基于XGBoost與SHAP模型的特征分析在PM2.5濃度預(yù)測中的應(yīng)用

張士杰，竇 燕

（新疆財經(jīng)大學(xué) 統(tǒng)計與數(shù)據(jù)科學(xué)學(xué)院，新疆 烏魯木齊 830012）

引言

現(xiàn)今，我國社會主義經(jīng)濟(jì)經(jīng)歷了飛速的發(fā)展。工業(yè)化和城市化也處于一個快速發(fā)展的階段，與此同時能源的消耗也在大幅提升，致使空氣中顆粒物的含量有了明顯的增加，霧霾天氣的出現(xiàn)也變得更加頻繁[1]，嚴(yán)重阻礙著城市生態(tài)文明的建設(shè)。2019年《世界空氣質(zhì)量報告》中提出了空氣污染仍是全球人口面臨的最重要的環(huán)境健康風(fēng)險之一，而大氣顆粒物作為空氣污染的首要物質(zhì)，將直接對公民的健康和良好的生態(tài)環(huán)境造成巨大的威脅[2,3]。根據(jù)2012年我國生態(tài)環(huán)境部發(fā)布的《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》（GB3095-2012），PM2.5可長時間懸浮于大氣中，且具有吸收和散射可見光的能力，能夠明顯降低大氣可見度[4]，致使區(qū)域性霧霾天氣時常發(fā)生，進(jìn)而影響區(qū)域空氣質(zhì)量甚至造成氣候的變化[5]。PM2.5濃度作為評價空氣質(zhì)量的重要指標(biāo)，不僅與大氣污染息息相關(guān)，還對人體健康造成了重大危害[6]。因此，進(jìn)一步提升PM2.5濃度的預(yù)測精度以及預(yù)測模型的可解釋性，不僅可為區(qū)域空氣質(zhì)量預(yù)測和預(yù)警奠定基礎(chǔ)，還可以減少PM2.5污染給社會造成的危害。

近年來，隨著區(qū)域大氣污染防治攻堅，協(xié)調(diào)推動經(jīng)濟(jì)高質(zhì)量發(fā)展的提出，對PM2.5濃度的預(yù)測方法，主要可歸納為三類：確定性模型、經(jīng)典的統(tǒng)計學(xué)模型和機(jī)器學(xué)習(xí)模型[7]。統(tǒng)計學(xué)預(yù)測方法主要有多元線性回歸[8]、自回歸移動平均[9]等模型。傳統(tǒng)的統(tǒng)計學(xué)方法雖具有簡易的結(jié)構(gòu)和模型解釋能力強(qiáng)等優(yōu)點(diǎn)，但PM2.5濃度受到各種污染物的影響及其復(fù)雜的物理成因，這使得PM2.5濃度具有很強(qiáng)的非線性和時空分異性[10]。因此，單一的傳統(tǒng)統(tǒng)計預(yù)測方法在處理非線性時序數(shù)據(jù)時，已無法得到較為理想的結(jié)果。

機(jī)器學(xué)習(xí)模型憑借自身優(yōu)越的預(yù)測性能得到了廣泛應(yīng)用[11]，如支持向量機(jī)[12]和神經(jīng)網(wǎng)絡(luò)算法[13,14]等。其中，杜續(xù)等在解決神經(jīng)網(wǎng)絡(luò)預(yù)測模型中存在的易過擬合和低效率問題時，發(fā)現(xiàn)調(diào)整參數(shù)后的最優(yōu)隨機(jī)森林模型可對PM2.5進(jìn)行有效地預(yù)測并具有較好的運(yùn)行效率[15]。為進(jìn)一步提高模型的預(yù)測性能，Park S等通過建立ANN模型，對地鐵站的PM10濃度進(jìn)行預(yù)測，精度達(dá)到了67%-80%[16]?？悼′h等提出XGBoost-LSTM的組合模型，研究發(fā)現(xiàn)該模型可以很好地結(jié)合PM2.5濃度數(shù)據(jù)的時序特征和非線性特征，進(jìn)而提升模型的預(yù)測精度[17]。

