进入21世纪以来,我国经济实力日益增强,人民的生活水平大幅度提高,全国小型乘用车辆的销量逐年增加。在此背景下,汽油作为车辆的主要燃料,为了高效利用重油资源中的汽油原料,我国不断发展重油轻质化工艺技术中的催化裂化核心技术,将重油转换为汽油。其中辛烷值（RON）是汽油燃烧机能的最主要指标,当辛烷值每降低1个单位时,约等于损失150元/吨,降低辛烷值可给企业带来巨大的经济效益。本文利用数据挖掘技术对汽油精制过程中的辛烷值损失进行预测模型应用分析。在传统的化工过程建模中通常采用的是机理建模,会因为炼油工艺过程的复杂性以及设备的多样性导致对原料的分析要求较高,对过程的优化响应不及时,所以效果并不理想。本文利用数据挖掘技术建立辛烷值损失预测模型来指导操作变量的研究,优化响应过程,降低辛烷值损失。在预测模型的前期部分特征变量选择时,首先通过基于Ada Boost的递归特征消除法、基于随机森林的递归特征消除法和XGBoost算法三种方法分别选择出对辛烷损失值影响最大的30个特征变量,然后对三个算法的特征选择结果求并集,得到61个特征变量。为了使重要特征变量具有代表性和独立性,还需删除61个特征变量中相关性超过0.9的特征变量,最后对剩下的55个特征变量利用Ligth GBM算法进行特征重要性排序,保留得分40分及40分以上的26个特征变量作为后续建立预测模型的重要特征变量。在预测模型的构建时,首先采用支持向量机、Adaboost决策树、梯度提升树、bagging决策树、随机森林、XGBoost和Light GBM七种算法进行辛烷损失值预测。然后通过均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和确定系数（R~2）五个评价指标对预测模型进行评估。再选取预测模型中误差较优的Light GBM算法用交叉验证的网格搜索法进行调参优化处理,以达到进一步提高模型预测精度的效果。最后引入SHAP值算法,通过SHAP值能反映出每一个特征变量的影响效果,分析26个特征变量对辛烷值目标变量预测的正负影响并创建单样本特征影响图和宏观特征依赖图等多种类型的可视化图来理解和解释调参优化后的LightGBM预测模型。