金磊，楊曉偉，張浩，杜勇志，李新鵬，戴春田，周偉

摘要：為了有效預(yù)測和控制煤礦粉塵濃度，保障煤礦工人健康及環(huán)境安全，以寶日希勒露天煤礦現(xiàn)場粉塵監(jiān)測數(shù)據(jù)為基礎(chǔ)，使用隨機森林對粉塵濃度進行預(yù)測，提出了4種啟發(fā)式智能優(yōu)化算法優(yōu)化隨機森林超參數(shù)的方法，通過RMSE、MAE和皮爾遜相關(guān)系數(shù)R對模型進行評價，采用SHAP可解釋模型分析影響露天煤礦粉塵濃度的因素。結(jié)果表明：PM2.5、PM10、TSP的最優(yōu)模型分別為GWO-RF、WOA-RF和HHO-RF；超參數(shù)調(diào)整使模型整體RMSE指標(biāo)提升約為1～3，MAE提升約為1～2.5，R提升約4%～6%；PM2.5的預(yù)測表現(xiàn)最好，訓(xùn)練集與測試集共同作用時，R為0.946 3，MAE為3.059，RMSE為4.919，其次是PM10、TSP；單因素作用時，濕度對于該礦粉塵濃度影響最大，雙因素同時影響下濕度和氣壓對粉塵濃度變化影響最大。研究提供了一個有效的粉塵濃度預(yù)測方法，可準(zhǔn)確預(yù)測粉塵濃度并確定粉塵最影響因素，對礦山粉塵管控具有重要參考價值。

關(guān)鍵詞：露天煤礦；粉塵濃度預(yù)測；啟發(fā)式算法；SHAP；模型可解釋性

中圖分類號：TD 714文獻標(biāo)志碼：A

文章編號：1672-9315（2024）01-0074-10

DOI：10.13800/j.cnki.xakjdxxb.2024.0108開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Prediction model for dust concentration in open-pit coal mines? based? on? HA-RF-SHAP JIN Lei1，YANG Xiaowei1，ZHANG Hao1，DU Yongzhi1，LI Xinpeng1，

DAI Chuntian1，ZHOU? Wei2

（1.Guoneng Baorixile Energy Co.，Ltd.，Hulunbuir? 021000；2.State Key Laboratory for Fine Exploration and Intelligent Development of Coal Resources，China University of Mining and Technology，Xuzhou 221116，China）

Abstract：In order to effectively predict and control the coal mine dust concentration and protect the health of coal miners and environmental safety，the random forest was used to predict the dust concentration，and proposed four heuristic intelligent optimization algorithms were proposed to optimize the hyperparameters of the random forest， based on the on-site dust monitoring datas of Baorixile open-pit mine，and? the model was evaluated through the RMSE，MAE，and Pearsons correlation coefficient R，and the SHAP interpretable model was adopted to analyze the factors affecting dust concentration in open-pit mine.The results? show that the optimal models for PM2.5，PM10，and TSP are GWO-RF，WOA-RF，and HHO-RF，respectively；the hyperparameter adjustment improves the models overall RMSE metrics by about 1～3，the MAE by 1～2.5，and the R by about 4%～6%；the best prediction performance is achieved for PM2.5，with the training set and the test set together having an R of 0946 3，MAE of 3.059 and RMSE of 4.919，followed by PM10 and TSP；humidity has the greatest effect on the dust concentration in this mine under a single factor，and humidity and barometric pressure have the greatest effect on the change of dust concentration under the simultaneous effect of two factors.The study provides an effective dust concentration prediction method，possible to? predict the dust concentration? accurately and determine the most influential factors of dust，which has an important reference value for mine dust control.

Key words：open-pit mine；dust concentration prediction；heuristic algorithm；shapley additive explanations；model interpretability

0引言

露天開采是中國主要的煤炭開采方式之一，但是在開采過程中各個生產(chǎn)環(huán)節(jié)均伴隨著粉塵的產(chǎn)生[1-3]。大量的粉塵不僅污染環(huán)境，還會對工人的健康造成危害，而預(yù)測粉塵濃度是有效預(yù)防這些危害的重要手段。因此，有效預(yù)測露天煤礦粉塵濃度具有非常重要的現(xiàn)實意義。

