); w_j 為第 j 個(gè)葉子節(jié)點(diǎn)的權(quán)重。

1.2 SHAP算法

針對XGBoost模型難以解釋的問題，引人

SHAP算法，為特征與模型預(yù)測結(jié)果間的關(guān)系提供解釋，增強(qiáng)模型的可靠性。SHAP算法是一種基于博弈論思想的方法，依賴于Shapley值，通過加權(quán)平均所有可能特征子集的邊際貢獻(xiàn)，公平分配每個(gè)特征的貢獻(xiàn)值，以此衡量每個(gè)特征對預(yù)測結(jié)果的貢獻(xiàn)程度[17]。Shapley值計(jì)算公式為

式中： s 為不包含特征 I 的所有可能子集； M 為特征總數(shù)； |S| 為集合 s 中的特征數(shù); F（S∪{I}） 為包含特征 I 時(shí) s 的預(yù)測值； F（S） 為 s 的預(yù)測值。

1.3瓦斯溯源流程

基于XGBoost-SHAP的綜采工作面上隅角瓦斯溯源流程如圖1所示。采集采煤工作面各測點(diǎn)的瓦斯?jié)舛燃皽囟取L(fēng)速、壓力等關(guān)聯(lián)傳感器數(shù)據(jù)，對傳感器數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，篩選特征，并進(jìn)行對數(shù)處理、數(shù)據(jù)集劃分；基于XGBoost搭建預(yù)測模型，利用SHAP算法計(jì)算每個(gè)特征變量對預(yù)測結(jié)果的貢獻(xiàn)值，可視化揭示“黑箱”決策邏輯。

1.4模型評價(jià)指標(biāo)

為評價(jià)模型預(yù)測結(jié)果的準(zhǔn)確程度，采用平均絕對誤差（MeanAbsoluteError，MAE）、均方根誤差（RootMeanSquareError，RMSE）和決定系數(shù) R² 作為評價(jià)指標(biāo)。MAE為模型預(yù)測的偏差平均值，RMSE為預(yù)測值與真實(shí)值間的平均偏差， R² 為模型的擬合程度。MAE和RMSE值越小，說明模型預(yù)測性能越好， R² 越趨近于1，說明模型擬合效果好，結(jié)果預(yù)測越精準(zhǔn)。

式中y為樣本中所有真實(shí)值的均值。

2實(shí)例分析

2.1數(shù)據(jù)集構(gòu)建

本文實(shí)驗(yàn)數(shù)據(jù)來源于中煤新集能源股份有限公司某智能化煤礦171105綜采工作面。該綜采工作面為U型布置，單一煤層開采，上隅角上方、開采煤層回采方向、回風(fēng)巷布置瓦斯抽采管道，多傳感器在線實(shí)時(shí)監(jiān)測數(shù)據(jù)，現(xiàn)場布置如圖2所示。采集綜采工作面區(qū)域瓦斯?jié)舛汝P(guān)聯(lián)數(shù)據(jù)：工作面 T₁ 瓦斯?jié)舛萖₁ 、工作面回風(fēng)巷 T₂ 瓦斯?jié)舛?X₂ 、工作面上隅角瓦斯抽采管道內(nèi)瓦斯?jié)舛?X₃ 、回風(fēng)巷抽采管道內(nèi)瓦斯?jié)舛?X₄ 、回采煤層瓦斯抽排巷抽采管道內(nèi)瓦斯?jié)舛萖₅ 、溫度 X₆ 、風(fēng)速 X₇， 一氧化碳 X₈ 、氧氣 X₉ 、回采煤層頂板壓力 X₁₀ 、回采煤層瓦斯含量 X₁₁ 、煤層埋藏深度 X₁₂ 、煤層傾角 X₁₃ 、煤層厚度 X₁₄ 及預(yù)測目標(biāo)工作面上隅角 T₀ 瓦斯?jié)舛?Y 等15個(gè)變量。將監(jiān)測數(shù)據(jù)統(tǒng)一到同一時(shí)空區(qū)間，得到720組數(shù)據(jù)。部分原始數(shù)據(jù)見表1。

綜采工作面上隅角瓦斯瀕源模型開發(fā)環(huán)境為Pycharm，編程語言為Python3.12，實(shí)驗(yàn)中數(shù)據(jù)預(yù)處理、模型構(gòu)建、“黑箱”解釋等部分基于skleam，xgboost，shap，tensorflow等庫實(shí)現(xiàn)。

