基于广义LIME的特征排序方法在利用SHAP和LIME–BORDA算法预测加州承载比中的应用

《ADVANCED ENGINEERING INFORMATICS》：Generalized LIME-based feature ranking for California bearing ratio prediction using SHAP and LIME–BORDA approaches

　　•共有12种机器学习回归模型被用于CBR预测的基准测试。•随机森林展现出最高的泛化性能，其测试R2值为0.832。•一种新的LIME–BORDA框架通过加权秩聚合实现了局部可解释性的提升。•经过改进的LIME–BORDA模型结果与全局SHAP重要性指标之间存在高度相关性。•细粒含量和最大干密度被确定为主要的控制变量。

引言
公路路面设计必须能够有效应对重复交通荷载带来的永久性路基变形问题[1]。由于路基层直接决定了路面的性能，因此其强度和刚度至关重要，且应尽量不对含水量的变化产生敏感反应[2]。为确保交通基础设施的长期耐久性，路基需在满足各项工程规范要求的同时，为所有施加在其上的荷载提供足够的结构支撑[1]、[3]。因此，准确评估土壤的刚度和强度特性极为重要。目前最常用的评估方法便是加州承载比（CBR）试验[2]、[3]、[4]、[5]。该试验由加利福尼亚州公路部门在20世纪20年代开发，最初旨在量化用于公路建设的土壤的承载能力和抗力[2]、[5]、[6]。如今，这一试验已成为评估各类土工结构（包括机场跑道、铁路路堤和土坝等）的基层及底基层材料性能的标准方法[1]、[3]、[7]。

CBR值是指在特定含水量和密度条件下，以恒定速率1.27毫米/分钟将贯入活塞压入压实土壤试样时所遇到的阻力，与在相同贯入深度下级配良好的碎石所产生的标准阻力之间的比值[8]、[9]、[10]。在该试验中，通常在2.5毫米和5.0毫米（分别为0.1英寸和0.2英寸）的标准贯入深度处进行测量，其中数值较高的结果会被作为设计用CBR值[2]。由于级配良好的标准碎石在特定贯入深度下的抗力可作为一种基准，其CBR值通常被设定为100%。实验得出的荷载-贯入关系会与这些参考值进行比较，通过这一比值即可对土壤的承载能力进行定量描述和分类。为保证结果的可靠性，必须严格控制直接影响CBR值的因素，如试样的压实状态和含水量。CBR值评估既可以在实验室制备的试样上进行，也可以在原位进行。实验室测试通常会在两种不同条件下进行，以评估土壤对环境的响应情况：未浸水和浸水后的CBR值[9]。浸水CBR试验的主要目的是确定在最恶劣条件下的最小承载能力，即模拟完全饱和的状态，通常通过标准的96小时浸泡来实现[4]、[11]。

