《Logistics》：Predictive Maintenance in Logistics Fleets: A Comparative Evaluation of Random Forest, XGBoost, and Logistic Regression Using Operational and Technical Indicators
编辑推荐：
预测性维护日益被视为减少车队停机时间和维护成本的关键，然而现有的运输和物流车队文献主要依赖传统或单一模型方法，而诸如随机森林和梯度提升等集成方法相对较少被探索。本研究开发并比较了三种分类算法，即逻辑回归、随机森林和XGBoost，以预测车辆维护需求。每个分类器
预测性维护日益被视为减少车队停机时间和维护成本的关键，然而现有的运输和物流车队文献主要依赖传统或单一模型方法，而诸如随机森林和梯度提升等集成方法相对较少被探索。本研究开发并比较了三种分类算法，即逻辑回归、随机森林和XGBoost，以预测车辆维护需求。每个分类器首先在70:30的训练-测试划分（35,000/15,000个观测值）上进行一次拟合，以支持对系数、预测因子重要性和ROC曲线的解释，并使用精确率、召回率和ROC-AUC进行评估。随后，使用5折分层交叉验证和正式的显著性检验来确认性能和模型排名的稳健性。结果表明，报告的问题和服务历史成为维护需求的主要预测因子。随机森林和XGBoost在5折交叉验证下实现了可比的预测性能（平均AUC-ROC分别为0.8546和0.8528），它们之间的差异在统计上不显著；两者均明显优于Logistic Regression（AUC-ROC为0.8215）。结论表明，通过在经过验证的比较性机器学习框架内整合运营和技术数据，本研究为决策支持系统提供了实用基础，从而能够减少不必要的干预，最小化停机时间，并提高车队的成本效率和可靠性。
随着工业4.0时代的到来，网络物理系统（CPS）、物联网和高级数据分析技术的融合深刻重塑了工业运营模式。在此背景下，维护策略正经历从反应性维护向预测性维护的战略性转变。车队停机时间是物流网络中的系统性瓶颈，不仅导致交付延误和驾驶员闲置等隐性成本，更严重威胁全球贸易网络的效率与可靠性。现有研究表明，预测性维护能显著将维护成本降低25%至30%，并将车队正常运行时间提升50%。然而，当前运输领域的预测性维护研究存在显著的方法学异质性，大多依赖先进的传感器基础设施和深度学习架构，这对于许多缺乏高质量数据或资源的中小型运输企业而言构成了实际应用壁垒。此外，集成方法在现有车队管理文献中的探索相对不足。为填补这一研究空白，研究人员开展了一项研究，旨在设计并实证验证一种仅依赖运输管理系统（TMS）中常规记录的运营和技术数据的预测性维护方法。该研究比较了Logistic Regression、随机森林和XGBoost三种分类算法，结果表明集成方法显著优于传统基线模型。本研究发表在《Logistics》期刊上，为车队管理者提供了基于风险的维护干预规划基础，具有重要的科学价值与实践意义。
研究人员主要采用了三种机器学习分类算法进行建模与比较：Logistic Regression、随机森林以及XGBoost。研究数据包含50,000条记录，来自波兰一家提供多式联运及客运服务的运输与物流企业的车队管理系统。该数据涵盖了车辆的技术规格、运营指标及维护相关信息。在方法层面，研究分为两个阶段：第一阶段首先按照70:30的比例将数据集划分为35,000条训练数据和15,000条测试数据，针对训练集中存在的类别不平衡现象（81%的观测值属于需要维护类别），应用SMOTE过采样技术生成56,698条平衡训练数据以进行模型拟合与解释；第二阶段则将相同的无数据泄露预处理流程嵌入至5折分层交叉验证中，并结合弗里德曼及威尔科克森符号秩检验进行显著性评估，所有超参数均固定采用文献推荐值而未进行专门优化。
在数据预处理与描述性统计结果方面，通过对九个定量变量和定性变量的分析，证实了数据的质量及其对研究问题的代表性。应用SMOTE方法有效缓解了数据高度不平衡问题，且避免了信息丢失。
在Logistic Regression建模与解释结果方面，通过模型拟合发现，里程数、报告的问题、车龄、发动机尺寸、距离上次保养时间、服务历史、事故历史、燃油效率、维护历史、燃油类型、车主类型和变速箱类型在95%置信区间内具有统计学意义。其中，报告的问题（OR=3.0103）和评级为差的维护历史（OR=3.9961）对维护需求概率的正向影响最为显著。
在随机森林建模与变量重要性评估结果方面，基于均方误差增加百分比（%IncMSE）指标的计算表明，报告的问题（32.78%）、服务历史（12.23%）、事故历史（9.32%）和评级为差的维护历史（7.78%）是预测维护需求最重要的四个变量。
在XGBoost建模与特征影响评估结果方面，通过增益图和相对影响图的分析得出了与随机森林高度一致的结果。报告的问题占据了45.28%的总影响力，事故历史和评级为差的维护历史分别占14.84%和12.52%。
在模型预测性能比较结果方面，通过对15,000个测试样本的评估，XGBoost在准确率（77.83%）、灵敏度（79.48%）和AUC-ROC（0.8523）上均取得了最优表现；随机森林紧随其后（准确率77.63%，AUC-ROC 0.8521）；Logistic Regression表现最弱（准确率75.13%，AUC-ROC 0.8219）。
在交叉验证与鲁棒性检验结果方面，5折交叉验证显示随机森林与XGBoost的表现相当且稳定，其平均AUC-ROC分别为0.8546和0.8528。弗里德曼检验证实三种模型的性能存在显著差异，但事后威尔科克森检验表明，随机森林与XGBoost之间的性能差异在统计学上并不显著。此外，通过设定漏检与误检的成本比率计算得出，当漏检成本超过误检成本的1.24倍时，XGBoost是更具经济效益的选择，反之则随机森林更优。
研究讨论部分深入总结了上述成果。研究结论表明，将来源于真实车队管理系统的结构化运营和技术数据应用于集成机器学习框架中，能够在存在不确定性条件下实现维护需求的准确预测。随机森林与XGBoost均明确优于Logistic Regression，且两者性能表现高度相近且没有统计学上的显著差异。研究成功识别出报告的问题、服务历史和事故历史等关键预测因子。从实践意义上看，该研究支持车队管理者从单纯基于时间或行驶里程的刚性维护计划向基于车辆特定风险的规划模式转变，这不仅有助于减少不必要的干预和非计划停机时间，还能优化备件采购库存并稳定运输服务可靠性。最后，研究指出其主要局限在于低估了5折交叉验证带来的统计检验效能限制，建议未来研究引入10折交叉验证和时序序列数据以全面评估模型的泛化能力。