2.2特征變量選取

參與模型訓(xùn)練的輸入特征數(shù)量增加，并不代表訓(xùn)練后模型性能會(huì)提升，相反，過多的輸入特征會(huì)導(dǎo)致模型復(fù)雜度上升，訓(xùn)練時(shí)間更長[18]。表1中影響采空區(qū)上隅角瓦斯?jié)舛鹊囊蜃虞^多，特征維度較大，因此，采用特征關(guān)聯(lián)法篩選特征。

將數(shù)據(jù)導(dǎo)人SPSS26.0版本，先進(jìn)行標(biāo)準(zhǔn)化處理，再進(jìn)行相關(guān)性檢驗(yàn)。對數(shù)據(jù)進(jìn)行Spearman相關(guān)系數(shù)檢驗(yàn)，結(jié)果顯示 X₁，X₂，X₃，X₅，X₇，X₁₀，X₁₁ 與工作面上隅角瓦斯?jié)舛?Y 相關(guān)性顯著，因此篩選出這7個(gè)特征作為模型輸入。

2.3數(shù)據(jù)預(yù)處理

井下環(huán)境復(fù)雜，在數(shù)據(jù)監(jiān)測、傳輸及存儲(chǔ)過程中易發(fā)生數(shù)據(jù)偏差及缺失，且瓦斯?jié)舛取囟鹊葦?shù)據(jù)常呈現(xiàn)右偏分布，無法滿足機(jī)器學(xué)習(xí)模型內(nèi)置的數(shù)據(jù)服從正態(tài)分布的假設(shè)，不利于建模分析。因此，本文采用對數(shù)處理方法對原始樣本數(shù)據(jù)進(jìn)行預(yù)處理[19]。對數(shù)處理公式為處理后的數(shù)據(jù)更接近適合機(jī)器學(xué)習(xí)算法的正態(tài)分布，降低了噪聲影響，提高了數(shù)據(jù)的解釋性和魯棒性，為后續(xù)建模提供了支撐。

2.4模型擬合效果

將預(yù)處理后的數(shù)據(jù)按照8：2的比例劃分為訓(xùn)練集和測試集，導(dǎo)人XGBoost模型中。在訓(xùn)練過程中，考慮到模型參數(shù)繁多，若優(yōu)化所有參數(shù)會(huì)降低效率，因此根據(jù)文獻(xiàn)[20]和實(shí)際情況，選取5個(gè)主要的超參數(shù)，使用5折交叉驗(yàn)證的隨機(jī)搜索方法尋找最佳參數(shù)組合，其余超參數(shù)保持默認(rèn)值。模型參數(shù)設(shè)置及尋優(yōu)結(jié)果見表2。

為了驗(yàn)證所建模型的性能，將其與RF，SVR，GBDT模型對比，結(jié)果如圖3所示，具體評價(jià)指標(biāo)見表3。

由圖3可知，本文模型預(yù)測的工作面上隅角瓦斯?jié)舛认啾扔谄渌Ｐ透咏鼘?shí)際值。由表3可知，XGBoost模型的誤差最低，MAE為0.007、RMSE為0.008，擬合優(yōu)度最高， R² 為 0.93 。上述結(jié)果表明本文構(gòu)建的工作面上隅角瓦斯?jié)舛阮A(yù)測模型具有更高的預(yù)測精度和有效性。

為進(jìn)一步驗(yàn)證模型泛化性能，隨機(jī)取未參與模型擬合的20個(gè)樣本點(diǎn)進(jìn)行預(yù)測，并與RF，SVR，GBDT模型的預(yù)測效果對比，結(jié)果見表4。可看出XGBoost模型的平均相對誤差為 4.478% ，遠(yuǎn)低于對比模型，驗(yàn)證了XGBoost具有較高的精度與較好的泛化性能。

2.5工作面上隅角瓦斯溯源模型解釋

2.5.1上隅角瓦斯?jié)舛忍卣髫暙I(xiàn)度

XGBoost模型預(yù)測性能優(yōu)異，但其內(nèi)部決策邏輯難以理解，模型難以解釋輸人特征變量對預(yù)測結(jié)果的影響程度。SHAP算法通過量化每一個(gè)輸人特征對預(yù)測結(jié)果的貢獻(xiàn)并以可視化形式呈現(xiàn)，極大增加了模型的可信度[21]

