《Results in Engineering》：EBAROF: An Explainable AI Framework for Robust Multi-Objective Construction Project Optimization under Simulated Uncertainty
编辑推荐：
EBAROF（Explainable AI Robust Optimization Framework）——一个用于模拟不确定性下鲁棒多目标施工项目优化的可解释人工智能框架。该框架将可解释预测、不确定性传播与帕累托搜索（Pareto search）相链接。一个
EBAROF（Explainable AI Robust Optimization Framework）——一个用于模拟不确定性下鲁棒多目标施工项目优化的可解释人工智能框架。该框架将可解释预测、不确定性传播与帕累托搜索（Pareto search）相链接。一个包含600个案例的合成投资组合（synthetic portfolio）支持可重复的内部验证。针对特定目标的SHAP（Shapley Additive Explanations）揭示了四个模拟结果指标在不同输入驱动因素上的差异化特征。N=1280的控制组显示，鲁棒方案相对于确定性方案的偏移始终低于误差范围。不同随机种子下，受约束的支持域前沿（support-constrained fronts）表现出相近的超体积（hypervolume）与分布广度。
一、研究背景、问题与研究意义
建筑信息模型（BIM）已从几何协调环境发展为设计、施工和资产管理决策的信息基础设施。随着人工智能（AI）和机器学习（ML）在施工研究中日益普及，成本预测、进度延误预测、生产率分析、安全评估等领域取得了显著进展。然而，现有研究存在三个关键方法论缺陷：首先，预测精度常被作为模型质量的主要指标，而项目经理还需理解模型为何推荐某项干预措施；其次，工程量、价格、生产率、排放因子和供应条件等不确定性通常以单点假设表示；第三，优化通常在确定性预测上进行，这可能导致仅在名义条件下有效的备选方案被选中。
为解决上述问题，研究人员提出了EBAROF（Explainable AI Robust Optimization Framework）——一个用于模拟施工项目决策支持的可解释人工智能鲁棒优化框架。其核心贡献在于建立了一个透明且可审计的连接通道，涵盖：(i) 可追溯的项目特征层；(ii) 项目结果的集成预测；(iii) 基于SHAP的模型解释；(iv) 不确定性输入的蒙特卡洛（Monte Carlo）传播；以及(v) NSGA-II多目标优化。研究旨在定义计算架构、展示可重复的仿真验证协议，并检验不确定性如何改变代表性项目备选方案的排序与权衡关系。该研究对推动施工项目管理从描述性向预测性和规范性转变具有重要意义。
二、关键技术方法
研究人员采用LightGBM作为下游预测模型，因其具备竞争性的重复分割性能和高效的树特异性SHAP评估能力；选用SHAP进行模型解释，因其能为树集成提供加性局部归因并可汇总为全局重要性度量；采用蒙特卡洛模拟（Monte Carlo simulation）传播不确定输入，以保留非线性树代理响应并生成可直接解释的下行百分位数；使用NSGA-II进行多目标优化，作为透明的无权重帕累托基线（Pareto baseline）。数值实验基于一个包含600个项目配置、19个解释变量的合成仿真投资组合，所有变量由可重复性模型生成，未从实际IFC文件中提取。
三、研究结果
3.1 预测性能与目标特异性诊断
研究人员通过重复分割训练和测试验证了LightGBM在四个目标（成本C、时间T、环境负担E、风险R）上的预测性能。结果表明，集成模型能够有效捕捉各目标中的尺度效应、非线性阈值和交互作用，且不同目标间的预测精度存在差异，证实了聚合指标可能掩盖目标特异性弱点的观点。
3.2 SHAP解释分析
针对每个目标分别计算SHAP值，发现不同结果指标的关键驱动因素存在明显分化。例如，成本主要受结构工程量、市场费率变化和资源强度驱动；时间受计划规模、生产率和活动重叠影响；环境负担取决于材料用量和低碳替代比例；风险则与重叠度、密度、供应中断和采购可靠性密切相关。这证明了目标特异性解释的必要性。
3.3 不确定性传播与百分位敏感性分析
研究人员对1,280个控制样本进行了蒙特卡洛模拟，比较了确定性预测与考虑不确定性后的鲁棒预测。结果显示，鲁棒方案相对于确定性方案的偏移始终保持在模型误差范围内，表明在该仿真设定下，不确定性对方案排名的影响有限，但仍需关注极端百分位的表现。
3.4 支持域约束下的帕累托搜索
在支持域约束条件下，研究人员使用NSGA-II进行多目标优化，并在不同随机种子下重复实验。结果表明，不同种子生成的前沿面在超体积和分布广度上保持相近，说明优化结果具有一定的稳定性。同时，确定性优化与鲁棒优化产生的前沿面存在差异，进一步强调了在优化过程中纳入不确定性的必要性。
四、讨论与结论
讨论总结：研究人员指出，本研究是一项仿真验证，旨在检验内部一致性和可重复性，而非建立外部预测有效性。该区别至关重要，因为现场部署需要多项目记录、时间验证、组织迁移测试和治理控制。此外，BIM/IFC组件在本研究中仅为提出的信息溯源架构，并未作为实验验证部分。研究人员还讨论了SHAP解释并非因果关系证据，必须在模型范围、数据依赖和利益相关方需求的背景下进行解读。
研究结论翻译：本数值实验并未声称提出新算法或经过实验验证的BIM/IFC溯源机制。相反，它检验了四个施工项目响应指标——成本、工期、环境负担和风险——能否在一个可重复的预测-解释-不确定性-帕累托工作流中得到统一处理，同时对封闭的合成验证循环进行显式审计。增量贡献包括：(1) 所有四个归一化响应的透明闭合形式生成；(2) 重复的目标特异性预测与SHAP诊断；(3) 直接生成器与代理控制的对比；(4) 蒙特卡洛百分位敏感性分析；(5) 支持域约束下的重复种子帕累托筛选；(6) 确定性与鲁棒方案的对照。任何BIM/IFC实施均留待未来实证工作，不计入本研究的已验证证据。