以上研究只關(guān)注了模型的預(yù)測性能，而在模型可解釋性方面的關(guān)注較少。已有利用集成算法和組合模型的預(yù)測研究相比傳統(tǒng)的統(tǒng)計預(yù)測模型，性能更為出色，但同樣存在兩點(diǎn)不足之處：（1）隨著預(yù)測模型復(fù)雜度的增加，當(dāng)數(shù)據(jù)樣本量不足時，容易出現(xiàn)模型泛化能力較差的問題。（2）隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)及XGBoost-LSTM均為黑箱機(jī)器學(xué)習(xí)模型，這使得建立的預(yù)測模型缺乏可解釋性。為了解決以上研究存在的兩點(diǎn)不足，在對原始數(shù)據(jù)進(jìn)行預(yù)處理、模型迭代訓(xùn)練、超參數(shù)調(diào)優(yōu)、模型泛化和性能分析以及模型解釋等工作的基礎(chǔ)上，本文基于XGBoost建立了PM2.5濃度預(yù)測模型，通過對比實(shí)驗，驗證了本文模型性能的優(yōu)越性，并利用Grid Search CV技術(shù)進(jìn)行超參數(shù)調(diào)優(yōu)，進(jìn)一步提高了PM2.5濃度預(yù)測的精度。同時由各模型的學(xué)習(xí)曲線對比結(jié)果，證明了在樣本量較少時，本文模型同樣擁有良好的泛化能力。為增強(qiáng)模型的可解釋性，在利用XGBoost算法確保模型性能的基礎(chǔ)上，引入SHAP模型，綜合各特征的SHAP值識別出了PM2.5濃度的關(guān)鍵影響因素。其結(jié)論可為區(qū)域空氣污染治理提供有價值的決策參考。

1 模型與方法

1.1 問題模型分析

設(shè)X為預(yù)測因子樣本集合(包括：PM10、SO2、NO2、O3、CO等特征)，Y為PM2.5濃度，給定數(shù)據(jù)的訓(xùn)練集為：D={(xi,yi),(x2,y2),…,(xn,yn)}，其中，xi=(xi(1),xi(2),…,xi(p))和p分別表示為輸入的樣本實(shí)例和特征個數(shù)，i=1,2,…,n，n為樣本個數(shù)。使用均方誤差∑(yi,y^i)2表示預(yù)測誤差，由Min_MSE準(zhǔn)則求解最優(yōu)輸出值。將原數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理后，將訓(xùn)練樣本輸入XGBoost模型進(jìn)行迭代運(yùn)算。XGBoost算法是由陳天奇等人近年研發(fā)的Boosting庫[18]，擁有線性規(guī)模解析器和CART算法，已應(yīng)用于許多的實(shí)際場景且具有良好的性能[19,20]。該算法在運(yùn)行過程中的關(guān)鍵在于不斷地添加樹，每添加一棵樹的實(shí)質(zhì)相當(dāng)于學(xué)習(xí)一個新的函數(shù)，來擬合前一次預(yù)測的殘差。它是在傳統(tǒng)的GBDT算法（只利用一階倒數(shù)）上的改進(jìn)，可選用CPU進(jìn)行多維并行計算，完成更高的精度需求。為了改善目標(biāo)函數(shù)的下降和模型的復(fù)雜度，XGBoost對損失函數(shù)進(jìn)行了合理的二階泰勒展開，同時引入正則項，對算法整體求其最優(yōu)解，進(jìn)而避免過擬合。為了訓(xùn)練得到PM2.5濃度預(yù)測模型，融合XGBoost算法建立模型，其中關(guān)鍵的模型構(gòu)建步驟如下：

（1）給定n個樣本，p個特征的PM2.5預(yù)測因子數(shù)據(jù)集：D={(xi,yi)}(|D|=n.xi∈R），利用迭代K次的輸出結(jié)果作為提升樹模型。對于第i個PM2.5濃度樣本xi的預(yù)測濃度表示為，表達(dá)式為：

（2）PM2.5濃度預(yù)測模型訓(xùn)練過程中的損失函數(shù)的計算公式如下式(2)(3)所示：

上述(2)式中，∑l(yi,)、∑Ω(fk)分別表示損失函數(shù)、正則化項，其中，yi表示PM2.5濃度的真實(shí)值，為預(yù)測輸出值，T、θj、γ分別為樹葉子節(jié)點(diǎn)數(shù)、葉子權(quán)重和葉子樹懲罰正則項，λ為子權(quán)重懲罰正則項。