本文處理數(shù)據(jù)時(shí)導(dǎo)人shap庫，計(jì)算每個(gè)特征的SHAP值（對輸出的影響），按貢獻(xiàn)度值大小得到特征重要性排序，如圖4所示。可看出工作面 T₁ 瓦斯?jié)舛?X₁ 對上隅角瓦斯?jié)舛?Y 的影響最大，平均絕對SHAP值為0.31；其次是工作面上隅角瓦斯抽采管道內(nèi)瓦斯?jié)舛?X₃ 、回采煤層瓦斯含量 X₁₁、 回采煤層頂板壓力 X₁₀"，平均絕對SHAP值分別為0.23，0.21，0.17；風(fēng)速 X₇"、回采煤層瓦斯抽排巷抽采管道內(nèi)瓦斯?jié)舛?X₅"、工作面回風(fēng)巷 T₂"瓦斯?jié)舛?X₂"對Y 的影響相對較弱，平均絕對SHAP值依次為0.1，0.09，0.06

為進(jìn)一步分析輸入特征對上隅角瓦斯涌出濃度的影響，輸出SHAP蜂巢圖，如圖5所示，圖中每個(gè)點(diǎn)代表1個(gè)特定樣本，不同顏色表示原始值大小。

由圖5可知，工作面 T₁ 瓦斯?jié)舛?X₁ 對 Y 有較為明顯的正向關(guān)系；工作面上隅角瓦斯抽采管道內(nèi)瓦斯?jié)舛?X₃ 的SHAP值分布范圍為 （-0.6，0.9） ，與Y有復(fù)雜的非線性關(guān)系；隨著回采煤層瓦斯含量 X₁₁ 的上升，SHAP值呈上升趨勢；回采煤層頂板壓力 X₁₀ 的SHAP值隨著 X₁₀ 的增大而增大，表明對 Y 起正向反饋?zhàn)饔茫伙L(fēng)速 X₇ 、回采煤層瓦斯抽排巷抽采管道內(nèi)瓦斯?jié)舛?X₅ 與工作面回風(fēng)巷 T₂ 瓦斯?jié)舛?X₂ 的SHAP值大部分集中在0附近，對Y的影響較小。

2.5.2上隅角瓦斯?jié)舛忍卣饕蕾囮P(guān)系

單個(gè)特征依賴圖能深層次解釋單個(gè)特征獨(dú)立作用及2個(gè)密切特征間的交互作用。本文選取重要性排序在前4名的特征進(jìn)行分析，繪制SHAP值特征依賴圖，如圖6所示。

由圖6（a）可知，工作面 T₁ 瓦斯?jié)舛?X₁ 在一定區(qū)間內(nèi)增加時(shí)，割煤過程中煤體原生裂隙被破壞，可能會(huì)大量釋放吸附態(tài)瓦斯，若此時(shí)風(fēng)速 X₇ 稀釋不足，無法運(yùn)移瞬時(shí)涌出的游離瓦斯，便會(huì)使密度較大的瓦斯積聚在通風(fēng)死角—上隅角，從而導(dǎo)致 Y 上升。工作面上隅角瓦斯抽采管道內(nèi)瓦斯?jié)舛?X₃ 的上升表明采空區(qū)鄰近層卸壓瓦斯?jié)B流強(qiáng)度增大，由圖6（b）可知， X₃ 到一定閾值時(shí)，工作面 T₁ 瓦斯?jié)舛萖₁ 也上升， X₁ 能夠反映回采煤層煤體的瓦斯解吸強(qiáng)度，解釋了中期工作面上隅角瓦斯涌出濃度 Y 呈上升趨勢的原因。從圖6（c）可看出，在回采過程中，機(jī)械擾動(dòng)可能破壞吸附平衡，煤體單位時(shí)間內(nèi)解吸的瓦斯量變大，且隨著回采煤層瓦斯含量 X₁₁ 的增加，煤體可釋放瓦斯?jié)撃芫€性增長， Y 整體呈上升趨勢。圖6（d）中，回采煤層頂板壓力 X₁₀ 的增大可能觸發(fā)垂直應(yīng)力增高，導(dǎo)致煤層裂隙擴(kuò)展、煤巖滲透性加大，而煤體骨架壓縮使孔隙壓力增大，瓦斯吸附勢必降低，瓦斯解吸加快，二者共同作用，對 Y 呈現(xiàn)正向反饋。

