一种用于城市道路劣化空间验证的局部Shapley（SLV）指标及其多模型解释可靠性诊断

《Computers, Environment and Urban Systems》：A local Shapley metric for spatial validation of urban infrastructure deterioration

　　

本研究提出一种用于城市基础设施劣化空间验证的局部Shapley指标（local Shapley metric；局部Shapley验证指标，SLV）。该指标通过比较预测值与残差中由Shapley Additive exPlanations（SHAP）归因得到的变量贡献，将模型可解释性转化为空间验证工具。模拟实验表明，SLV能够识别传统全局精度指标（global accuracy metrics）未揭示的局部模型误配（local model misspecification）。以澳大利亚珀斯（Perth）大都市道路网络道路劣化为例，研究人员将SLV应用于多类机器学习模型，绘制交通、结构与环境变量在局部被良好解释或仍与残差信号相关的空间分布，为道路资产管理提供局部可靠性诊断。

城市基础设施尤其是城市道路对出行、公共安全、经济活动和城市长期可持续性具有基础性作用。道路资产在交通荷载、环境暴露和材料老化下持续劣化，造成维护积压和预算压力，因此准确预测道路劣化对预防性维护、投资排序和风险知情资产管理具有重要意义。空间预测模型被用于估计未观测或稀疏观测路段的设施状况，但空间数据很少满足独立同分布，常存在空间变异、空间依赖和空间异质性。现有验证实践主要依赖均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和决定系数（R²）等全局精度指标，这些指标能总结平均预测性能，却不揭示误差在何处聚集、残差是否保留空间结构、哪些解释变量与局部模型失败相关。在基础设施管理中，局部预测失败可能影响维护优先排序，即使总体精度可接受。Shapley Additive exPlanations（SHAP）可提供局部、变量特定的模型输出解释，但既有空间应用多将其用于解释预测响应或变量贡献，较少将其作为空间预测验证工具。由此存在两个缺口：精度指标将地理结构关系过度简化，妨碍局部预测偏差和区域差异识别；现有SHAP研究侧重变量贡献计算，缺乏评估这些贡献在不同空间情境下如何影响模型误差的验证工具，残差空间依赖未获充分处理。因此，需要超越精度分数并利用局部解释评估变量特定误差贡献的验证指标。研究人员据此开发局部Shapley验证指标（Shapley-based local validation indicator，SLV），比较单个变量在局部对预测响应和残差的Shapley归因，将模型可解释性转化为空间验证工具；通过已知解释成分与残差空间成分的模拟实验，显示SLV可揭示传统精度指标未捕获的局部解释充分性空间格局；并以澳大利亚珀斯都市道路网络道路劣化为例，将SLV应用于基于车辆激光扫描数据的多类机器学习模型，映射模型性能的局部差异，识别交通、结构和环境变量在单个路段上局部被良好解释或仍与残差信号相关的区域。其贡献包括：提出将SHAP解释转化为模型充分性空间诊断的局部验证指标；通过模拟和敏感性分析显示SLV揭示RMSE、MAE和R²未捕获的空间解释行为；将SLV用于珀斯道路劣化预测，表明空间局部且变量特定的验证可补充常规精度指标，为基础设施资产管理提供可解释诊断。其重要意义在于把验证从平均预测精度推进到空间显式、变量特定的局部解释充分性评估，支持局部可靠解释识别和模型选择。

关键技术方法（不超过250字）：研究人员以经验半变异函数拟合指数模型估计路面弯沉实际变程a，按b=2a构建局部邻域，并做半径、分组、去相关和网络距离敏感性分析；用Shapley值及SHAP分别对预测?和残差e=y??归因，邻域聚合绝对Shapley幅度构造φ(u,b,k)，以Q_0.90汇总模型级SLV。模拟在30×30格网900个位置生成含可学习非线性机制、潜在空间效应和空间依赖噪声的响应，比较随机森林（Random Forest，RF）与梯度提升决策树（Gradient Boosting Decision Tree，GBDT）。实证以珀斯都市道路网络10 m路段为单元，数据来自Main Roads Western Australia（MRWA）2020年路面弯沉和交通数据、AGCD/BOM温度与降雨、AWRA-L/BOM土壤水分，比较RF、XGBoost（XGB）、Light Gradient Boosting Machine（LIGHTGBM）、GBDT和支持向量机（Support Vector Machine，SVM），并行方差膨胀因子（VIF）诊断。

研究结果如下。

5.1 局部范围选择与半径敏感性：通过经验半变异函数拟合并估计实际变程a=2.32 km，主分析采用b=2a=4.65 km；比较r/a=1.0、1.5、2.0、2.5和3.0后发现，小半径邻域支持有限，大半径虽增加邻居数但降低局部特异性；模型级SLV排序总体稳定，RF持续表现最强，b=2a附近的高SLV位置更稳定，支持b=2a作为邻域支持、热点稳定与局部空间特异性之间的实际折中，而非普适最优。