（3）在模型訓(xùn)練中采取梯度提升策略，保存已形成的模型，每次在模型中添加一個新的回歸樹，假設(shè)第i個PM2.5濃度樣本在第t輪迭代的預(yù)測結(jié)果為，fi(xi)為引入的新回歸樹，其推導(dǎo)過程如下：

（4）將(4)式代入(2)式可得：

（5）將目標(biāo)函數(shù)進(jìn)行二階泰勒展開，并且加入正則項：

上述(7)式中，θj表示為一個不確定的葉子節(jié)點(diǎn)的值。因此Obj(t)（目標(biāo)函數(shù)）對θj求一階導(dǎo)數(shù)便可求出葉子節(jié)點(diǎn)j的最優(yōu)值θ*j，其值如下所示：

將上述(8)式所得θ*j代入目標(biāo)函數(shù)可得Obj(t)的最小值為：

1.2 模型解釋

在上述問題模型分析與算法推導(dǎo)的基礎(chǔ)上，利用XGBoost算法可以獲得預(yù)測精度較高的PM2.5濃度預(yù)測模型，但該模型與傳統(tǒng)的線性模型相比，幾乎是一個黑箱模型，針對該問題，本文采用SHAP值對模型中PM2.5濃度的影響因素進(jìn)行解釋分析。SHAP模型在2017年由Lundberg S等提出[21]，可用于提升分類以及回歸模型的可解釋性。在實(shí)際問題中，對于特定的預(yù)測樣本，預(yù)測模型都能得到一個相應(yīng)的預(yù)測值，SHAP value則是該樣本中每個特征所獲得的數(shù)值。

SHAP模型的核心思想,在所有樣本中，若第i個樣本為xi，第i個樣本的第j個特征為xij，特征的邊際貢獻(xiàn)為mcij，邊的權(quán)重為wj，f(xij)是樣本xij的SHAP值，例如第i個樣本的第一個特征的SHAP值計算如下：

上述（11）式中，f(xij)是樣本xij的SHAP值。f(xi,1)是第i個樣本中第一個特征對最終預(yù)測結(jié)果的貢獻(xiàn)程度。每個特征的SHAP值則表示的是以該特征為條件時相應(yīng)模型預(yù)測結(jié)果的變化。其中，f(xi,1)>0，說明該特征提升了模型的預(yù)測值，相反，則說明該特征使得貢獻(xiàn)程度降低。XGBoost模型自身的“feature importance”只能體現(xiàn)特征的重要性，但并不能準(zhǔn)確地反映該特征是如何影響目標(biāo)變量的預(yù)測結(jié)果。而SHAP value的一個最明顯的特點(diǎn)是SHAP值能體現(xiàn)每一個樣本中的影響因素對預(yù)測結(jié)果的影響程度，而且還可以說明影響的正負(fù)。

1.3 建模流程及模型評價指標(biāo)

本文對選取的數(shù)據(jù)指標(biāo)進(jìn)行預(yù)處理、缺失值填充，具體流程包括各指標(biāo)數(shù)據(jù)及目標(biāo)變量的統(tǒng)計描述、特征變量重要性分析、變量之間的相關(guān)性分析。建模流程圖如圖1所示。

圖1 XGBoost與SHAP建模流程圖

本文中評價預(yù)測模型的指標(biāo)分別為均方根誤差（RMSE）、平均絕對誤差（MAE）、擬合程度（R2），其中，模型預(yù)測精度高，說明RMSE、MAE的數(shù)值越小，R2的數(shù)值越大，計算公式如下：

上式中yi表示第i個訓(xùn)練實(shí)例PM2.5濃度的真實(shí)值，表示第i個訓(xùn)練實(shí)例PM2.5濃度的預(yù)測值，表示訓(xùn)練實(shí)例PM2.5濃度真實(shí)值的平均值，n為樣本個數(shù)。

