基于决策树的系统动力学模型输出行为分类方法研究及其在时间序列分析中的应用

本研究针对System Dynamics(SD)模型输出行为分类难题，创新性地提出基于决策树(DT)的机器学习方法。通过构建13种行为模式的分类体系，开发具有阈值调节功能的特征向量压缩算法，解决了IST和SMTS方法在平衡态识别和微小波动处理上的局限性。实验表明该方法F1分数达0.73，较传统方法提升显著，为模型验证和政策分析提供了可靠工具。

　　

在复杂系统建模领域，系统动力学(System Dynamics, SD)模型的输出行为分类一直是验证模型结构和指导政策制定的关键环节。传统方法如间接结构测试软件(Indirect Structure Testing Software, ISTS)和符号多元时间序列(Symbolic Multivariate Time Series, SMTS)存在明显局限——前者无法识别渐进平衡行为，后者在均衡数据处理时会因标准差为零而失效。更棘手的是，分析师对微小波动的主观判断差异导致分类标准难以统一，这些问题严重制约着模型验证的可靠性。

为突破这些技术瓶颈，Martina Curran团队在《Machine Learning with Applications》发表的研究中，开发了一套基于决策树(Decision Tree, DT)的创新分类框架。该研究首先系统定义了13种核心行为模式，包括增长(G)、衰退(D)、平衡(E)及其组合形态（如增长-衰退-平衡GDE），比Barlas和Kanar提出的6类基础模式更全面。通过数学函数生成260个训练样本构建分类器时，研究团队特别设计了6个关键特征属性：压缩特征向量长度(Lengths)、尾部平衡标志(Tail)、整体趋势(Trend)、拟合值范围(RangeFV)、中位数比较(MgtS)和极值位置(minSE)。这些特征与3个超参数（阈值threshold、离散保留keepDiscrete、起始删除deleteStart）的协同作用，有效解决了渐进数据和微小振荡的处理难题。

关键技术方面，研究采用R语言的rpart包构建决策树，通过10折交叉验证确保模型稳健性。测试数据涵盖啤酒游戏模型、极限增长模型等7类经典SD模型输出，并与36名人类分析师的分类结果进行对比验证。特别值得注意的是，针对SEIR传染病模型特有的初始下降现象，开发了deleteStart参数来消除干扰；而对接近平衡态的微小波动，则通过threshold参数实现柔性识别。

研究结果部分显示出显著优势：

1. 1.

   分类性能比较：在50个测试案例中，新建方法(BMC)与人类判断的一致性达84%，远超ISTS(30%)和SMTS(28%)。随机森林(Random Forest, RF)使用相同特征时准确率达82%，但直接使用原始数据时骤降至44%，凸显特征工程的关键价值。

2. 2.

   F1分数分析：在极限增长模型测试中，BMC获得完美F1分数1.0，而ISTS仅0.11。全局F1分数0.73的表现，证明该方法在保持高查全率的同时具备优秀查准率。

3. 3.

   特殊案例处理：对于图7所示的"锯齿状增长"，通过调节keepDiscrete参数可灵活输出"振荡增长(OG)"或"增长(G)"，完美复现人类分析师的主观差异。

讨论部分强调，该研究的核心突破在于首次实现了SD模型行为的可解释自动分类。决策树的可视化规则（如图8）使分析师能直观理解分类逻辑，这是黑箱式的ISTS和SMTS无法比拟的优势。虽然支持向量机(SVM)在部分数据子集表现优异(91%)，但其对均衡起始数据的兼容性问题限制了实用价值。

这项研究的意义不仅限于SD领域，其设计的特征提取方法和参数调节机制，为所有时间序列行为分类提供了普适性框架。未来工作可结合Zhao等提出的深度学习方案，进一步区分线性与指数增长等细分模式。当前成果已集成至R软件包，通过阈值参数(默认0.001)和deleteStart等功能，助力研究人员更高效地完成模型验证和政策分析工作。