CN113076309A - 烟草生丝水分加水量预测系统及方法 - Google Patents

烟草生丝水分加水量预测系统及方法 Download PDF

Info

Publication number
CN113076309A
CN113076309A CN202110325608.1A CN202110325608A CN113076309A CN 113076309 A CN113076309 A CN 113076309A CN 202110325608 A CN202110325608 A CN 202110325608A CN 113076309 A CN113076309 A CN 113076309A
Authority
CN
China
Prior art keywords
data
prediction
layer
algorithm
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110325608.1A
Other languages
English (en)
Other versions
CN113076309B (zh
Inventor
王荥
梁怡梅
卓亮
何林洋
张晖
李学军
谢正全
李培茂
夏勇
韩翔雨
胡艺川
张晓勇
张婧
黄锐
秦玉轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Sichuan Industrial Co Ltd
Southwest University of Science and Technology
Original Assignee
China Tobacco Sichuan Industrial Co Ltd
Southwest University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Tobacco Sichuan Industrial Co Ltd, Southwest University of Science and Technology filed Critical China Tobacco Sichuan Industrial Co Ltd
Priority to CN202110325608.1A priority Critical patent/CN113076309B/zh
Publication of CN113076309A publication Critical patent/CN113076309A/zh
Application granted granted Critical
Publication of CN113076309B publication Critical patent/CN113076309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种烟草生丝水分加水量预测系统，包括数据采集层、数据预处理层、数据存取层、算法模型预测层、模型对比判断层；据采集层用于对接历史数据库系统，完成数据的采集；数据预处理层用于将采集的数据进行数据预处理；数据存取层用于存储预处理后的规范化数据，并完成数据提取；算法模型预测层用于对数据采用不同的算法模型进行生丝水分加水量的结果预测；模型对比判断层用于对比不同算法模型的预测结果，选择合适的算法模型；本发明还公开了一种烟草生丝水分加水量预测方法，本发明采用不同算法得到生丝水分加水量的预测结果，并结合人工经验对预测结果进行校正，便于选择更合适的模型，以此满足在强关联性、大数据量的加水量预测需求。