隨著計算機技術(shù)的發(fā)展，基于機器學(xué)習(xí)的粉塵濃度預(yù)測研究逐漸成為主流[4]。QI等通過PSO-RF模型預(yù)測露天煤礦粉塵濃度，發(fā)現(xiàn)影響因素重要性順序為：濕度>溫度>噪聲>風(fēng)速>風(fēng)向[5]；LI等融合了注意力機制與長短期記憶網(wǎng)絡(luò)，建立了露天礦TSP濃度預(yù)測模型，該模型具有穩(wěn)定且精度較高的特點[6]；王雅寧建立了用于露天礦粉塵濃度預(yù)測的隨機森林-馬爾科夫模型，該模型的預(yù)測精度較高[7]；WANG等引入氣象參數(shù)與生產(chǎn)強度，建立了露天煤礦粉塵濃度預(yù)報模型，該模型可有效指導(dǎo)礦山生產(chǎn)設(shè)計[8]；張易容通過LR、RF、LSTM模型，選取時間與氣象因子，建立了哈爾烏素露天煤礦PM2.5濃度預(yù)測模型，結(jié)果表明LSTM精度較高[9]；LU等通過PSO-GBM模型對露天煤礦粉塵濃度進行預(yù)測，將濃度進行嚴(yán)重與不嚴(yán)重分級，結(jié)果表明PM2.5濃度可能是礦區(qū)周邊環(huán)境污染的前兆[10]；LIU等基于露天礦場監(jiān)測的粉塵濃度數(shù)據(jù)和氣象環(huán)境數(shù)據(jù)，建立了基于LSTM神經(jīng)網(wǎng)絡(luò)的粉塵濃度預(yù)測模型[11]；周旭等通過非線性自回歸模型對礦井粉塵濃度進行預(yù)測[12]；趙耀忠等通過5種機器學(xué)習(xí)算法，建立了多因素環(huán)境影響下的粉塵濃度監(jiān)測模型[13]；霍文等建立了環(huán)境因素影響下的粉塵質(zhì)量濃度預(yù)測模型[14]。上述學(xué)者均從不同角度建立了粉塵預(yù)測模型，但對于模型的組合優(yōu)化以及模型可解釋性研究較少，而露天煤礦粉塵濃度影響因素眾多，合理地探究粉塵濃度影響因素尤為重要。隨機森林作為一種經(jīng)典的機器學(xué)習(xí)方法[15]，因其可以有效處理多維特征以及適用于非線性問題而備受關(guān)注。同時，隨機森林在處理大量特征時，能夠給出特征的重要性排名，這對解釋模型具有重要意義。近年來，SHAP（Shapley Additive Explanations）被引入到隨機森林中，可以直觀地展示各個特征對預(yù)測結(jié)果的貢獻程度，因此對使用隨機森林來預(yù)測露天煤礦粉塵濃度具有一定的研究意義[16-18]。

文中旨在使用隨機森林模型預(yù)測露天煤礦粉塵濃度，利用SHAP方法對模型進行解釋。基于寶日希勒露天煤礦實時監(jiān)測數(shù)據(jù)，分析了多個影響因素與粉塵濃度的關(guān)系。在模型訓(xùn)練時，通過4種啟發(fā)式算法對于隨即森林超參數(shù)進行優(yōu)化，并且使用了交叉驗證方法，以優(yōu)化模型的預(yù)測能力。通過SHAP分析了輸入特征的重要性排序，分析了輸入特征相互作用下對于模型的預(yù)測結(jié)果。

1模型與方法

1.1隨機森林

隨機森林回歸算法（Random Forest Regressor）是一種集成學(xué)習(xí)方法，通過同時訓(xùn)練多個決策樹來進行回歸分析。該算法在構(gòu)建每個決策樹時，都會隨機選取一部分解釋變量和樣本進行訓(xùn)練，可以使每個樹都擁有一定的獨立性和隨機性，從而避免過擬合和提高模型準(zhǔn)確性。在結(jié)果預(yù)測時，隨機森林將所有決策樹的平均預(yù)測值作為最終預(yù)測值。當(dāng)然，由于每個決策樹的具體結(jié)構(gòu)和隨機性不同，因此會存在決策樹之間的矛盾和互補關(guān)系，隨機森林可以通過平均期望和方差的方法來對這些矛盾和互補進行綜合分析，從而更加準(zhǔn)確地進行預(yù)測，隨機森林原理示意如圖1所示。