本文中以XGBoost算法為例，在該算法設(shè)定的參 數(shù) 中，‘n_estimators、learning_rate、subsample、colsample_bytree、max_depth、tree_method’分 別 表示：迭代次數(shù)、學(xué)習(xí)率、訓(xùn)練模型的子樣本占整個樣本集合的比例、建立樹時對影響因素的隨機(jī)取樣比例、樹的最大深度、樹的約束算法。算法的核心超參數(shù)項的設(shè)置情況為：n_estimators=100,learning_rate=0.09,gamma=0,subsample=0.75,colsample_bytree=1,max_depth=7,tree_method=’approx’。

2 數(shù)據(jù)概括和預(yù)處理

2.1 研究區(qū)及數(shù)據(jù)概況

烏魯木齊作為古絲綢之路的重要通道，位于東經(jīng)86°37′33”—88°58′24”，北緯42°45′32”—44°08′00”，是典型的干旱區(qū)綠洲城市。其東、南、西三面環(huán)山，深居我國內(nèi)陸，海洋氣流不易到達(dá)。根據(jù)2020年中國社會統(tǒng)計年鑒數(shù)據(jù)顯示，2019年烏魯木齊市PM2.5的年平均濃度為50.0μg·m-3，在31個主要城市PM2.5的年平均濃度排名中位居第24位，同時空氣質(zhì)量等級處于二級的天數(shù)排名也相對靠后[22]。目前，烏魯木齊市在堅決打贏“藍(lán)天保衛(wèi)戰(zhàn)”的號召下，積極踐行綠色可持續(xù)發(fā)展理念，而PM2.5的排放對該地區(qū)的環(huán)境和人民生活有著重要的影響，因此，進(jìn)行更為準(zhǔn)確的PM2.5濃度預(yù)測研究，對城市的綠色發(fā)展及干旱內(nèi)陸城市的可持續(xù)發(fā)展具有一定的現(xiàn)實(shí)意義。PM2.5濃度觀測數(shù)據(jù)及空氣污染物數(shù)據(jù)來源與國家環(huán)境在線監(jiān)測平臺（https://www.aqistudy.cn/historydata）公布的全年（2020）逐時監(jiān)測數(shù)據(jù)。同時，氣象條件隨時監(jiān)測指標(biāo)：最高氣溫（℃）、最低氣溫（℃）等。來源于中國氣象數(shù)據(jù)網(wǎng)（data.cma.cn）。

2.2 缺失值、異常值及目標(biāo)變量處理

實(shí)驗過程需要對數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理。同時，對獲得的原始數(shù)據(jù)集經(jīng)過整理后發(fā)現(xiàn)存在一定的缺失。其中Wind_pow和Tem_low缺失程度最大，其缺失比例達(dá)到了0.69%和0.24%。對于缺失特征數(shù)據(jù)的填充，本實(shí)驗將數(shù)據(jù)集分為污染特征因子和氣象特征兩類，根據(jù)氣象特征類別的中位數(shù)進(jìn)行填充。最終得到的樣本總量為8746，15個特征變量。原始數(shù)據(jù)集的統(tǒng)計描述結(jié)果如表1所示。

表1 特征變量描述

由表1數(shù)據(jù)可得：目標(biāo)變量PM2.5的平均濃度為48.12（μg·m-3），其中，PM2.5濃度的中位數(shù)為26.00（μg·m-3），標(biāo)準(zhǔn)差為53.73（μg·m-3）。在目標(biāo)變量（PM2.5）的統(tǒng)計描述中得到，原始數(shù)據(jù)集的PM2.5濃度在4.00—360.00（μg·m-3）之間，同時，如圖2（a）所示，PM2.5的濃度分布存在嚴(yán)重的右偏，這會顯著影響最后的預(yù)測結(jié)果。因此，本文針對該問題，利用Boxcox變換法來轉(zhuǎn)換PM2.5濃度變量值，以便在平衡的數(shù)據(jù)集下訓(xùn)練模型。不難發(fā)現(xiàn)，變換之后其具有較好的正態(tài)分布，如圖2（b）所示。