3結(jié)論

1）提出一種基于XGBoost-SHAP的綜采工作面上隅角瓦斯溯源模型。采用關(guān)聯(lián)分析法篩選主要特征，引入SHAP解釋特征變量對輸出的影響，構(gòu)建上隅角瓦斯溯源模型。

2）對比RF，SVR，GBDT，本文模型的擬合優(yōu)度最高， R² 達(dá)0.93；MAE和RMSE均最低，分別為0.007，0.008；平均相對誤差為 4.478% ，說明所建模型具有較高的精度與較好的泛化性能。

3）通過計(jì)算各輸入特征的SHAP值，得出工作面 T₁ 瓦斯?jié)舛葘ι嫌缃峭咚節(jié)舛扔绊懽畲螅ぷ髅嫔嫌缃峭咚钩椴晒艿纼?nèi)瓦斯?jié)舛却沃覍ι嫌缃峭咚褂砍鰸舛扔绊憦?fù)雜，回采煤層瓦斯含量、回采煤層頂板壓力等緊隨其后，說明XGBoost能捕捉變量間的非線性關(guān)系和交互作用，SHAP算法可為“黑箱”模型提供全局性解釋。

4）后續(xù)研究將擴(kuò)大綜采工作面瓦斯關(guān)聯(lián)監(jiān)測數(shù)據(jù)來源，優(yōu)化XGBoost超參數(shù)，提高SHAP解釋關(guān)聯(lián)特征對工作面上隅角瓦斯?jié)舛鹊挠绊懀瑢?shí)現(xiàn)更精準(zhǔn)預(yù)測與溯源。

參考文獻(xiàn)（References）：

[1]袁亮.我國煤炭主體能源安全高質(zhì)量發(fā)展的理論技術(shù) 思考[J].中國科學(xué)院院刊，2023，38（1）：11-22. YUAN Liang. Theory and technology considerations on high-quality development of coal main energy security in China[J]. Buletin of Chinese Academy of Sciences， 2023，38（1）： 11-22.

[2]李國富，李超，張碧川，等.我國煤礦瓦斯抽采與利用 發(fā)展歷程、技術(shù)進(jìn)展及展望[J].煤田地質(zhì)與勘探， 2025，53（1）： 77-91. LI Guofu，LI Chao，ZHANG Bichuan，et al. Gas drainage and utilization in coal mines in China： history， technological advances，and prospects[J]. Coal Geology amp;Exploration，2025，53（1）：77-91.

[3]PENG Yujie， SONG Dazhao，QIU Liming，et al. Combined prediction model of gas concentration based on indicators dynamic optimization and Bi-LSTMs[J]. Sensors，2023，23（6）.DOI： 10.3390/s23062883.

[4]梁運(yùn)培，李賞，李全貴，等.基于FEDformer-LGBMAT架構(gòu)的采煤工作面上隅角瓦斯?jié)舛阮A(yù)測[J].煤炭 學(xué)報(bào)，2025，50（1）：360-378. LIANG Yunpei，LI Shang，LI Quangui，et al. Prediction of gas concentration in the upper corner of mining working face based on the FEDformer-LGBM-AT architecture[J]. Journal of China Coal Society，2025， 50（1）：360-378.

[5] DU Feng，CUI Weilong，WANG Kai， et al. Research on precise quantitative traceability of combinedgas extraction in close-distance coal seam group[J]. Environmental Earth Sciences，2024，83（21）.DOI： 10.1007/s12665-024-11904-8.

[6] LIU Jun， WANG Zheng，WANG Qian， et al. Study on the application of comprehensive gas control technology for source-separated three-dimensional gas extraction in large mining faces[J].ACS Omega，2024，9（30）： 32777-32788.

[7]周福寶，劉宏，劉應(yīng)科，等.煤層群開采工作面瓦斯精 準(zhǔn)定量溯源原理與技術(shù)[J].煤炭科學(xué)技術(shù)，2021， 49（5）： 11-18. ZHOU Fubao，LIU Hong，LIU Yingke，et al. Principle and technology of precise and quantitativegas uaceavity coai seain group g race _j」. Coal Science and Technology，2021， 49（5）： 11-18.

[8]張?jiān)鲚x，馬文偉.基于隨機(jī)森林回歸算法的回采工作 面瓦斯涌出量預(yù)測[J].工礦自動(dòng)化，2023，49（12）： 33-39. ZHANG Zenghui， MA Wenwei. Prediction of gas emission in mining face based on random forest regression algorithm[J]. Journal of Mine Automation， 2023，49（12）： 33-39.