隨機森林是常用的回歸算法，其在不同領(lǐng)域均取得良好的預(yù)測效果，具有以下的優(yōu)點。

1）訓(xùn)練可以高度并行化，對于大數(shù)據(jù)時代的大樣本訓(xùn)練速度有優(yōu)勢。

2）由于可以隨機選擇決策樹節(jié)點劃分特征，這樣在樣本特征維度很高的時候，仍然能高效的訓(xùn)練模型。

3）在訓(xùn)練后，可以給出各個特征對于輸出的重要性。

4）由于采用了隨機采樣，訓(xùn)練出的模型的方差小，泛化能力強。

5）對部分特征缺失不敏感。

1.2啟發(fā)式算法

1.2.1布谷鳥算法

布谷鳥算法（Cuckoo Search，CS）是一種基于鳥群覓食行為而提出的啟發(fā)式優(yōu)化算法。該算法通過模擬布谷鳥個體之間的通訊和協(xié)同來尋求最優(yōu)解，并在此過程中不斷優(yōu)化目標(biāo)函數(shù)。算法中原布谷鳥使整個群體朝著歷史最優(yōu)解方向移動；遷徙布谷鳥通過內(nèi)部搜索尋找更好的位置；尋食布谷鳥則通過外部搜索來擴大搜索范圍。該算法具備計算復(fù)雜度低、收斂穩(wěn)定等特點，在優(yōu)化問題中有良好的表現(xiàn)。

1.2.2鯨魚優(yōu)化算法

鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）是一種基于鯨魚統(tǒng)一行為模式而提出的啟發(fā)式優(yōu)化算法。其核心思想是模擬鯨魚的協(xié)同捕食行為，通過迭代尋找最優(yōu)解。在優(yōu)化過程中，算法分別模擬了鯨魚個體搜索和群體協(xié)同行為。鯨魚個體搜索策略可劃分為2類：螺旋游動和直線游動；群體協(xié)同行為則通過更新目標(biāo)函數(shù)和控制參數(shù)不斷調(diào)整搜索空間。該算法具有全局搜索能力強、魯棒性、收斂速度快等優(yōu)點。

1.2.3哈里斯鷹優(yōu)化算法

哈里斯鷹優(yōu)化算法（Harris Hawks Optimization，HHO）是一種基于生物協(xié)同策略而提出的啟發(fā)式優(yōu)化算法，模仿雌性和雄性哈里斯鷹在捕食過程中的競爭和協(xié)同行為。在優(yōu)化過程中，隨機分布的哈里斯鷹通過追逐各自感興趣的捕獵目標(biāo)，通過協(xié)同和競爭來得到更佳的搜索解。該算法具有收斂速度快、全局搜索能力強等優(yōu)點。

1.2.4灰狼優(yōu)化算法

灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）是一種基于模擬灰狼社群行為而提出的啟發(fā)式優(yōu)化算法。算法將灰狼個體分為α、β、δ 3個等級，以模擬群體中不同等級個體之間的競爭和協(xié)作。在每次迭代中，α狼根據(jù)歷史最優(yōu)解自我更新，β狼參照α狼和其他β狼的位置更新自身；δ狼通過探索非主流位置來增加全局搜索的隨機性。該算法具有較好的全局搜索能力和優(yōu)化效果。

4種啟發(fā)式算法優(yōu)化隨機森林超參數(shù)的原理示意如圖2所示。

1.3SHAP模型可解釋性

SHAP是一種可解釋性機器學(xué)習(xí)技術(shù)，它基于Shapley值的思想，用來對特征對預(yù)測結(jié)果的貢獻進行量化和可視化[19]。它通過計算特征的影響程度并提供重要性排序列表。同時以可視化形式展現(xiàn)特征與輸出之間的關(guān)系，幫助理解模型的決策過程。

SHAP的核心原理是基于Shapley值，它是一個經(jīng)典的合作博弈理論方法。在博弈論中，Shapley值用來衡量每個參與者對于最終結(jié)果所作出的貢獻。在機器學(xué)習(xí)中，我們可以把模型看做一個博弈模型，特征則成為參與者。SHAP計算每個特征的Shapley值，以此量化每個特征對于目標(biāo)變量的預(yù)測貢獻度。

Shapley值的計算公式為

i（v）=∑S|S|！（n-|S|-1）！n！[v（S∪{i}）-v（S）]（1）

式中v為一個合作博弈的收益函數(shù)，在機器學(xué)習(xí)中即為模型的輸出；n為參與者的數(shù)量，即特征的數(shù)量；S為參與者的任意組合。

