[發明專利]煙草生絲水分加水量預測系統及方法

有效

• 申請號: 202110325608.1
• 申請日: 2021-03-26
• 公開（公告）號: CN113076309B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 王滎;梁怡梅;卓亮;何林洋;張暉;李學軍;謝正全;李培茂;夏勇;韓翔雨;胡藝川;張曉勇;張婧;黃銳;秦玉軒
• 申請（專利權）人: 四川中煙工業有限責任公司;西南科技大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F17/11;G06F17/18;G06F18/214;G06Q10/04
• 代理公司: 四川省成都市天策商標專利事務所(有限合伙) 51213
• 代理人: 龔海月

1.一種煙草生絲水分加水量預測方法，其特征在于，包括以下步驟：

步驟1、對采集的歷史數據進行數據預處理，再通過數據庫對原始數據及數據預處理后的數據進行規范性存儲和指定輸出；

步驟2、對數據采用不同的算法模型進行生絲水分加水量的結果預測，得到各算法模型的預測結果，并對得到的預測結果進行對比，選擇精度最高的算法模型；

步驟2中的算法模型采用多種樹回歸算法進行建模，多種所述樹回歸算法包括回歸樹、梯度提升回歸樹、隨機森林、XGboost、LightGBM和catboost算法；

所述算法模型采用樹回歸算法抽取出煙草生絲水分加水量各數據屬性的權重，通過權重和數據屬性的線性組合得到預測方程，從而得到各算法模型的預測結果；

在步驟2中，對得到的預測結果進行對比具體包括：采用十折交叉驗證法對各算法模型的預測精度進行驗證，經對比判斷后選擇精度最高的算法模型，再與經驗算法結果進行比較，判斷數學模型的可信性；

具體包括以下步驟：

第一步，將數據隨機分為m份，取其中m-1份合并后構建訓練數據集，使用不同的樹回歸算法在訓練數據集上進行訓練，獲得模型參數；將訓練好的模型在余下的一份數據上進行測試，計算模型與數據的均分誤差：

其中，m為樣本的數量，y_i為測試數據中的加水量值，為模型預測值；對m份數據，依次取一份數據作為測試集，共獲得m個預測精度；對以上過程重復m次，將m次共m²個預測精度進行平均，即獲得十折交叉驗證的精度；對不同的算法，選擇精度最高算法作為數據模型；采用樹回歸算法可以抽取出每個因素的權重值，通過權重和屬性的線性組合得到預測方程；

在梯度提升回歸樹中，特征j的權重為特征j在單棵樹中權重的平均值：

其中，M是樹的數量，特征j在單棵樹T中的權重為：

其中，L-1為樹的非葉子節點數量；v_t是與節點t相關聯的特征；1(v_t＝j)表示當v_t＝j時該式取1，否則取0；是分裂前后節點t的均分誤差的減少量；

第二步，根據操作工經驗算法得到預測結果，設生絲水分目標值為前k批生絲水分均值為前k批潤葉加料入口水分均值為當前潤葉加料入口水分為x_t+1，前k批潤葉加料環節加水量均值為操作工經驗算法計算加水量的公式如下：

第三步，將選擇出的模型預測結果與經驗算法計算結果計算均分誤差，如均分誤差小于用戶設定值，即采用模型預測結果進行加水預測。

2.根據權利要求1所述的煙草生絲水分加水量預測方法，其特征在于，在步驟1中，讀取數據庫中的歷史數據，并將采集的數據進行數據清洗、數據集成、數據變換及數據歸約，同時將原始數據與預處理后的數據規范性地存入數據庫，并按照后續系統需求指定輸出相應數據；具體包括以下步驟：

第一步、讀取數據庫中的歷史數據，對數據進行數據預處理，包括數據清洗，對采集數據的缺失值、異常值分別進行合理地替換、插補、均值修正、刪除操作；數據集成：對采集數據的屬性做相關分析檢測，排除重復且多余的數據；數據變換：對采集的數據進行簡單函數變換、規范化處理后轉換為后續軟件分析及處理的數據格式；數據歸約：在盡可能保持數據原貌的前提下最大限度地發現目標數據的有用特征，從而縮減數據規模后精簡數據量；

第二步、在對數據進行預處理后，將原始數據及數據預處理后得到的數據規范性地存入數據庫中，再根據后續系統需求獲取數據庫內指定數據。