Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: interpretable machine learning, explainable AI, operational planning, decision support, production data, mineral resource industry, интерпретируемое машинное обучение, оперативное планирование, поддержка управленческих решений, производственные данные, минерально-сырьевой комплекс
Аннотация: Посвящена исследованию возможностей применения интерпретируемых методов машинного обучения для анализа и обоснования управленческих решений в задачах оперативного планирования на промышленных предприятиях минерально-сырьевого комплекса. В качестве исходной информации использованы фактические производственные данные, отражающие динаПоказать полностьюмику ключевых технологических показателей. Построена ансамблевая модель, ориентированная на выявление нелинейных зависимостей между параметрами процесса, и выполнена оценка ее прогностических характеристик на обучающей и тестовой выборках. Полученные результаты показывают преимущество предложенного подхода по точности по сравнению с классической линейной регрессией и отсутствие существенного переобучения. Особое внимание уделено интерпретации модели, позволившей количественно оценить вклад отдельных факторов и проанализировать их устойчивость во времени. Показано, что использование интерпретационных выводов может быть эффективно применено для корректировки режимов работы оборудования и повышения обоснованности управленческих решений в условиях ограниченного объема данных. The paper investigates the application of interpretable machine learning methods for the analysis and justification of managerial decisions in operational planning tasks at industrial enterprises of the mineral resource sector. The study is based on real production data reflecting the dynamics of key technological indicators. An ensemble model aimed at identifying nonlinear relationships between process parameters was developed, and its predictive performance was evaluated on training and test datasets. The results demonstrate a clear improvement in accuracy compared to classical linear regression and indicate sufficient generalization ability without pronounced overfitting. Special attention is paid to model interpretation, which made it possible to quantitatively assess the contribution of individual factors and analyze the temporal stability of the obtained explanations. The findings show that interpretability enhances the practical value of predictive models and allows their results to be used for adjusting equipment operating modes and improving the reliability of decision support in operational planning under limited data conditions.
Журнал: Известия Тульского государственного университета. Науки о Земле
Выпуск журнала: № 4
Номера страниц: 377-382
ISSN журнала: 22185194
Место издания: Тула
Издатель: Тульский государственный университет