圖2 PM2.5濃度分布圖

2.3 Lasso特征變量重要性分析

在實(shí)際操作中，Lasso的參數(shù)值越大，參數(shù)的最終目標(biāo)解個數(shù)越少，選出的特征變量數(shù)目也越少。本文模型的RMSE值是由交叉驗證方法計算所得，然后利用其極小值點(diǎn)來確定最終的參數(shù)值。最終的特征變量重要性分布如圖3所示。

圖3 Lasso特征變量重要性分析

3 實(shí)驗與結(jié)果分析

3.1 特征因子分析

3.1.1 污染因子對PM2.5濃度的影響

PM2.5濃度與空氣污染物之間存在復(fù)雜的轉(zhuǎn)化和傳輸過程，并且各污染物之間也存在顯著的影響。為此，本文進(jìn)行了研究區(qū)域內(nèi)PM2.5濃度與各變量之間的相關(guān)性分析。如圖4所示，PM2.5與空氣污染因子之間都有一定的相互影響關(guān)系。其中PM2.5濃度與CO濃度之間的相互關(guān)系最強(qiáng)，與NO2和PM10之間存在一定的正相關(guān)，而SO2與PM2.5的相關(guān)性較低，所以可以忽略其對PM2.5的影響。

圖4 空氣污染因子與目標(biāo)變量（PM2.5）熱力圖

3.1.2 氣象因子對PM2.5濃度的影響

氣象因子也是引起空氣中PM2.5濃度變化的一個重要因素，如圖5 PM2.5濃度與氣象因子熱力圖所示，PM2.5濃度與氣象因子之間存在一定的相互影響關(guān)系，其中，PM2.5濃度與氣溫（最高氣溫、最低氣溫）存在較強(qiáng)的負(fù)相關(guān)，與相對濕度、氣壓和降水量之間從在一定的負(fù)相關(guān)。

圖5 氣象因子與目標(biāo)變量（PM2.5）熱力圖

3.2 模型預(yù)測與對比分析

本文在預(yù)測模型性能方面與同類研究進(jìn)行了對比實(shí)驗，實(shí)驗結(jié)果如表2所示。由表中的數(shù)據(jù)可以得出，基于XGBoost算法的RMSE、MAE及R2的值分別為0.205、0.129、0.960，本文算法在各評價指標(biāo)上都得到了最好的結(jié)果，同時該算法在性能方面比LR和BPNN優(yōu)勢顯著，主要體現(xiàn)在R2指標(biāo)上。XGBoost算法能夠在評價指標(biāo)上達(dá)到最優(yōu)的原因在于：一是目標(biāo)函數(shù)中引入了正則項，起到控制和優(yōu)化預(yù)測模型的復(fù)雜程度；二是從權(quán)衡方差偏差的角度來看，由于其算法降低了模型的方差，使訓(xùn)練的模型更加簡單，進(jìn)而防止模型過擬合的問題；三是該算法采用了梯度提升來獲取局部最優(yōu)解。

表2 與已有方法的預(yù)測性能對比

以XGBoost算法為例，將處理后的數(shù)據(jù)以70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，30%的數(shù)據(jù)作為測試數(shù)據(jù)集。最終獲取的詳細(xì)結(jié)果如表3所示。由表3中的數(shù)據(jù)可得出結(jié)論：XGBoost模型的性能最佳，擬合優(yōu)度達(dá)到0.960，而Adaboost和GBR算法的預(yù)測效果相對最差。在R2指標(biāo)上，XGBoost的值達(dá)到0.960，而Adaboost算法的值只有0.913。除了KNeighbor的值能夠達(dá)到0.956之外，其他兩種算法的擬合程度值均在區(qū)間[0.910，0.930]之內(nèi)。

表3 算法預(yù)測結(jié)果評價指標(biāo)