[9]林海飛，劉時(shí)豪，周捷，等.基于STL-EEMD-GASVR的采煤工作面瓦斯涌出量預(yù)測方法及應(yīng)用[J]. 煤田地質(zhì)與勘探，2022，50（12）：131-141. LIN Haifei，LIU Shihao，ZHOU Jie，et al. Prediction method and application of gas emission from mining workface based on STL-EEMD-GA-SVR[J]. Coal Geologyamp; Exploration， 2022，50（12）： 131-141.

[10]郭風(fēng)景，王斌，賈澎濤，等.基于梯度提升決策樹的瓦 斯?jié)舛仍诰€預(yù)測[J].中國煤炭，2023，49（10）：61-67. GUO Fengjing，WANG Bin， JIA Pengtao， et al. Online prediction of gas concentration based on gradient boosting decision tree[J].China Coal，2023，49（10）： 61-67.

[11]馬恒，任美學(xué)，高科.基于隨機(jī)搜索優(yōu)化XGBoost 的瓦 斯涌出量預(yù)測模型[J].中國安全生產(chǎn)科學(xué)技術(shù)， 2022，18（5）： 129-134. MA Heng，REN Meixue， GAO Ke. Prediction model of gas emission amount based on XGBoost optimized with random search algorithm[J]. Journal of Safety Science and Technology，2022，18（5）： 129-134.

[12]閔繼源，魯統(tǒng)宇，袁偉，等.基于TW-Focal Loss 的債 券違約預(yù)測及可解釋性分析[J].系統(tǒng)管理學(xué)報(bào)， 2025，34（3）： 790-807. MIN Jiyuan，LU Tongyu，YUAN Wei，et al. Bond default prediction based on TW-Focal Loss and its interpretability analysis[J]．Journal of Systemsamp; Management， 2025，34（3）： 790-807.

[13]朱凱雯，尤亞楠，曹婧宜，等.Hybrid-Gird：遙感圖像 細(xì)粒度分類可解釋方法[J].遙感學(xué)報(bào)，2024，28（7）： 1722-1734. ZHU Kaiwen， YOU Yanan， CAO Jingyi， et al. HybridGird：anexplainablemethodforfine-grained classification of remote sensing images[J].National Remote Sensing Bulletin， 2024， 28（7）： 1722-1734.

[14]黃藝龍，秦小林，陳芋文，等.利用LIME 對膿毒癥預(yù) 測模型進(jìn)行可解釋性分析[J].計(jì)算機(jī)應(yīng)用，2021， 41（增刊1）：332-335. HUANG Yilong，QIN Xiaolin， CHEN Yuwen， et al. Interpretability analysis of sepsis prediction model using LIME[J]. Journal of Computer Applications， 2021， 41（S1）： 332-335.

[15] 游雅倩，閆輝，蘇耀峰，等.基于EnsembleBRBSHAP的航空發(fā)動(dòng)機(jī)健康狀態(tài)可解釋預(yù)測方法 [J/OL].計(jì)算機(jī)工程，2024：1-15[2025-04-16].http：// kns.cnki.net/KCMS/detail/detail.aspx？filename Ψ=Ψ JSJC20241210006amp;dbname=CJFDamp;dbcode=CJFQ. YOU Yaqian，YAN Hui， SU Yaofeng，etal. Interpretable prediction method of aero-engine health state based on EnsembleBRB-SHAP[J/OL]. Computer Engineering，2024：1-15[2025-04-16]. http：//kns.cnki. net/KCMS/detail/detail.aspx？filename L= JSJC2024 1210006amp;dbname=CJFDamp;dbcode=CJFQ.

[16] CHEN Tianqi，GUESTRINC.XGBoost：a scalable tree boosting system[EB/OL]. [2025-04-16]. https：//doi. org/10.48550/arXiv.1603.02754.

[17] GIANFAGNA L，CECCO A D. Explainable AI with Python[M].Springer，2021.

[18] 馬文偉.基于特征選擇與BO-GBDT的工作面瓦斯涌 出量預(yù)測方法[J].工礦自動(dòng)化，2024，50（12）： 136-144. MAWenwei.Prediction method of gas emissionin working face based on feature selection and BOGBDT[J].JournalofMineAutomation，2024，50（12）：