SHAP值是在Shapley值基礎(chǔ)上發(fā)展而來的，SHAP的計算方法基于一個基準(zhǔn)值，通常是數(shù)據(jù)集上的平均值或者中位數(shù)。對于每個樣本，SHAP將其特征值分成2部分：已知和未知的特征。已知部分用來計算此時此刻特征的Shapley值，未知部分則用于計算其他特征的Shapley值。最后，SHAP將所有特征的Shapley值相加，得到每個特征對應(yīng)的SHAP值。其計算公式根據(jù)不同的模型類型會有所不同。模型采用的隨機森林算法，計算SHAP值時使用Tree SHAP，計算公式為

j（xi）=∑S{1，…，M}{j}12|S|[contrib（xi，xiS∪{j}-

contrib（xi，xS）]（2）

式中j為特征的索引；M為特征的數(shù)量；S為參與計算的特征的集合；xi為樣本輸入；xS為在不包括j這個特征的情況下，其他特征的取值；xiS∪{j}為加入j這個特征后的完整輸入向量；contrib（xi，xS）為沒有j這個特征的條件下，模型對樣本xi的輸出；contrib（xi，xiS∪{j}）為包含j這個特征的情況下，模型對樣本xi的輸出。

SHAP是一種強大的可解釋性機器學(xué)習(xí)技術(shù)，可以幫助我們理解模型的決策方式和特征的重要性，對于模型調(diào)優(yōu)和解釋結(jié)果具有重要作用。

2粉塵濃度數(shù)據(jù)概括

研究地點為神華寶日希勒能源有限公司露天煤礦，礦田位于陳巴爾虎旗煤田寶日希勒露天煤礦西南部[20-21]。

模型粉塵濃度數(shù)據(jù)從寶日希勒露天煤礦現(xiàn)場收集，每5 min采集1次，共采集了1個月內(nèi)礦區(qū)粉塵數(shù)據(jù)，共計8 268組，每個數(shù)據(jù)樣本包括6個輸入特征和3個輸出特征，輸入特征分別為噪聲、溫度、濕度、風(fēng)速、風(fēng)向、氣壓，其中噪聲指現(xiàn)場作業(yè)環(huán)境的聲音大小，當(dāng)現(xiàn)場作業(yè)強度較大時，噪聲較大。輸出特征分別為PM2.5、PM10、TSP，參數(shù)統(tǒng)計信息見表1，組內(nèi)相關(guān)性分析熱如圖4所示，粉塵參數(shù)頻數(shù)分布如圖5所示。

3結(jié)果與討論

3.1評價指標(biāo)

評價指標(biāo)是衡量模型預(yù)測能力的重要工具，對于優(yōu)化模型、提高預(yù)測精度至關(guān)重要[22]。在科學(xué)研究和實踐應(yīng)用中，正確選擇評價指標(biāo)有助于理解模型性能、進行模型比較和確定最優(yōu)模型。使用RMSE、MAE和R作為模型評價指標(biāo)。

RMSE（Root Mean Square Error）是回歸任務(wù)中的性能度量指標(biāo)[23-24]，表示真實值與預(yù)測值之差的平方根的平均值。計算公式為

RMSE=1n∑ni=1（yi-i）2（3）

式中n為樣本數(shù)量；xi為粉塵濃度真實值；yi為粉塵濃度預(yù)測值；為粉塵濃度真實值均值；為粉塵濃度預(yù)測值均值。圖5粉塵參數(shù)頻數(shù)分布

Fig.5Frequency distribution of dust parameters

MAE（Mean Absolute Error）是回歸任務(wù)中的性能度量指標(biāo)，表示真實值與預(yù)測值之差的絕對值的平均值。計算公式為

MAE=1n∑ni=1|yi-2|2（4）

皮爾遜系數(shù)R[25-26]（Pearson Correlation Coefficient）是衡量2個變量之間線性相關(guān)程度的統(tǒng)計量，取值范圍為-1到1。具有較強正相關(guān)關(guān)系的變量，R值接近1，具有較強負(fù)相關(guān)關(guān)系的變量，R值接近-1，無關(guān)或線性相關(guān)程度很小的變量，R值接近0。計算公式為

