[发明专利]一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法

权利要求书

1.一种基于时间差分的增量学习XGBOOST模型的自适应软测量建模方法，其特征在于，包括以下步骤：

S1：假设工业生产过程在历史t时刻的输入输出采样值分别为x(t)和y(t)，首先分别计算过程输入变量和目标变量的时间差分量，即：Δx(t)＝x(t)-x(t-1)，Δy(t)＝y(t)-y(t-1)，得到历史差分数据集ΔX(t)和ΔY(t),其中，ΔX(t)∈R^L×N，ΔY(t)∈R^L，L和N分别代表样本数和输入变量维度；

S2：调用XGBOOST建模算法在历史差分数据集ΔX(t)和ΔY(t)上建立XGBOOST模型，调整模型参数得到均方差最小的XGBOOST模型结构，得到历史输入差分变量和历史目标差分变量间的回归模型ΔY(t)＝f(ΔX(t))；

S3：当新的数据样本到来时，调用基于XGBOOST的增量学习算法更新S2中得到的回归模型，得到自适应回归模型ΔY(t)＝f_adapt(ΔX(t))，该学习算法在保留历史数据信息的前提下，依据新样本间的变量关系更新回归模型的叶子结点权值，进而实现对回归模型进行自适应更新；

S4：对待测样本进行估计时，首先通过计算该样本与上一时刻样本的差值得到该样本的差分量Δx(t_test)＝x(t_test)-x(t_test-1)，再利用S3得到的自适应回归模型计算输出的差分量：Δy(t_test)＝f_adapt(Δx(t_test))，则待测样本估计值y(t_test)＝Δy(t_test)+y(t_test-1)，其中Δy(t_test)代表用自适应回归模型预测输出的差分量，y(t_test-1)代表待测样本上一时刻的采样值；

所述的S2中在确定均方差最小的XGBOOST模型结构时，子树的深度设置为3，学习率设置为0.1，然后采用交叉验证的方法得到最佳模型参数；

所述的S3中调用基于XGBOOST的增量学习算法时设置process_type的参数类型为update，refresh_leaf的参数类型为True。