Description

烟草生丝水分加水量预测系统及方法
技术领域
本发明涉及大数据分析与烟草制丝生产技术领域，特别是一种烟草生丝水分加水量预测系统及方法。
背景技术
烟草生丝水分是指在烟丝生产过程中进行烘丝前测定的烟丝含水率。烟草生丝水分对烘丝后的出口水分具有十分重要的影响，而出口水分是影响烟丝质量最重要的因素之一，因此烟草生丝水分对最终生产出的烟丝是否合格起到关键性的作用。烟草生丝水分加水量受制丝过程中的润叶加料入口水分、车间环境温湿度、大滞后储叶时长和外部天气情况等多种可控及不可控因素的密切交叉影响，且存在大滞后存储环节，导致建模困难，很难采用传统的控制方法进行控制，目前都是采用人工方式进行控制。操作工在操作时只能考虑几个主要因素，不能全方位考虑各种影响因素的作用。而经过多年的积累，目前已经积累了大量数据，本发明通过对数据的分析，确定适宜的加水量预测方法并予以实现。
发明内容
为解决现有技术中存在的问题，本发明针对生丝水分在加水过程中存在影响因素多、数据量大的问题，提供一种基于数据相关性分析的烟草生丝水分加水量预测系统及方法。
为实现上述目的，本发明采用的技术方案是：一种烟草生丝水分加水量预测系统，包括数据采集层、数据预处理层、数据存取层、算法模型预测层、模型对比判断层，其中：
所述数据采集层用于对接历史数据库系统，完成所需数据的采集；
所述数据预处理层用于将采集的数据进行数据预处理；
所述数据存取层用于存储预处理后的规范化数据，并完成数据提取；
所述算法模型预测层用于对数据采用不同的算法模型进行生丝水分加水量的结果预测；
所述模型对比判断层用于对比不同算法模型的预测结果，选择更为合适的算法模型。
作为本发明的进一步改进，所述数据预处理层对采集的数据进行数据预处理具体包括：
数据清洗：对采集数据的缺失值、异常值分别进行合理地替换、插补、均值修正、删除操作；
数据集成：对采集数据的数据属性做相关分析检测，排除重复且多余的数据；
数据变换：对采集的数据进行函数变换、规范化处理后转换为后续软件分析及处理的数据格式；
数据归约：在尽可能保持数据原貌的前提下最大限度地发现目标数据的有用特征，从而缩减数据规模后精简数据量。
作为本发明的进一步改进，所述算法模型采用多种树回归算法进行建模，多种所述树回归算法包括回归树、梯度提升回归树、随机森林、XGboost、LightGBM和catboost算法。
作为本发明的进一步改进，所述算法模型采用树回归算法抽取出烟草生丝水分加水量各数据属性的权重，通过权重和数据属性的线性组合得到预测方程，从而得到各算法模型的预测结果。
作为本发明的进一步改进，所述模型对比判断层采用十折交叉验证法对各算法模型的预测精度进行验证，经对比判断后选择精度最高的算法模型，再与经验算法结果进行比较，判断数学模型的可信性。
本发明还提供一种烟草生丝水分加水量预测方法，包括以下步骤：
步骤1、对采集的历史数据进行数据预处理，再通过数据库对原始数据及数据预处理后的数据进行规范性存储和指定输出；
步骤2、对数据采用不同的算法模型进行生丝水分加水量的结果预测，得到各算法模型的预测结果，并对得到的预测结果进行对比，选择精度最高的算法模型。
作为本发明的进一步改进，在步骤1中，读取数据库中的历史数据，并将采集的数据进行数据清洗、数据集成、数据变换及数据归约，同时将原始数据与预处理后的数据规范性地存入数据库，并按照后续系统需求指定输出相应数据；具体包括以下步骤：
第一步、读取数据库中的历史数据，对数据进行数据预处理，包括数据清洗，对采集数据的缺失值、异常值分别进行合理地替换、插补、均值修正、删除操作)；数据集成：对采集数据的属性做相关分析检测，排除重复且多余的数据；数据变换：对采集的数据进行简单函数变换、规范化处理后转换为后续软件分析及处理的数据格式；数据归约：在尽可能保持数据原貌的前提下最大限度地发现目标数据的有用特征，从而缩减数据规模后精简数据量；
第二步、在对数据进行预处理后，将原始数据及数据预处理后得到的数据规范性地存入数据库中，再根据后续系统需求获取数据库内指定数据。
作为本发明的进一步改进，步骤2中的算法模型采用多种树回归算法进行建模，多种所述树回归算法包括回归树、梯度提升回归树、随机森林、XGboost、LightGBM和catboost算法。
作为本发明的进一步改进，所述算法模型采用树回归算法抽取出烟草生丝水分加水量各数据属性的权重，通过权重和数据属性的线性组合得到预测方程，从而得到各算法模型的预测结果。
作为本发明的进一步改进，在步骤2中，对得到的预测结果进行对比具体包括：采用十折交叉验证法对各算法模型的预测精度进行验证，经对比判断后选择精度最高的算法模型，再与经验算法结果进行比较，判断数学模型的可信性。
本发明的有益效果是：
1、本发明根据数据采集的情况，采用多种树回归算法对其进行建模，再结合十折交叉验证法对预测的精度进行验证，选取合适的数据预测模型，进而得到各影响因素的影响因子及预测方程。
2、本发明实现了操作工的经验算法，该算法所考虑的数据属性与采集的数据相比较少，用来对所选取的数据预测模型进行验证，如二者结果相差不大，则采信所获得的数据模型。
附图说明
图1为本发明实施例中烟草生丝水分加水量预测系统的结构图；
图2为本发明实施例中烟草生丝水分加水量预测方法的流程图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示，一种烟草生丝水分加水量预测系统，包括数据采集层、数据预处理层、数据存取层、算法模型预测层、模型对比判断层。
其中数据采集层是对接历史数据库系统，完成数据模型中所需数据的采集，确保数据能够成功有效地获取。
其中数据预处理层将采集的数据进行数据预处理，包含数据清洗(对采集数据的缺失值、异常值分别进行合理地替换、插补、均值修正、删除等操作)、数据集成(对采集数据的属性做相关分析检测，排除重复且多余的数据)、数据变换(对采集的数据进行规范化处理，使后续的数据分析不受数据单位的影响)，该过程对后续模型训练、优化打下了坚实的数据基础，极大地减少了因数据异常而带来的各种问题。