R=∑ni=1（xi-）（yi-）∑ni=1（xi-）2∑ni=1（yi-）2（5）

3.2模型效果對比

采用10倍交叉驗證以獲得最優(yōu)參數(shù)，在迭代過程中，隨機森林的參數(shù)變化見表2。由于算法的隨機性，實施微調(diào)以達到后續(xù)數(shù)值，模型最佳超參數(shù)見表3。

PM2.5、PM10、TSP 3種指標(biāo)的初始模型與使用4種啟發(fā)式算法優(yōu)化后的模型訓(xùn)練集與測試集評價指標(biāo)，分別見表4，表5，表6。通常情況下，采用測試集的指標(biāo)來評價模型效果的好壞，從表4可以看出，4種啟發(fā)式算法對于隨機森林模型均起到了良好的效果，對于RMSE指標(biāo)提升約為1～3，對于MAE提升約為1～2.5，對于R提升約4%～6%。對于PM2.5，GWO-RF模型表現(xiàn)出了最優(yōu)的效果，R達到了0.936 5，其次分別為CS-RF（0.930 4）>WOA-RF（0.929 8）>HHO-RF（0.928 6）>RF（0884 7）。對于PM10，WOA-RF模型表現(xiàn)出最優(yōu)R值（0.921 7），其次分別為GWO-RF（0.917 5）>CS-RF（0.913 0）>HHO-RF（0.909 8）>RF（0.879 0）。對于TSP，R值為0921 6的HHO-RF模型表現(xiàn)最好，其次分別為CS-RF（0.920 2）>WOA-RF（0.916 0）>GWO-RF（0.911 8）>RF（0880 6）。

PM2.5、PM10、TSP最優(yōu)模型的所有數(shù)據(jù)集的表現(xiàn)，如圖6所示。3種指標(biāo)的預(yù)測效果均取得了很好的效果，其中PM2.5的表現(xiàn)最好，在訓(xùn)練集與測試集共同時R為0.946 3，MAE為3.059 7，RMSE為4.919 6，采用了4種啟發(fā)式算法優(yōu)化隨機森林超參數(shù)，用于預(yù)測露天煤礦粉塵濃度。研究數(shù)據(jù)取自寶日希勒現(xiàn)場監(jiān)測數(shù)據(jù)，而中國露天煤礦80%位于北方高寒區(qū)[8]，這意味著在氣象條件上該礦與其他礦區(qū)表現(xiàn)相近。對于礦區(qū)粉塵濃度的收集，礦區(qū)大多采用監(jiān)測點監(jiān)測，這些數(shù)據(jù)與文中研究的數(shù)據(jù)近似。模型經(jīng)過充分的訓(xùn)練、驗證和調(diào)優(yōu)，以及數(shù)據(jù)收集準(zhǔn)備的工作，使得模型具有普適性，并且有能力在其他露天煤礦環(huán)境下進行準(zhǔn)確的粉塵濃度預(yù)測。綜上所述，這一方法取得了顯著的效果，并在實踐中具備有效性與實用性。

3.3基于SHAP的可解釋性分析

機器學(xué)習(xí)模型通常為“黑箱”模型，模型只能得到最終的結(jié)果，輸入特征對于預(yù)測結(jié)果影響無法得知。而SHAP模型就可以使我們知道這些已知條件到底對最終預(yù)測結(jié)果起到哪些影響，且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。露天礦粉塵濃度影響因素眾多，因此有必要分析眾多影響因素對于粉塵濃度的影響特點。

SHAP的摘要，如圖7所示。根據(jù)選取的各類影響因子對PM2.5、PM10和TSP濃度的影響重要性進行排序。x1～x6分別表示噪聲、溫度、濕度、風(fēng)速、風(fēng)向、氣壓。對于PM2.5、PM10和TSP 3種預(yù)測指標(biāo)，濕度和噪聲均排在第1、第2，說明這2個因素對于露天礦粉塵影響程度最大，其次是溫度和氣壓，對于TSP指標(biāo)，氣壓的影響略高于溫度，排名最后的是風(fēng)速和風(fēng)向。

在機器學(xué)習(xí)模型中，不同特征之間可能存在相互作用的情況，即一個特征的取值會影響另一個特征的重要性或影響模型預(yù)測結(jié)果[27-28]。交互作用圖是一種可視化方式，用于展示2個特征之間的交互作用對模型預(yù)測結(jié)果的影響。交互作用的意義是，當(dāng)這2個特征共同出現(xiàn)時，它們對模型輸出的影響不僅僅是它們單獨出現(xiàn)時的影響之和，而是會產(chǎn)生一種新的影響。

