基于高斯混合模型的可解释多输入工程物理系统预测方法

《Scientific Reports》：Interpretable machine learning for multi-dimensional-input physical system output prediction based on multi-couples of causality feature

　　

摘要

兼具预测精度与可解释性的机器学习算法，有望在辅助工程物理系统的数据驱动预测中发挥作用。然而，主流算法较差的可解释性限制了这一目标的实现。本研究提出了一种范式，以高斯混合模型（GMM）为核心，对工程物理系统的多维输入时间序列输出进行可解释性预测。系统输出与多个系统输入之间的模糊因果特征被参数化表示，并分别使用多个二元高斯混合模型在二维概率平面上进行建模，随后利用已建立的二元高斯混合模型和实时输入预测下一时刻的系统输出。本研究提出了两项关键技术：一是推断池，用于提高每个二元高斯混合模型的预测精度；二是动态权重，用于动态组合多个二元高斯混合模型的预测结果。两个工程物理系统的实验结果表明，所提出的高维输入物理系统输出预测方法在提供具有物理意义的统计参数的同时，其预测性能可与主流深度神经网络相媲美；并且在生成预测任务中表现出相对更高的精度，这间接展示了其在因果特征实时变化的新数据集上的可扩展性。