近日，北师香港浸会大学（ ）数据科学专业本科生吴悠、张锶睿、苏俊玮的科研论文《Explainable Dynamic Graph Neural Networks for Predictive Maintenance in Vehicle Chassis Systems》成功被人工智能与机器学习领域的知名会议—第17届亚洲机器学习会议（The 17th Asian Conference on Machine Learning, ACML 2025）录用为Conference Track Regular Paper，指导教师为 统计与数据科学系黎志健助理教授。

会议介绍

Asian Conference on Machine Learning（ACML）是亚太地区极具影响力的国际学术会议之一，自2009年创办以来，已逐渐发展成为机器学习领域重要的国际交流平台。会议关注范围涵盖机器学习的理论基础、核心算法、应用实践以及跨学科探索，覆盖监督学习、无监督学习、强化学习、图神经网络、生成模型、大规模预训练模型与可解释人工智能等多个研究方向。凭借严格的学术评审与高水平的论文质量，ACML每年吸引来自全球的专家学者投稿与参会，成为展示前沿成果和促进合作的重要舞台。2025年第17届ACML将于12月9日至12日在中国台湾台北举行，届时将邀请多位国际知名学者作特邀报告，并举办多场专题研讨和学术交流活动。录用的论文代表了该领域的最新研究进展，也反映出人工智能与产业结合发展的前沿趋势。

论文内容介绍

论文聚焦于商用车底盘系统的预测性维护问题。商用车在实际运营中常常出现突发性的高成本故障，不仅会导致额外的道路救援和维修费用，还会造成车辆长时间停运，严重影响车队的效率与安全性。虽然现代车辆能够通过标准化的SPN/FMI故障码记录运行情况，但这些记录往往稀疏、分布不均，跨底盘差异大，难以直接应用于传统方法进行有效预测。同时，现有模型往往侧重于单一车辆或局部时间序列，难以捕捉跨车辆的复杂依赖关系，更缺乏透明的解释机制。这些问题共同制约了预测性维护技术在商用车队中的落地应用。

针对这些挑战，论文提出了一种新颖的Node-level Relationship-based Graph Convolutional Network with Random Forest (NRP-GCN-RF)混合框架。研究首先将底盘与故障码实例转化为动态图结构，在构图时综合考虑时间先后、空间位置和统计共现等多种因素，使得模型能够同时捕捉局部依赖与全局传播模式。图卷积神经网络（GCN）在该图结构上提取特征，学习不同故障之间的复杂关系，再由随机森林（RF）完成分类预测，从而在深度模型的表达能力与集成方法的稳健性之间取得平衡。与此同时，研究引入改进的Apriori算法，用于挖掘高频共现的SPN-FMI组合，揭示子系统之间潜在的传播链条，为预测结果提供直观的解释。这一设计使得模型不仅能够准确预测故障，还能回答“为什么会这样预测”，形成了兼顾性能与可解释性的完整框架。

论文作者吴悠（右三），苏俊玮（右二）, 张锶睿(左二)，与指导老师黎志健（左一）和本科毕业设计答辩评委老师胡瑜加（右一）

在商用车提供的多年真实车队数据上，该框架的有效性得到了验证。研究围绕三项核心任务展开评估：一是预测是否会产生紧急费用，二是预测费用等级，三是识别具体的故障类别。实验结果表明，整体预测准确率达到了98.93%。在高成本故障场景中，识别精度由传统方法的60%显著提升至95%，召回率提高了25%。与支持向量机（SVM）、单一随机森林等基线模型相比，NRP-GCN-RF在预测性能上全面超越，并且通过解释性模块揭示了关键的故障路径和跨系统依赖关系。这一结果表明，该方法不仅在学术研究中具备领先性，更为车队管理与智能运维提供了可落地的技术方案。

审稿人评价

审稿人评价认为，该论文在方法设计与工程应用结合方面具有重要创新意义。通过引入动态图建模和多因子边权设计，研究有效突破了传统预测性维护方法的局限。特别是结合Apriori算法实现的解释性分析，使预测不再是“黑箱”输出，而能够清晰揭示潜在的因果链条。这种兼顾精度与透明性的设计，为机器学习在工业系统中的应用提供了新的思路和方向。

此次论文被ACML 2025录用，是吴悠、张锶睿、苏俊玮三位本科生在科研道路上的一次重要突破。从原始数据清洗、模型框架设计，到实验验证和论文撰写，三位同学在黎志健助理教授的指导下，展现了扎实的专业功底与持续探索的精神。未来，该团队计划进一步探索跨车队迁移学习、动态图结构优化与可解释人工智能在更大规模工业数据上的应用潜力。随着智能运维需求的不断增长，这一研究方向有望在交通运输、制造业等多个行业发挥作用，推动人工智能技术更好地服务于实际生产与社会发展。本次科研成果被国际认可，不仅是对学生个人努力的肯定，也彰显了 在人工智能与工业应用领域的科研实力。

来源 | 统计与数据科学系