PM2.5、PM10、TSP的影響因素相互作用時對模型產(chǎn)生的影響，如圖8所示。

從圖8可以看出，濕度這一輸入特征與其他的因素相互作用，對于模型預(yù)測結(jié)果均產(chǎn)生了不同程度的影響，由此可見，濕度對于模型的影響很大，其次為氣壓。其他因素的相互作用均表現(xiàn)了一定程度的影響，結(jié)果表明有必要探究兩兩因素間相互作用對于模型的性能影響。

4結(jié)論

1）RF有良好的魯棒性，能夠處理大規(guī)模粉塵檢測數(shù)據(jù)。PM2.5、PM10、TSP的最優(yōu)模型分別為GWO-RF、WOA-RF和HHO-RF。優(yōu)化后模型RMSE指標(biāo)提升約為1～3，MAE提升約為1～2.5，R提升約4%～6%。

2）模型對于PM2.5的預(yù)測效果最優(yōu)，R為0946 3，MAE為3.059 7，RMSE為4.919 6；其次是PM10，R為0.944 1，MAE為4.714 7，RMSE為7.589 9；TSP的R為0.944，MAE為5.712 9，RMSE為9.182 6。

3）單因素影響下，粉塵濃度影響最大的特征是濕度，其次是溫度和氣壓；雙因素影響下，濕度和氣壓對粉塵濃度變化影響最大。

4）基于現(xiàn)場實際監(jiān)測數(shù)據(jù)構(gòu)建的HA-RF-SHAP粉塵濃度預(yù)測模型可有效預(yù)測露天煤礦粉塵濃度，確定粉塵濃度最影響因素，對指導(dǎo)礦山現(xiàn)場粉塵管控、保障工人健康具有重要意義。

參考文獻（References）：

[1]肖雙雙，馬亞潔，李衛(wèi)炎，等.我國露天礦粉塵防治理論技術(shù)近20 a研究進展與展望[J].金屬礦山，2023（7）：40-56.

XIAO Shuangshuang，MA Yajie，LI Weiyan，et al.Study progress and prospect on theory and technology for dust prevention and control in open-pit mine of china in the past 20 years[J].Metal Mine，2023（7）：40-56.

[2]范英宏，陸兆華，程建龍，等.中國煤礦區(qū)主要生態(tài)環(huán)境問題及生態(tài)重建技術(shù)[J].生態(tài)學(xué)報，2003，23（10）：2144-2152.

FAN Yinghong，LU Zhaohua，CHENG Jianlong，et al.Major ecological and environmental problems and the ecological reconstruction technologies of the coal mining areas in China[J].Acta Ecologica Sinica，2003，23（10）：2144-2152.

[3]李浩蕩，佘長超，周永利，等.我國露天煤礦開采技術(shù)綜述及展望[J].煤炭科學(xué)技術(shù)，2019，47（10）：24-35.

LI Haodang，SHE Changchao，ZHOU Yongli，et al.Summary and prospect of open-pit coal mining technology in China[J].Coal Science and Technology，2019，47（10）：24-35.

[4]肖雙雙，馬亞潔，李衛(wèi)炎，等.基于CiteSpace知識圖譜分析的露天礦粉塵濃度預(yù)測研究進展與展望[J].西安科技大學(xué)學(xué)報，2023，43（4）：675-685.

XIAO Shuangshuang，MA Yajie，LI Weiyan，et al.Prediction of dust concentration in open-pit mine based on CiteSpace knowledge graph analysis[J].Journal of Xian University of Science and Technology，2023，43（4）：675-685.

[5]QI C C，ZHOU W，LU X，et al.Particulate matter concentration from open-pit coal mines：A hybrid machine learning estimation[J].Environmental Pollution，2020，263：1-10.

[6]LI L，ZHANG R X，SUN J D，et al.Monitoring and prediction of dust concentration in an open-pit mine using a deep-learning algorithm[J].Journal of Environment Health Science and Engineering，2021，19（1）：401-414.

[7]王雅寧.基于隨機森林-馬爾科夫模型的露天礦粉塵濃度預(yù)測研究[D].北京：中國礦業(yè)大學(xué)，2021.

WANG Yaning.Research on dust concentration prediction of open-pit mine based on random forest-markov model[D].Beijing：China University of Mining and Technology，2021.