5.2 基于精度的模型验证：通过RMSE、MAE和R²评价候选模型，RF取得最低误差（RMSE=68.52，MAE=49.62）和最高解释方差（R²=0.645）；LIGHTGBM次之（RMSE=73.55，MAE=55.53，R²=0.592）；XGB处于中间（RMSE=82.83，MAE=64.51，R²=0.481）；GBDT误差较高（RMSE=90.24，MAE=71.30，R²=0.385）；SVM最弱（RMSE=107.34，MAE=84.72，R²=0.130）。该结果为标准指标下的模型基线排序，并表明需引入额外诊断。

5.3 基于Shapley的局部验证结果：通过各变量φ汇总与空间映射发现，RF和LIGHTGBM在多变量上均值较高且空间格局较连贯，局部解释行为较稳定；SVM对年日均交通量（Annual Average Daily Traffic，AADT）和降雨的均值φ较低且下界极宽，表明局部解释充分性弱且空间不均；XGB和GBDT居中，但多个变量区间较宽；降雨和重型车辆呈现明显的模型间差异，说明SLV可揭示精度指标不可见的变量特定和模型特定局部解释差异。

5.4 模型评价与比较：通过SLV与RMSE、MAE、R²及高SLV位置空间格局比较，发现平均预测精度与局部解释充分性并不等价；高SLV位置呈空间组织的走廊状格局，而非随机散布；SLV将平均预测性能与局部解释验证区分开，既提供模型级准则，也提供位置特定筛选工具。

5.5 相关预测变量下分组预测变量SLV稳健性：将AADT与重型车辆归为Traffic，将降雨、温度和土壤水分归为Environment，通过分组SHAP幅度重算SLV后发现，RF和LIGHTGBM对两组均保持高且稳定的分组SLV，RF的Traffic均值0.852、Environment均值0.866且无负值；SVM和GBDT较低或区间更宽，并出现少量负值；去相关后结果总体一致，支持主要模型比较并非单变量归因不稳定所致。

5.6 欧氏距离与网络距离邻域敏感性：采用最短路径道路网络邻域重算SLV后，各模型SLV绝对幅度改变，但模型排序不变；RF最高，随后为LIGHTGBM、GBDT、XGB和SVM，RF的Q_0.90(φ)在欧氏与网络距离邻域下分别为0.978和0.973，说明道路拓扑影响局部验证分数但不实质改变珀斯案例的主要模型级结论。

讨论部分表明，SLV将空间预测验证从全局精度评估扩展为局部解释诊断；常规指标总结平均预测误差，但不显示空间性能变化和与解释变量相关的残差结构。SLV通过比较邻域聚合的预测与残差SHAP幅度，评估变量归因信号是被拟合模型捕获还是仍集中于残差。其贡献区别于既有SHAP空间建模：后者多用于解释预测、映射变量贡献或揭示非线性空间关系，SLV则将预测侧与残差侧归因对比作为验证诊断，可比较常规精度相似模型的局部解释充分性，这对基础设施管理尤为重要。半径敏感性表明b=2a不是普适最优，而是本案例的经验操作尺度；共线性诊断表明交通与水文气候预测变量存在中等相关，SHAP归因可在携带重叠空间信息的预测变量间重分配，扩宽变量级SLV区间并产生负下界；负下界不应解释为预测变量对模型有效性具有负因果效应，而应解释为局部解释充分性弱或残差主导局部归因。分组预测变量和去相关分析显示，降低对孤立变量级归因的依赖后，主要模型级结论仍稳定。欧氏邻域未显式表达路网拓扑，可能高估地理邻近但拓扑不连通路段的相似性，但两种邻域下模型排序一致，表明主要SLV结论对该假设稳健。局限包括：当前框架主要采用固定邻域尺度，需扩展至自适应或多尺度邻域；SHAP归因可能对相关预测变量、解释器选择和背景分布敏感；证据来自受控模拟和一个都市道路劣化案例，不应视为SLV可直接推广至其他空间预测任务的证据。未来应发展自适应、多尺度及道路网络拓扑感知或混合邻域定义，结合不确定性感知、分组或条件SHAP归因策略，并将SLV与空间交叉验证结合；灾害制图、气候降尺度和社会经济预测等更广泛应用应作为未来评估情境，而非已建立直接泛化的领域。

研究结论翻译：本研究提出一种基于Shapley的局部验证指标，用于评估城市基础设施劣化的空间预测模型。常规验证指标主要总结平均预测精度，可能忽略对基础设施维护和决策至关重要的局部模型失败。SLV比较预测与残差的邻域聚合SHAP幅度，从而将验证从平均预测精度扩展为空间显式且变量特定的局部解释充分性评估。模拟实验表明，具有相似常规精度的模型可呈现不同的局部解释行为空间格局。珀斯案例进一步表明，SLV可通过识别解释信号留在残差中的位置和变量，补充RMSE、MAE和R²。解释结果时需注意：采用的半径是实际局部尺度而非普适最优；在相关预测变量下变量级SLV应谨慎解释；欧氏邻域仅为道路网络应用的基线近似。未来应发展自适应和网络邻域定义，纳入不确定性感知或分组归因策略，并在具有不同过程尺度、邻域结构和数据支持的空间预测情境中检验SLV；灾害制图、气候降尺度和社会经济预测等更广泛应用应作为未来评估情境，而非已建立直接泛化的领域。