[发明专利]一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法

权利要求书

1.一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，包括以下步骤：

S1：数据探索和数据预处理；

S2：特征设计；

S3：单变量分析；

S4：LSTM模型结构；

S5：样本划分；

S6：模型训练；

S7：混合模型；

S8：针对新机台的冷启动问题；

S9：由模型预测输出结果得到机台的运行效率，根据原材料的需求量公式。

2.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S1中：整合汇总内外部数据源所有的原始字段，包括以下步骤；

S11：异常数据和缺失数据进行数据清洗和预处理，剔除缺失率高、相同值的变量，或物联网采集数据存在上抛异常进行数据清洗；

S12：数值型进行归一化；

S13：类别变量转为数值型：对于多状态类型可以先进行类别合并，城市名称，可作为一线城市、二线城市、三线城市归类处理，再采用one-hot编码转化为数值型。

3.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S2中：基于S1将原始字段进行变量衍生，按时间窗口切片、最大值、最小值、次数、求和、平均值、波动值、变异系数；

其中，工厂机台生产运行情况与长时间段内信息有强相关性，对生产过程机台的运行指标，按时间窗口切片做特征衍生，长周期的30、60、90天的机台故障次数、均值，由原子变量和衍生变量生成初版宽表。

4.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S3中：基于S2进一步探索特征变量与目标变量的关系，运行效率和节假日变量相关性分析，计算相关系数R值，取值范围为[-1,1]，绝对值越接近1，相关性越强，绝对值越接近0，相关性越弱，利用曲线图直观表现，设置R值阈，删除与目标变量无关的特征变量，最终形成输入模型宽表。

5.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S4中：采用四层LSTM网络堆叠设计，LSTM模块的层数越多，训练的时候就比较难收敛，Sequential用于初始化神经网络，LSTM用于添加长短期隐藏层，Dropout用于添加防止过拟合的dropout层，Dens用于添加全连接的神经网络层，最后会加一层普通的神经网路层用于输出结果的降维。

6.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S5中：数据时间范围9个月，一个机台一班次为一条记录数据，其中前8个月作为训练集600w和测试150w、后1个月作为验证集50w。

7.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S6中：基于S5中LSTM模型输入是某机台历史30天多维特征数据，模型输出是对应机台未来30天运行效率，模型训练和测试过程，XGBoost模型输入某机台历史1天多维特征数据，输出对应机台未来30天后的预测数据，循环30次。

8.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，其特征在于，针对S7中：通过对LSTM和XGB模型预测结果对比分析发现，LSTM对于机台运行生命周期中停机或低效运行预测效果表现良好，XGB对于正常运行预测表现良好，结合LSTM和XGB的机台不同状态预测表现；

当LSTM预测结果0.5，混合模型预测结果输出为LSTM预测结果；

当LSTM预测结果＝0.5时，混合模型预测结果输出为XGBoost预测结果。