[8]WANG Z M，ZHOU W，JISKANI I，et al.A novel approach to forecast dust concentration in open pit mines by integrating meteorological parameters and production intensity[J].Environmental Science and Pollution Research，2023，30：114591-114609.

[9]張易容.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的哈爾烏素露天煤礦粉塵濃度預(yù)測[D].北京：中國礦業(yè)大學(xué)，2020.

ZHANG Yirong.Prediction of dust concentration in Haerwusu open-pit coal mine based on recurrent neural network[D].Beijing：China University of mining and Technology，2020.

[10]LU X，ZHOU W，QI C C，et al.Prediction into the future：A novel intelligent approach for PM2.5 forecasting in the ambient air of open-pit mining[J].Atmospheric Pollution Research，2021，12（6）：101084.

[11]LIU Z G，ZHANG R X，MA J Y，et al.Analysis and prediction of the meteorological characteristics of dust concentrations in open-pit mines[J/OL].Sustainability，2023，15，4837.https：//doi.org/10.3390/su15064837

[12]周旭，王藝博，朱毅，等.基于非線性自回歸模型的礦井粉塵濃度預(yù)測[J].華北理工大學(xué)學(xué)報（自然科學(xué)版），2021，43（4）：127-133.

ZHOU Xu，WANG Yibo，ZHU Yi，et al.Mine dust concentration prediction based on nonlinear autoregressive model[J].Journal of North China University of Science and Technology（Natural Science Edition），2021，43（4）：127-133.

[13]趙耀忠，嚴(yán)俊龍，任吉凱，等.基于機器學(xué)習(xí)的露天煤礦粉塵濃度預(yù)測[J].煤炭工程，2022，54（S1）：157-161.

ZHAO Yaozhong，Yan Junlong，REN Jikai，et al.Dust concentration prediction of open-pit coal mine based on machine learning[J].Coal Engineering，2022，54（S1）：157-161.

[14]霍文，欒博鈺，周偉，等.基于環(huán)境因素的露天煤礦粉塵質(zhì)量濃度預(yù)測[J].遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2021，40（5）：409-414.

HUO Wen，LUAN Boyu，ZHOU Wei，et al.Prediction of dust mass concentration in open-pit coal mine based on environmental factors[J].Journal of Liaoning Technical University（Natural Science），2021，40（5）：409-414.

[15]彭豪杰，周楊，胡校飛，等.基于深度學(xué)習(xí)與隨機森林的PM2.5濃度預(yù)測模型[J].遙感學(xué)報，2023，27（2）：430-440.

PENG Haojie，ZHOU Yang，HU Xiaofei，et al.A PM2.5 prediction model based on deep learning and random forest[J].National Remote Sensing Bulletin，2023，27（2）：430-440.

[16]魏夢颯，李強，許成娣，等.基于改進隨機森林算法區(qū)域短期售電量預(yù)測方法[J].電子設(shè)計工程，2023，31（12）：151-154，159.

WEI Mengsa，LI Qiang，XU Chengdi，et al.Regional short-term electricity sales forecasting method based on improved random forest algorithm[J].Electronic Design Engineering，2023，31（12）：151-154，159.

[17]陳道坤，周海，華紅梅，等.BP神經(jīng)網(wǎng)絡(luò)和隨機森林預(yù)測土壤有機質(zhì)模型研究[J].安徽農(nóng)學(xué)通報，2023，29（10）：124-128.

CHEN Daokun，ZHOU Hai，HUA Hongmei，et al.BP neural network and random forest to predict the accuracy of soil organic matter[J].Anhui Agricultural Science Bulletin，2023，29（10）：124-128.

[18]徐守權(quán)，唐國文，黃舞標(biāo)，等.BP神經(jīng)網(wǎng)絡(luò)、隨機森林和決策樹預(yù)測急性腦梗死患者靜脈溶栓后發(fā)生早期神經(jīng)功能惡化的效能比較[J].實用心腦肺血管病雜志，2023，31（2）：16-21.

XU Shouquan，TANG Guowen，HUANG Wubiao，et al.Comparison of the efficacy of BP neural network，random forest and decision tree in predicting early neurological deterioration after intravenous thrombolysis in patients with acute cerebral infarction[J].Practical Journal of Cardiac Cerebral Pneumal and Vascular Disease，2023，31（2）：16-21.

