基于机器学习方法的路面平整度预测及模型解释研究

马鑫源^1，2，刘 泉^1*，吴建涛¹

(1. 河海大学 土木与交通学院，江苏 南京 210098;2. 中国交通建设股份有限公司总承包经营分公司，北京 100000)

摘　要：该研究从预测精度、计算效率、模型解释可信度3个方面对比分析了支持向量机(SVM)、随机森林(RF)、梯度提升树(GBR)及神经网络(NN)模型用于国际平整度指数(IRI)预测建模的效果，并基于加性Shapley值解释(SHAP)方法，通过相对重要性及其变异系数评价了模型解释结果的可信度。研究结果表明，梯度提升树模型的综合性能最优，基于决策树和提升算法的机器学习模型更适用于结果解释性研究;虽然神经网络模型具有最高的预测精度，但其损失函数的非凸性使得模型解释结果不可靠;特征重要性结果表明沥青路面平整度的变化由环境因素主导，其中降水的影响最为显著，其次为低温指标。

关键词：路面平整度;机器学习模型;特征重要性;模型解释可信度