綜上所述，XGBoost的預(yù)測效果最為理想，可以較好地體現(xiàn)PM2.5濃度與影響因素之間的復(fù)雜關(guān)系。

對比以上算法的預(yù)測效果可以看出：（1）在PM2.5濃度預(yù)測上，XGBoost算法在各評價指標(biāo)上均達(dá)到最優(yōu)，這說明本文的指標(biāo)體系構(gòu)建是有效的，進(jìn)一步挖掘PM2.5濃度的波動影響因素，可以更加精確 地預(yù)測PM2.5的濃 度。（2）基于 非 線性的XGBoost和RFR預(yù)測算法比線性回歸、DTR（決策樹）以及Adaboost回歸預(yù)測的效果更加顯著，這說明空氣中PM2.5數(shù)據(jù)集往往存在著復(fù)雜的非線性關(guān)系，并且含有一定程度的非平穩(wěn)數(shù)據(jù)，因此基于非線性關(guān)系的預(yù)測模型可以獲得更好的預(yù)測效果。（3）XGBoost和RFR算法之所以能夠有一個較好的預(yù)測效果，是因為它們都是基于集成的方，通過梯度提升的方法去獲取局部最優(yōu)值。研究結(jié)果表明，基于XGBoost的預(yù)測模型可以較準(zhǔn)確的估算區(qū)域PM2.5的濃度，并且XGBoost方法在預(yù)測模型的泛化與推廣能力上具有相對較好的優(yōu)勢。

3.3 預(yù)測模型超參數(shù)調(diào)解及收斂分析

XGBoost中包含有很多超參數(shù)，本文實(shí)驗過程中，利用Grid Search CV方法完成了參數(shù)調(diào)優(yōu)，并以R2為最終結(jié)果的評價指標(biāo)。以實(shí)驗中性能最優(yōu)的XGBoost預(yù)測模型作為訓(xùn)練集，選擇了對模型性能影響最大的五個主要參數(shù)，參數(shù)的搜索區(qū)間范圍及第一輪參數(shù)優(yōu)化結(jié)果如表4所示。

表4 XGBoost模型的參數(shù)優(yōu)化結(jié)果

圖6(a)-(d)分別表示XGBoost、RFR、BP NN、以及LR的學(xué)習(xí)曲線。由圖6可得各算法的擬合效果相差較大。其中，隨著樣本個數(shù)的增加，預(yù)測模型都接近逐步收斂，而XGBoost與RFR的測試數(shù)據(jù)集和交叉驗證數(shù)據(jù)集在性能方面存在一定的差距，并且對比兩個模型發(fā)現(xiàn)，當(dāng)樣本數(shù)量達(dá)到2400時，模型的擬合效果較好。同時，隨著樣本量的持續(xù)增加，交叉驗證數(shù)據(jù)集的性能也逐漸趨向穩(wěn)定。從模型的擬合趨勢來看，當(dāng)樣本數(shù)量不斷增加時，XGBoost與RFR預(yù)測模型的擬合效果也逐漸達(dá)到最優(yōu)。然而，XGBoost在測試集方面的穩(wěn)健性比RFR更加顯著。

圖6 XGBoost與各分類模型的學(xué)習(xí)曲線對比

3.4 基于SHAP的模型解釋分析

SHAP的基本思想是在觀察某特定數(shù)量樣本的預(yù)測中，不同的特征變量會對預(yù)測結(jié)果產(chǎn)生不同程度的影響。圖7顯示了SHAP的摘要，該圖根據(jù)選取的各類影響因子對PM2.5濃度的影響重要性進(jìn)行排序。由圖可得，空氣污染物中CO、PM10和O3的濃度差異對預(yù)測模型的影響較為顯著，且均對PM2.5濃度造成正向的影響。即這些特征指標(biāo)的值越高，SHAP的值越大，對應(yīng)區(qū)域空氣中PM2.5的濃度越高。此時就應(yīng)引起人們的注意，進(jìn)而采取防護(hù)措施。相 反，A_P、Tem、Wind_pow、Wind_dir對其PM2.5的濃度造成了較明顯的負(fù)面影響，且隨著這些指標(biāo)數(shù)值的增大，SHAP的值越小，導(dǎo)致其負(fù)面影響程度增加。以風(fēng)向為例，一定風(fēng)速的風(fēng)向?qū)龠M(jìn)區(qū)域空氣污染物（PM2.5）的轉(zhuǎn)移，進(jìn)而使得區(qū)域空氣污染物中的PM2.5濃度大幅下降。

