深度学习模型预测因素解释方法及其在土壤含水量预测中的应用.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113866391A(43)申请公布日2021.12.31(21)申请号202111152908.0(22)申请日2021.09.29(71)申请人天津师范大学地址300387天津市西青区宾水西道393号(72)发明人黄新张楠(74)专利代理机构天津创智睿诚知识产权代理有限公司12251代理人王海滨(51)Int.Cl.G01N33/24(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图4页(54)发明名称深度学习模型预测因素解释方法及其在土壤含水量预测中的应用(57)摘要本发明公开了一种深度学习模型预测因素解释方法及其在土壤含水量预测中的应用。步骤1：对不同预测因素以及目标结果的时间序列数据进行标准化处理；步骤2：基于步骤1中标准化处理后的预测因素以及目标结果数据训练得到深度学习模型，用于预测输出结果的动态变化；步骤3：采用Shapley值方法，计算不同预测因素对于上述构建的深度学习模型的输出结果的贡献度；步骤4：根据步骤三计算出来的各预测因素的贡献度大小，确定深度学习模型中重要的预测因素，去除不重要的影响因素，对不同预测因素数据进行精简。CN113866391ACN113866391A权利要求书1/2页1.一种深度学习模型预测因素解释方法，其特征在于，包括以下步骤：步骤1：对不同预测因素以及目标结果的时间序列数据进行标准化处理；步骤2：基于步骤1中标准化处理后的预测因素以及目标结果数据训练得到深度学习模型，用于预测输出结果的动态变化；步骤3：采用Shapley值方法，计算不同预测因素对于上述构建的深度学习模型的输出结果的贡献度；步骤4：根据步骤三计算出来的各预测因素的贡献度大小，确定深度学习模型中重要的预测因素，去除不重要的影响因素，对不同预测因素数据进行精简。2.根据权利要求1所述的深度学习模型预测因素解释方法，其特征在于：步骤3中，各预测因素的贡献度采用Shapley值方法进行分析，Shapley值是根据预测因素集合S中每个玩家的值函数val定义的，每个预测因素的Shapley值是其对输出结果的贡献，对所有可能的预测因素组合进行加权求和：其中，S是应用于所述深度学习模型中的预测因素集合，x是要解释的当前实例的预测因素组成的向量，p是LSTM模型中的预测因素数量，valx(S)是对预测因素集合S中的各预测因素值的预测结果，这些因素从预测因素集合S中未包含的因素边缘化得到：对预测因素集合S中未包含的每个因素执行多重集成，是集合X中所有预测因素组成的向量的平均预测值；为了计算准确的Shapley值，引入蒙特卡洛近似抽样方法，根据需要计算的因素，选择感兴趣的实例1：x0＝(x(1)，…，x(j)，…，x(p))；然后依据不同预测因素的数据矩阵，随机选择实例2：z0＝(z(1)，…，z(j)，…，z(p))；根据实例1和实例2在不同位置的预测因素数值，构建两个新的实例：x+j＝(x(1)，…，x(j‑1)，x(j)，z(j+1)，…，z(p))和x‑j＝(x(1)，…，x(j‑1)，z(j)，z(j+1)，…，z(p))；根据两个新实例，计算它们在深度学习模型f中的差异平均值，作为当前预测因素的Shapley值，公式如下所示：式中，是当前实例x在预测因素组成向量上的预测数值，随机个数的预测因素被随机选择的实例z在对应因素位置上的数值替换，j本身的因素值除外。和之间的差异很小，并且也同样选择于实例z。3.根据权利要求1所述的深度学习模型预测因素解释方法，其特征在于：步骤4中，将不同预测因素按照其Shapley值的贡献度大小，由大至小顺序排列，保留排名前N位的预测因素数据，然后对保留的预测因素数据进行标准化处理，输入深度学习模型中进行训练，得到新的深度学习模型。2CN113866391A权利要求书2/2页4.根据权利要求1所述的深度学习模型预测因素解释方法，其特征在于：步骤2中，深度学习模型采用LSTM模型。5.权利要求1‑4之一所述的深度学习模型预测因素解释方法在土壤含水量预测中的应用，其特征在于，包括以下步骤：步骤1：将和土壤含水量相关的天气因素作为预测因素，对和土壤含水量相关的天气因素的预测因素以及土壤含水量的目标结果的时间序列数据进行处理；步骤2：基于步骤1中标准化处理后的预测因素以及目标结果数据训练得到深度学习模型，用于预测输出结果的动态变化；步骤3：采用Shapley值方法，计算不同预测因素对于上述构建的深度学习模型的土壤含水量输出结果的贡献度；步骤4：根据步骤三计算出来的各预测因素的贡献度大小，确定深度学习模型中重要的预测因素，去除不重要的影响因素，对不同预测因素数据进行精简。6