基于人物特征的分层方法与XGBoost建模在多维度车辆音质评估中的应用

《Scientific Reports》：Persona-based stratification and XGBoost modeling for multi-dimensional vehicle sound quality evaluation

　　

摘要

随着汽车行业向电动化和智能出行转型，传统的噪声、振动与舒适性（NVH）开发方法难以满足用户对声音质量（SQ）的个性化需求。本研究系统地探讨了个体差异对多维度声音质量评估的影响，并构建了一个稳健的解释性重构框架。50名参与者使用双极7点量表对舒适性和运动性两个维度进行了评分，并通过基于阈值的偏好划分方法构建了详细的用户画像。研究采用极端梯度提升（XGBoost）算法来模拟心理声学特征与主观评分之间的非线性关系，同时运用SHAP（Shapley Additive Explanations）分析方法量化各个特征对不同感知维度的相对贡献。分析重点关注高保真度的全样本模型，以实现特征间的解耦。SHAP分析进一步表明，所得到的特征贡献在各个感知维度上都具有稳健性和可解释性。这些发现证实，基于用户画像的分层方法能够从机制层面探究人群的异质性，为精确的车辆声音质量调校提供了物理上可解释的基础。