[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

说明书

本发明公开了一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，属于产能预测技术领域，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。本发明提出的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，通过全面分析产能影响因素，采用了XGBoost与LSTM混合模型进行时间序列产能预测方法，根据历史30天的数据，可实现预测未来30天的机台产能。

技术领域

本发明涉及产能预测技术领域，特别涉及一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法。

背景技术

随着智能制造技术的应用推广，我国纺织服装行业也在不断升级改造，以数字化为基础，将数字化与互联网以及工业云技术相结合，驱动着纺织行业供应链的智能化转型提升。本项目是针对纺织供应链中坯布厂作为金融授信主体，为了确认授信主体的授信额度大小，即对坯布厂的金融订单的资金需求主要是采购原材料，那么对坯布厂进行未来产能预测迫在眉睫，如图1所示。以往纺织行业工厂开工率、设备运行效率预测，大多是以业内人的经验估算、传统的单变量预测或采用机器学习算法进行预测。

发明内容

本发明的目的在于提供一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。