室內(nèi)環(huán)境中的細(xì)顆粒物（PM2.5）污染作為全球重要的公共衛(wèi)生問題之一，由于其高度非線性和復(fù)雜性而面臨重大挑戰(zhàn)。因為烹飪、吸煙、清潔等揚塵行為都會引起室內(nèi)PM2.5濃度的顯著波動。但是，很難進入私人空間收集足夠的來自家庭的細(xì)顆粒物污染相關(guān)數(shù)據(jù)。囿于輸入數(shù)據(jù)和信息的局限，傳統(tǒng)的質(zhì)量平衡原理計算模型難以預(yù)測未來的室內(nèi)PM2.5濃度變化趨勢。機器學(xué)習(xí)技術(shù)的最新進展為城市計算提供了新的潛力，成為傳統(tǒng)方法的有益補充。其中，隨機森林和各種人工神經(jīng)網(wǎng)絡(luò)及其變體方法已成為最受歡迎和廣泛使用的技術(shù)。然而，現(xiàn)有的許多“黑箱”模型在可靠性、泛化性和可解釋性方面仍未闡明清楚。

近日，清華大學(xué)建筑學(xué)院趙彬教授課題組與合作者的最新研究通過多機器學(xué)習(xí)模型的比較、驗證和歸因的全面評估框架（圖1），證明了貝葉斯神經(jīng)網(wǎng)絡(luò)模型（BNN）在識別城市住宅PM2.5暴露的人口水平差異方面具有顯著優(yōu)勢。研究選取了高斯過程回歸（GPR）、分位數(shù)隨機森林（QRF）和BNN三種模型進行對比。這三種方法是用于區(qū)間預(yù)測的代表性概率機器學(xué)習(xí)模型，且三種模型的結(jié)構(gòu)復(fù)雜性以及黑箱程度逐步增加，一定程度代表了從“淺”到“深”的方法論思想。此外，通過獨立數(shù)據(jù)源驗證其泛化性，并使用SHapley加性解釋（SHAP）方法對這些模型進行進一步分析，以量化其多因素貢獻并闡明模型性能的差異。

圖1 機器學(xué)習(xí)模型驗證-對比-歸因的評價框架。 GPR: 高斯過程回歸; QRF: 分位數(shù)隨機森林; BNN: 貝葉斯神經(jīng)網(wǎng)絡(luò). MAE: 平均絕對誤差 (μg/m3); RMSE: 均方根誤差 (μg/m3); R2:決定系數(shù). SHAP: SHapley加性解釋方法。

研究發(fā)現(xiàn)BNN模型在保證這個區(qū)間的濃度預(yù)測準(zhǔn)確的前提下，比QRF和GPR模型捕捉峰值濃度方面表現(xiàn)更為卓越，尤其是在樣本量有限的情況下。總結(jié)三個模型在兩個數(shù)據(jù)源上的性能指標(biāo)對比（表1），發(fā)現(xiàn)GPR模型對測量數(shù)據(jù)點的覆蓋不足，無法有效捕捉某一天城市內(nèi)不同住宅之間的日均PM2.5濃度變化。QRF模型在新數(shù)據(jù)集上的表現(xiàn)較差，數(shù)據(jù)源Ⅱ中的R2、MAE和RMSE（分別為0.24、20.0 μg/m3和31.4 μg/m3），顯著低于數(shù)據(jù)源Ⅰ訓(xùn)練集中的相應(yīng)值（分別為0.95、3.09 μg/m3和4.71 μg/m3）。這種顯著的性能差異表明，QRF模型在訓(xùn)練集上的優(yōu)越表現(xiàn)可能源于過擬合問題。而BNN模型在均值擬合和區(qū)間覆蓋方面均表現(xiàn)優(yōu)異，展現(xiàn)了良好的泛化能力。因此，綜合考慮模型在兩個數(shù)據(jù)集上的一致性和魯棒性，BNN模型被確定為最優(yōu)模型，能更準(zhǔn)確地反映數(shù)據(jù)的真實波動。

進一步，該研究采用SHAP方法闡明了不同輸入因素對三種模型預(yù)測的總體影響（圖2）。結(jié)果表明，三種模型之間的差異可主要歸因于GDP和人口的貢獻不同。具體而言，GPR模型主要將住宅PM2.5濃度與室外PM2.5濃度和室外氣象條件關(guān)聯(lián)，分別占總貢獻的56%和27%。相比之下，BNN和QRF模型中GDP和人口這兩個輸入因素的貢獻顯著增加：GDP在對BNN和QRF模型的貢獻中分別排名第二（15%）和第四（8%），而人口在這兩種模型中的貢獻排名第三（13%）和第二（17%）。這表明，要有效捕捉城市層面住宅PM2.5濃度的復(fù)雜變化，除了室外濃度和氣象特征外，還需考慮社會經(jīng)濟因素。

圖2 輸入因素對BNN、QRF和GPR模型的貢獻評估。(a) 特征的重要性排序；(b) 數(shù)據(jù)源I中各個樣本的SHAP值分布。正SHAP值表示該特征增加了預(yù)測結(jié)果，而負(fù)值表示預(yù)測結(jié)果減少。顏色漸變表示數(shù)值特征的實際值。 BNN: 貝葉斯神經(jīng)網(wǎng)絡(luò); QRF: 分位數(shù)隨機森林; GPR: 高斯過程回歸。PM2.5_out: 室外日均 PM2.5濃度；Tair: 室外日均溫度; RHout: 室外日均濕度；GDP：國內(nèi)生產(chǎn)總值。

總體而言，數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)方法已經(jīng)迅速發(fā)展成為一種與傳統(tǒng)方法并列的重要工具。盡管初期常因其黑箱特性而受到質(zhì)疑，但隨著未來對數(shù)據(jù)的重視、搜集和不斷完善，以及先進可解釋方法的結(jié)合，其可靠性和應(yīng)用范圍必將進一步增強。本研究該框架能夠?qū)C器學(xué)習(xí)模型進行定性和定量解釋，從而為未來研究闡明城市特征與室內(nèi)空氣污染物之間復(fù)雜的非線性關(guān)系提供有價值的參考。

該項工作于4月7日以“大時空尺度下室內(nèi)PM2.5濃度預(yù)測的機器學(xué)習(xí)模型對比與評估”（Comparison and evaluation of machine learning models for predicting indoor PM2.5 concentrations on a large spatiotemporal scale）為題在線發(fā)表于《建筑模擬》（Building Simulation）。清華大學(xué)建筑學(xué)院建筑技術(shù)科學(xué)系2020級博士研究生代慧為該論文的第一作者，趙彬教授為通訊作者，北京航空航天大學(xué)董兆敏教授和深圳市建筑科學(xué)研究院股份有限公司的高峣高級工程師、任俊教授級高級工程師為合作作者。

本研究得到了清華大學(xué)恒隆房地產(chǎn)研究中心的資助。

文章鏈接：

https://doi.org/10.1007/s12273-025-1276-0

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。