基于可解释TabNet模型的车辆CO2排放预测及先进元启发式优化

《Array》:Explainable TabNet-Based Model for Vehicular CO 2 Emission Prediction with Advanced Metaheuristic Optimization

【字体: 大 中 小 】 时间:2026年08月29日 来源:Array 5.3

编辑推荐:

  准确且可解释的车辆二氧化碳(CO2)排放预测对于推进可持续交通和碳中和出行至关重要。本研究提出了一个受控实验框架,用于比较由中途逃逸优化(Halfway Escape Optimization, HEO)和消防员优化(Firefighte

  
准确且可解释的车辆二氧化碳(CO2)排放预测对于推进可持续交通和碳中和出行至关重要。本研究提出了一个受控实验框架,用于比较由中途逃逸优化(Halfway Escape Optimization, HEO)和消防员优化(Firefighter Optimization, FFO)所选择的TabNet配置在车辆CO2排放预测中的可解释性、注意力分配、特征稀疏性及学习行为。研究人员并未仅关注预测精度,而是考察了HEO与FFO所选TabNet配置在特征归因模式、注意力集中度及稀疏性行为方面的差异。结果表明,HEO与FFO所选TabNet配置展现出截然不同的注意力分配模式、特征稀疏结构及解释行为。尽管由于燃料消耗变量与CO2排放之间存在强烈的物理关系,较高的预测精度符合预期,但本研究的主要贡献在于表征HEO与FFO所选TabNet配置在可解释性和学习行为方面的差异。特征消融分析进一步证实了这一依赖性:在移除所有燃料消耗变量后,两种优化配置的R2均从0.99以上下降至约0.94,而非燃料类车辆属性中仍保留了大量的预测信息。回归误差特征(Regression Error Characteristic, REC)分析表明,约93%的测试样本落在±10 g/km误差阈值以内。可解释性分析表明,燃料消耗变量和发动机尺寸主导特征归因,这与数据集内已知的物理关系一致。TabNet特征掩码与SHAP属性之间的一致性反映的是跨可解释性方法的特征重要性模式的一致性,而非因果推断。总体而言,本研究为不同优化器所选TabNet配置之间的可解释性差异提供了见解。
随着全球碳减排压力加剧,交通部门已成为CO2排放增长最快的领域之一。传统排放估算工具如COPERT、MOVES和MOBILE依赖固定排放因子和平均车队假设,难以捕捉真实世界中车辆特征、驾驶行为和环境条件之间的非线性交互。尽管机器学习模型在排放预测中展现出高精度,但多数模型缺乏透明度,阻碍了其在政策制定和环境管理中的应用。TabNet作为一种面向表格数据的可解释深度学习方法,通过顺序注意力和稀疏特征掩码实现内建可解释性,但其性能对超参数配置高度敏感。已有优化研究多聚焦于预测精度,鲜少比较不同优化器所选配置在内部学习行为上的差异。针对此空白,研究人员开展了本项研究。

研究人员在沙特阿拉伯法赫德国王石油矿产大学完成了一项受控实验研究,构建了基于统一TabNet架构的对比框架,分别使用中途逃逸优化(HEO)与消防员优化(FFO)两种元启发式算法搜索超参数空间,比较所得配置在注意力分配、特征稀疏性、特征归因和预测性能方面的差异,论文发表在《Array》。在方法层面,研究采用加拿大政府燃料消耗评级数据库中的7000余辆乘用车数据,划分70%训练、15%验证和15%测试子集,并按车辆类型进行分层抽样。关键技术包括:TabNet内建的稀疏特征掩码机制用于提取决策步骤级别的特征选择结构;HEO和FFO用于超参数搜索;SHAP和LIME用于模型无关的可解释性分析;代理特征消融分析用于检验预测性能对燃料消耗变量的依赖程度;回归误差特征(REC)分析用于刻画不同误差容限下的累积精度;同时引入粒子群优化(PSO)作为传统元启发式参考。

在结果层面,4.1节模型优化与预测性能显示,FFO配置在测试集上取得更低误差(RMSE=4.60 g/km、MAE=3.38 g/km),HEO配置误差较高(RMSE=6.82 g/km、MAE=4.11 g/km),两种配置R2均超过0.98,反映了燃料消耗与CO2之间的强物理关联。4.2节代理特征消融分析表明,移除全部燃料消耗变量后,两种配置的R2降至约0.94,RMSE上升至约14–15 g/km,说明高精度主要源于近直接代理变量,但非燃料类车辆特征仍保留了大量预测信息。4.3节跨配置注意力结构与特征归因一致性通过TabNet内建掩码分析发现,燃料消耗指标贡献约60%以上总重要性,HEO配置的归一化掩码熵更低(0.2268±0.1395 vs 0.4161±0.1050),掩码稀疏性更高(0.7677 vs 0.6636),而FFO配置将注意力分散到更多活跃特征;H EO与FFO特征重要性轮廓的Pearson相关系数为0.9054,Top-5特征重叠度为80%。4.4节基于SHAP的模型无关可解释性显示,燃料效率变量占两种配置SHAP归因总量的80%以上,FFO配置在主导特征上呈现更集中的全局归因分布,而HEO配置的归因分布更为分散。4.5节特征交互与依赖模式揭示了燃料消耗度量间的强耦合(ρ≈0.97)以及发动机参数与燃料效率间的中等交互。4.6节局部可解释性通过选取低误差、高误差和中等误差三个代表性样本,展示了SHAP在实例级别对预测输出的透明分解。4.7节不同预测误差下的特征重要性变化表明,低误差子集和高误差子集的前导特征保持一致,高误差样本的分类特征贡献略有上升。4.8节比较统计评估显示,PSO-TabNet性能介于HEO与FFO之间,FFO配置在错误指标上低于PSO,而HEO未超越PSO参考,结果是配置特定而非算法优越性的证据。4.9节预测误差容限分析中,REC曲线显示FFO配置在5、10、15 g/km容限下的累计精度分别为74.8%、92.7%和97.2%,曲线下面积AOC为3.95,低于HEO的4.35。

在讨论部分,研究人员指出,高预测精度主要由数据集中燃料消耗与CO2排放之间的内在物理关系驱动,而非单纯源自优化算法;不同优化器收敛至不同超参数配置,因此观察到的差异被解释为配置相关行为而非优化器的独立因果效应。外部有效性方面,受限于单一加拿大认证数据集和内部划分,结果不代表跨数据集或实际驾驶工况的迁移能力。研究结论翻译为:本研究比较了HEO和FFO所选TabNet配置在车辆CO2排放预测中的学习行为与可解释性特征;定量决策步骤分析显示,HEO配置产生更集中且更稀疏的特征选择掩码,而FFO配置将注意力分配至更广泛的活跃特征集;全局SHAP分析则显示FFO配置具有更集中的归因轮廓;这些发现表明内建TabNet掩码与模型无关归因方法捕捉了模型解释的互补方面。研究的核心贡献在于方法论层面:优化器所选配置不仅在预测性能上存在差异,更在特征选择与归因结构上表现出可量化的不同模式。未来研究应优先开展基于独立数据集和实际驾驶排放数据的外部验证,并探索混合或自适应FFO变体以降低计算需求。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号