圖7 SHAP特征分析

在圖8中，通過修改模型中的特定特征變量，在y軸畫出特征變量的SHAP值，在x軸畫出特征變量的值。在圖8(a)中，選取CO濃度作為特征變量來確定Wind_pow從-1.0逐漸增加到1.0時的影響。紅色點(diǎn)和藍(lán)色點(diǎn)分別代表Wind_pow較高值點(diǎn)和較低值點(diǎn)。當(dāng)CO濃度的值較低時，Wind_pow的SHAP值大于0，這表明CO的濃度降低會使區(qū)域空氣中PM2.5的濃度也隨之降低。即在CO濃度和Wind_pow交互影響的情況下，該區(qū)域CO濃度的降低會導(dǎo)致其空氣中更低的PM2.5濃度。圖8(b)顯示了Tem和PM10在PM2.5濃度預(yù)測模型中的影響。PM10濃度值較低的點(diǎn)（藍(lán)色點(diǎn)）大多位于圖的右側(cè)，其值也相對較高。位于左側(cè)（即Tem高和PM10高）的紅點(diǎn)可能對應(yīng)于烏魯木齊市冬季PM2.5濃度較高時收集的數(shù)據(jù)。

圖8 (a)CO和Wind_pow對模型產(chǎn)出的影響

圖8 (b)Tem和PM10對模型產(chǎn)出的影響

圖9顯 示 的 是XGBoost、RFR和SHAP訓(xùn) 練后，3種算法的特征變量重要性對比結(jié)果。經(jīng)過3種算法的模擬訓(xùn)練后，特征變量重要性的排序并不完全相同。由圖9可看出影響區(qū)域空氣中PM2.5濃度的關(guān)鍵因素是CO濃度、PM10濃度、O3濃度以及氣溫（Tem）。3種算法在進(jìn)行變量特征重要性排序時都將CO濃度、PM10及O3濃度排在靠前的位置，但在SHAP模型中的CO濃度值最大。

圖9 XGBoost,RFR和SHAP特征變量重要性對比

具體而言，區(qū)域空氣污染物中CO濃度越低，其PM2.5濃度越低是肯定的，這表明CO濃度與PM2.5濃度之間存在著特定的轉(zhuǎn)化關(guān)系。圖9還可以發(fā)現(xiàn)，氣象因子（Tem）與PM2.5濃度之間也存在著相互影響的關(guān)系，可理解為較高的氣溫會促進(jìn)空氣污染物之間的相互轉(zhuǎn)化。以上所述的具體轉(zhuǎn)化途徑本文不予以討論，可由后期實(shí)驗來完善。

4 結(jié)論

在工業(yè)化和城市化處于快速發(fā)展期間，常常會伴隨著能源及其他一些資源物質(zhì)的大幅消耗，致使空氣中顆粒物的含量有了明顯的增加，這將會對公眾的健康和生態(tài)文明建設(shè)造成巨大的影響。

本文基于XGBoost與SHAP模型以烏魯木齊市為研究區(qū)域，對其空氣污染物中的PM2.5濃度進(jìn)行了預(yù)測。（1）將預(yù)處理完的特征變量數(shù)據(jù)作為XGBoost訓(xùn)練模型的輸入，然后訓(xùn)練得到了最優(yōu)的預(yù)測模型；并且進(jìn)行了對比實(shí)驗，驗證了XGBoost模型預(yù)測性能的優(yōu)異性。（2）利用SHAP值對已獲得的預(yù)測模型特征進(jìn)行了合理地解釋。同時，結(jié)合XGBoost、RFR以及SHAP模型的特征變量重要性排序，進(jìn)一步得到了影響烏魯木齊市區(qū)域空氣污染物PM2.5濃度的主要影響因素是CO濃度、PM10濃度、O3濃度以及Tem（氣溫）。（3）在XGBoost和其他預(yù)測模型的學(xué)習(xí)曲線對比結(jié)果中得出，隨著樣本個數(shù)的增加，預(yù)測模型都逐漸趨于收斂。當(dāng)樣本數(shù)量持續(xù)增加時，XGBoost與RFR預(yù)測模型的擬合效果也逐漸達(dá)到最優(yōu)的效果，而XGBoost在測試集方面的穩(wěn)健性相比RFR更加顯著。