尽管CBR试验能够提供有价值的信息，尤其是关于道路和机场路面的耐久性方面，但它属于耗时且劳动强度高的实验室测试方法。因此，研究人员往往更倾向于采用统计方法，利用土壤指数和压缩特性来估算CBR值[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]。此外，人工智能技术作为传统方法的有力替代方案，也被用于CBR值估算。虽然最初人们使用的是典型的人工神经网络架构[22]、[23]、[24]、[25]，但近年来研究人员开始关注更多不同的机器学习模型用于CBR估算。Bardhan等人[26]提出了三种新型混合模型，这些模型结合了极限学习机以及自适应神经群智能技术，用于预测浸水条件下的土壤CBR值。对比传统的人工智能方法后，研究结果表明这些新型模型具有更好的性能。Trong等人[27]则开发了基于随机子空间优化的混合模型，用于预测浸水条件下的土壤CBR值，其中他们提出的基于随机子表面的额外树模型取得了最高的预测精度。Bardhan等人[28]又提出了一种基于人工神经网络与粒子群优化相结合的新型混合模型，用于预测浸水条件下的路基土壤CBR值，与传统模型相比，该模型取得了显著更好的效果。Verma等人[29]采用了新的计算方法来预测土壤的浸水CBR值，研究结果表明他们提出的高斯过程回归模型具有较好的适用性。Polo-Mendoza等人[30]则建立了数学和计算模型，用于估算颗粒状土壤的CBR值和修正普罗克特参数，他们通过实验案例验证了所开发的多元线性回归模型和深度神经网络模型的准确性。Wu等人[10]研究了利用先进的机器学习模型预测土壤CBR值的方法，结果表明随机梯度改进算术模型在预测CBR值方面表现优异。Ahmad等人[9]则使用了一些机器学习模型来预测经过处理的膨胀土的CBR值，对比不同模型的预测性能后发现，随机森林模型具有更出色的预测效果。Kassa和Wubineh[6]使用了不同的机器学习模型来预测土壤的CBR值，研究结果表明随机森林模型具有最佳的预测性能。Nagaraju等人[31]提出了一种基于极端学习机与协同搜索优化器相结合的混合机器学习模型，用于预测红土质土壤的CBR值，研究结果表明该模型可作为估算CBR值的良好替代方案。Marathe和Sheshadri[32]则专注于使用机器学习模型预测红土-砾岩质路基土壤的CBR值，对比分析结果表明AdaBoost模型在性能方面最为出色。此外，以往研究中使用的数据集往往反映了特定地区的地质和环境条件，这就存在这样的风险：所开发的模型在不同地区的应用效果可能不尽相同，从而限制了其通用性。同时，相关研究也不再仅仅关注模型的准确性。有研究将稳定土的处理与高性能深度学习模型以及基于SHAP的解释方法相结合，如今，与算法选择同等重要的还有数据集的标注质量[33]。不过，最近的综述研究表明，模型性能越来越受到可用训练数据的质量、规模和代表性的制约，这意味着未来的研究不仅需要关注预测准确性，还需重视模型的通用性和可解释性，以便为实际路面设计提供支持。在此背景下，开发出更加稳健、通用且具有高准确率的同时又能清晰揭示决策机制的机器学习模型，将为CBR值测定过程带来重要贡献。近期有研究显示，地质工程各个子领域中对可解释或可理解的人工智能方法的兴趣日益增加[34]、[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]。

在相关的土工和地质工程预测问题上，近期的研究越来越重视智能特征选择、优化辅助学习以及混合可解释模型方法的整合应用。例如，Mahmoodzadeh等人[45]评估了多种用于预测隧道内水流量的机器学习架构，结果表明，先进的深度神经网络在处理复杂的地质不确定性问题时，其性能远远优于基础模型。在岩石力学领域，将支持向量回归与元启发式优化算法相结合的混合方法，也被证明能够在提高预测精度和模型稳定性方面发挥重要作用[46]。与此同时，关于混合特征选择的系统综述也表明，保留无关或高度相关的输入特征会增加模型的复杂性，降低其泛化能力，还会使模型的可解释性变得更复杂[47]、[48]。总体而言，这些研究成果都印证了本研究的方法论前提：将优化过的预测算法与强大的可解释性框架相结合，才是实现高预测精度和清晰特征评估的关键，而非将准确性和可解释性视为相互矛盾的目标。

尽管取得了这些进展，但目前大多数现有的机器学习研究主要集中在提高预测准确性上，往往以牺牲可解释性和更广泛的适用性为代价。此外，许多现有的数据集都具有地域局限性，反映了当地的地质和环境条件，这让人担心这些模型是否能够应用到其他地区。而本研究则试图同时兼顾模型的性能和可解释性。本研究使用了从土耳其不同地质区域采集的382个土壤样本构成的大型数据集，通过评估12种机器学习算法，找到了最具稳健性的预测模型。此外，该研究还试图通过结合基于SHapley加性解释方法的全局特征重要性分析，以及基于局部可解释模型无关解释方法的秩聚合框架，来弥补局部解释与全局解释之间的差距。具体而言，首先根据预测精度对实例级别的LIME排序结果进行加权，然后再通过BORDA计数法对这些权重进行聚合，从而得出基于改进LIME方法的特征排序结果。为了进一步验证这一框架的合理性，研究还分析了SHAP结果与改进后的LIME–BORDA排序结果之间的相关性，以此使模型解释结果更符合土工原理，同时也解决了以往研究中的一个关键问题，即缺乏统一且易于理解的决策机制。

