[发明专利]婴儿配方奶粉生产序列多元序列的微场景风险因果关系的预测方法

说明书

本发明提供了婴儿配方奶粉生产序列多元序列的微场景风险因果关系的预测方法，包括：S1、对婴儿配方奶粉的工艺过程指标中的序列进行选择，提取序列数据，形成M条不同源的序列数据，成为数据集D；S2、对数据集D中的序列数据进行平稳化处理，使用滑动时间片扩充数据集D，形成新的数据集Data，数据集Data中包含目标序列和变量序列。本发明对婴幼儿配方奶粉的原料指标、生产工艺参数、成品指标的相关序列，提取相似序列段并排除干扰序列段，通过因果分析选择与目标预测指标最相关的序列段，建立相关微场景进行预测分析，挖掘出对奶粉成品质量影响最大的关键控制点和关键工艺控制参数，并从中找出相对最优值。

技术领域

本发明涉及婴幼儿配方奶粉的质量安全风险监测领域，具体涉及婴儿配方奶粉生产序列多元序列的微场景风险因果关系的预测方法。

背景技术

婴幼儿配方奶粉产品品质除受原料和工艺等影响外，寻找到关键的工序并控制合适工艺参数对产品质量也至关重要。目前，大部分婴幼儿配方奶粉企业在国家标准的规范下，对工艺控制参数设定中间均值的方式，进行管控；少部分企业结合过往研究经验，采用有限的单因素试验，确定关键控制点以及相关工艺控制参数。上述方式，可以简单低门槛地保障产品质量，但相对比较粗放，不能精准地确定关键控制点，无法设置工艺控制的相对最优参数。

对于现有的奶粉序列预测，与目前时间序列预测算法相比：

(1)单元时间序列预测方法：ARIMA模型，自回归滑动平均模型，首先将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归。该方法只适用于单个序列的预测，可以进行多步预测。

(2)LSTM：长短期记忆网络，适用于单个长时间序列的学习预测；目前在单步预测上准确率较高，但对于多步预测并不准确。

(3)多元时间序列预测方法(VAR模型)：即向量自回归模型,是一种常用的经济模型，VAR模型是用模型中所有历史信息对所有变量的若干后续一段时间窗口变量进行回归；可以进行多步预测和风险预测，无法挖掘出各个序列之间的因果关系。

(4)传统的统计回归方法(Naive)。将所有的变量序列作为x，将平移后的目标序列作为y进行预测。该方法操作简单，可以进行多步预测，准确性较低。

对于奶粉时间序列，由于多个因素之间都存在广泛的复杂关系，包括互联关系、因果关系等，这些复杂因素之间的相互作用并不明确；同时这些时间序列中包含着各种复杂的信息，其中许多的干扰信息对预测准确性造成影响。

目前人们在设计和研究的预测方法上有两大缺陷：在时间序列的多步预测上，准确性不高，因此我们需要减少干扰信息的影响，提高准确率；在多元时间序列的预测分析方面，现有的方法都无法挖掘出各个序列之间的因果关系，如多元时间序列预测方法只能进行风险预测而无法解释造成异常的原因。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供婴儿配方奶粉生产序列多元序列的微场景风险因果关系的预测方法。本发明针对婴幼儿配方奶粉的原料指标、生产工艺参数、成品指标的相关序列，提取相似序列段并排除干扰序列段，通过因果分析选择与目标预测指标最相关的序列段，建立相关微场景进行预测分析，科学地挖掘出对奶粉成品质量影响最大的关键控制点和关键工艺控制参数，并从中找出相对最优值。

为解决上述技术问题，本发明通过下述技术方案实现：

婴儿配方奶粉生产序列多元序列的微场景风险因果关系的预测方法，其特征在于：

所述预测方法包括如下步骤：

S1、对婴儿配方奶粉的主工艺过程指标中的序列进行选择，提取序列数据，形成M条不同源的序列数据，成为数据集D；

S2、对数据集D中的序列数据进行平稳化处理，使用滑动时间片扩充数据集D，形成新的数据集Data，数据集Data中包含目标序列和变量序列；