一种基于可解释性AI驱动的特征选择与深度学习融合模型的水坝水位预测方法

《Hydrological Sciences Journal》：An explainable AI-driven feature selection deep learning fusion model for dam water level forecasting

XAI特征选择技术（Kernel SHAP、VG、IG）提升CNN-GRU融合模型预测效果，其中VG和IG优于传统方法，引入参数转移机制后，Transfer-IG使早、晚融合模型分别提升5.81%和3.39%，Transfer-VG提升慢融合模型2.58%。

　　

摘要

本研究探讨了XAI特征选择（FS）技术（包括Kernel SHAP、VG和IG）在提升所提出的CNN-GRU融合模型性能方面的有效性，这些模型分别用于日常水位预测的早期、中期和后期融合任务。结果表明，VG和IG的表现优于Kernel SHAP以及传统的过滤和嵌入式FS方法。为了在最终模型校准之前便于模型参数在特征排名中的迁移，对VG和IG进行了改进，形成了Transfer-VG（T-VG）和Transfer-IG（T-IG）两种版本。这两种版本在针对选定特征进行校准时，不会重新初始化模型参数，而是通过重塑模型输入层来移除不重要的特征，同时保留现有的模型参数以完成最终校准。研究发现，T-IG分别将早期和后期融合模型的性能提升了5.81%和3.39%；而计算效率更高的T-VG则使中期融合模型的性能提升了2.58%。