[19]蔡怡晴，費正玉，梁詩雪.基于PSO-SVR的RC板柱節(jié)點抗沖切承載力預(yù)測與影響因素分析[J].混凝土，2023（2）：34-39.

CAI Yiqing，F(xiàn)EI Zhengyu，LIANG Shixue.Prediction of punching shear bearing capacity of RC slab-column joints based on PSO-SVR and analysis of influencing factors[J].Concrete，2023（2）：34-39.

[20]劉光偉，張靖，白潤才，等.寶日希勒露天礦端幫高位煤層靠幫回采技術(shù)研究[J].重慶大學(xué)學(xué)報，2023，46（8）：56-67.

LIU Guangwei，ZHANG Jing，BAI Runcai，et al.End slope mining technology of top coal seam in Baorixile open-pit mine[J].Journal of Chongqing University，2023，46（8）：56-67.

[21]韓琳，李永峰，巫長悅，等.基于遙感生態(tài)指數(shù)的寶日希勒露天礦區(qū)生態(tài)修復(fù)效果評估[J].中國礦業(yè)，2022，31（4）：54-61.

HAN Lin，LI Yongfeng，WU Changyue，et al.Evaluation of ecological restoration effect in Baorixile open-pit mine area based on remote sensing ecological index[J].China Mining Magazine，2022，31（4）：54-61.

[22]高永濤，朱強，吳順川，等.基于AVOA-XGBoost模型的巖爆預(yù)測研究[J].華中科技大學(xué)學(xué)報（自然科學(xué)版），2023，51（12）：151-157.

GAO Yongtao，ZHU Qiang，WU Shunchuan，et al.Rockburst prediction study based on AVOA-XGBoost model[J].Journal of Huazhong University of Science and Technology（Natural Science Edition），2023，51（12）：151-157.

[23]薛雙青，賀東東.基于2D-VMD和雙邊濾波的醫(yī)學(xué)超聲圖像去噪算法[J].西安科技大學(xué)學(xué)報，2021，41（3）：516-523.

XUE Shuangqing，HE Dongdong.Denoising algorithm for medical ultrasound image based on 2D-VMD and bilateral filtering[J].Journal of Xian University of Science and Technology，2021，41（3）：516-523.

[24]冀汶莉，郗劉濤，柴敬.采場覆巖光纖監(jiān)測數(shù)據(jù)LSSVM填補方法[J].西安科技大學(xué)學(xué)報，2021，41（1）：160-171.

JI Wenli，XI Liutao，CHAI Jing.LSSVM method of missing data imputation of optical fiber monitoring with mining-induced overburden[J].Journal of Xian University of Science and Technology，2021，41（1）：160-171.

[25]趙源上，林偉芳.基于皮爾遜相關(guān)系數(shù)融合密度峰值和熵權(quán)法典型場景研究[J].中國電力，2023，56（5）：193-202.

ZHAO Yuanshang，LIN Weifang.Research on typical scenarios based on fusion density peak value and entropy weight method of Pearsons correlation coefficient[J].Electric Power，2023，56（5）：193-202.

[26]郭亮，郭子雪，賈洪濤，等.基于皮爾遜相關(guān)系數(shù)與SVM的居民竊電識別[J].河北大學(xué)學(xué)報（自然科學(xué)版），2023，43（4）：357-363.

GUO Liang，GUO Zixue，JIA Hongtao，et al.Residents electric larceny detection based on Pearson correlation coefficient and SVM[J].Journal of Hebei University（Natural Science Edition），2023，43（4）：357-363.

[27]蔣海昆，王錦紅.適用于機器學(xué)習(xí)的地震序列類型判定特征重要性討論[J].地震研究，2023，46（2）：155-172.

JIANG Haikun，WANG Jinhong.Discussion on the importance of the features for the judgement of earthquake sequence types applicable to machine learning[J].Journal of seismological research，2023，46（2）：155-172.

[28]趙健，劉彥辰，朱冰，等.基于SHAP-RF框架的越野車輛路面識別算法研究[J].力學(xué)學(xué)報，2022，54（10）：2922-2935.

ZHAO Jian，LIU Yanchen，ZHU Bin，et al.Research on road recognition algorithm of off-road vehicle based on SHAP-RF framework[J].Chinese Journal of Theoretical and Applied Mechanics，2022，54（10）：2922-2935.

（責(zé)任編輯：劉潔）