本研究具有多项显著优势。首先，它使用了来自土耳其多个地质区域的382个土壤样本构成的较大规模数据集，这不仅提高了分析的稳健性，也有助于提升研究结果在土耳其国内场景下的通用性。其次，通过对比多种机器学习算法，该研究能够全面评估不同模型的预测性能，而不只是依赖某一种模型。此外，该研究特别重视模型的可解释性，通过将SHAP方法与基于LIME的秩聚合框架相结合，不仅能够识别出重要的输入变量，还能提高模型输出结果的透明度。不过，该研究也存在一些局限性。由于数据集仅限于土耳其地区，因此该框架在其他地质和气候条件下的适用性仍不确定。研究结果还取决于现有样本的质量、完整性和代表性，如果数据集中存在偏差，可能会影响模型的稳定性。另外，虽然SHAP方法和LIME–BORDA方法的组合提升了模型的可解释性，但该框架在方法论上较为复杂，相比那些更为简单的预测方法，可能更难以复制或实施。最后，尽管该研究在提高预测准确性和可解释性方面取得了进展，但它对于深入揭示CBR行为背后的机理方面的能力仍然有限。

本文的其余部分结构如下：首先，会对实验数据进行处理，并通过探索性数据分析来分析各种变量之间的相互作用。接着，将训练12种不同的机器学习算法，并通过网格搜索交叉验证方法对其进行了严格优化，以找出最具稳健性的预测模型。随后，会利用SHAP分析方法建立全局可解释性，之后再介绍并应用新型的LIME-BORDA框架，以实现从局部到全局的解释。最后，会将研究结果置于土工工程原理的背景下进行讨论，文章最后还会总结本研究的研究成果以及未来的研究方向。

数据与探索性分析
本研究使用的数据集包含了从土耳其不同地区的土力学实验室采集的382个土壤样本，这些样本代表了多种不同的地质类型。该实验数据库不仅包含了CBR测试结果，还涵盖了各种基本指标和压实参数，主要包括砾石含量、砂粒含量、细粒含量、液限、塑性指数、最大干密度以及最佳含水量。

结果与讨论
在本研究中，研究者们采用了多种机器学习算法，利用土工学相关的输入变量来估算CBR值。现有数据集包含382组观测数据，这些数据被随机分为训练集和测试集，其中训练集包含305个样本，测试集包含77个样本。为尽可能提高模型的泛化能力并避免过拟合，研究者们在训练过程中直接采用了网格搜索技术，并将其纳入嵌套交叉验证框架之中，以此对超参数进行调整。

总结与结论
本研究通过采用可解释的机器学习方法，对CBR预测进行了深入的分析。研究利用来自土耳其不同地质区域的382个土壤样本构建了完整的数据库，用于开发和验证各种机器学习算法。研究结果表明，在所有被评估的模型中，随机森林回归模型具有最高的预测精度，其决定系数达到了0.832。这一性能表现充分证明了基于集成方法的机器学习技术能够提供可靠、高效且……阿尔帕尔斯兰·塞尔哈特·德米尔：写作——审阅与编辑，写作——初稿撰写，方法论，利益冲突正式声明。作者声明自己不存在任何可能影响本文所述研究的已知财务利益或个人关系。阿卜杜拉·胡卢西·科克恰姆|乌古尔·达格德维伦|塔拉斯·菲克雷特·库尔纳兹|阿尔帕尔斯兰·塞尔哈特·德米尔|贾内尔·埃尔登