其中数据存取层是存储预处理后的规范化数据，并根据模型计算的要求完成数据提取。因此，数据存取层是数据输入与数据输出的重要保证，同时也是本系统成功实现的重要基础。
其中算法模型预测层是对采集的数据采用多种树回归算法构建数据模型，再进行数据的关联性分析与计算，从而得到生丝水分加水量的预测结果。
其中模型对比判断层采取十折交叉验证法对各数据模型的预测精度进行对比，选择出精度最高的数据模型，最后将此算法模型各影响因素的影响因子进行线性加权后，得出该模型的预测方程。如模型的预测结果与操作工经验算法的预测结果差距不大，则接受该模型。
如图2所示，本发明还提供了一种烟草生丝水分加水量预测方法，具体步骤如下：
步骤1，对采集的所有历史数据进行数据预处理，再通过数据库对原始数据及数据预处理后的数据进行规范性存储和指定输出；该步骤详细描述为：
第一步，根据操作人员与管理人员提供的资料信息，梳理预测所需要且能够采集到的相关数据属性，为采集数据做好基础，采集到的各种数据属性如表1所示。
表1生丝水分加水量重要影响因素表
Figure BDA0002994532590000061
Figure BDA0002994532590000071
第二步，数据预处理层将采集的数据进行数据预处理，包含数据清洗(对采集数据的缺失值、异常值分别进行合理地替换、插补、均值修正、删除等操作)、数据集成(对采集数据的属性做相关分析检测，排除重复且多余的数据)、数据变换(对采集的数据进行规范化处理，使后续的数据分析不受数据单位的影响)，该过程对后续模型训练、优化打下了坚实的数据基础，减少数据异常带来的各种问题。
第三步，根据第一步确定的需要采集的属性，通过数据库对历史数据及数据预处理过程后的数据进行规范性存储，并根据模型计算的要求从数据库中完成指定数据的输出。
步骤2，基于回归树、梯度提升回归树、随机森林、XGboost、LightGBM和catboost算法分别构建数据预测模型，以上基于树的回归算法可在对数据进行预测的同时获得各属性的重要性权重，从而可以对采集的数据进行关联性分析与计算。通过十折交叉验证得到各数据模型的预测精度，并对各模型获得到的预测精度进行比较，选取精度最高的数据模型。如数据模型的预测结果与经验算法结果误差较小，则采纳该预测模型，并根据预测模型得到预测方程。该步骤详细描述为：
第一步，将数据随机分为10份，取其中9份合并后构建训练数据集，使用不同的树回归算法在训练数据集上进行训练，获得模型参数。将训练好的模型在余下的一份数据上进行测试，计算模型与数据的均分误差：
Figure BDA0002994532590000072
其中，m为样本的数量，yi为测试数据中的加水量值，
Figure BDA0002994532590000073
为模型预测值。对10份数据，依次取一份数据作为测试集，共获得10个预测精度；对以上过程重复10次，将10次共100个预测精度进行平均，即获得十折交叉验证的精度。对不同的算法，选择精度最高算法作为数据模型。采用树回归算法可以抽取出每个因素的权重值，通过权重和属性的线性组合得到预测方程。以梯度提升回归树为例，特征j的权重为特征j在单棵树中权重的平均值：
Figure BDA0002994532590000081
其中，M是树的数量。特征j在单棵树T中的权重为：
Figure BDA0002994532590000082
其中，L-1为树的非叶子节点数量；vt是与节点t相关联的特征；1(vt＝j)表示当vt＝j时该式取1，否则取0；
Figure BDA0002994532590000083
是分裂前后节点t的均分误差的减少量。
第二步，根据操作工经验算法得到预测结果，操作工在加水时只考虑了生丝水分均值、生丝水分目标值、润叶加料入口水分几个因素。设生丝水分目标值为
Figure BDA0002994532590000084
前5批生丝水分均值为
Figure BDA0002994532590000085
前5批润叶加料入口水分均值为
Figure BDA0002994532590000086
当前润叶加料入口水分为xt+1，前5批润叶加料环节加水量均值为
Figure BDA0002994532590000087
操作工经验算法计算加水量的公式如下，具体步骤如表2所示。
Figure BDA0002994532590000088
(其中k＝5)
Figure BDA0002994532590000089
第三步，将步骤1选择出的模型预测结果与第二步经验算法计算结果计算均分误差，如均分误差小于用户设定值，即采用第一步模型预测结果进行加水预测。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种烟草生丝水分加水量预测系统，其特征在于，包括数据采集层、数据预处理层、数据存取层、算法模型预测层、模型对比判断层，其中：
所述数据采集层用于对接历史数据库系统，完成所需数据的采集；
所述数据预处理层用于将采集的数据进行数据预处理；
所述数据存取层用于存储预处理后的规范化数据，并完成数据提取；
所述算法模型预测层用于对数据采用不同的算法模型进行生丝水分加水量的结果预测；
所述模型对比判断层用于对比不同算法模型的预测结果，选择更为合适的算法模型。
2.根据权利要求1所述的烟草生丝水分加水量预测系统，其特征在于，所述数据预处理层对采集的数据进行数据预处理具体包括：
数据清洗：对采集数据的缺失值、异常值分别进行合理地替换、插补、均值修正、删除操作；
数据集成：对采集数据的数据属性做相关分析检测，排除重复且多余的数据；
数据变换：对采集的数据进行函数变换、规范化处理后转换为后续软件分析及处理的数据格式；
数据归约：在尽可能保持数据原貌的前提下最大限度地发现目标数据的有用特征，从而缩减数据规模后精简数据量。
3.根据权利要求1所述的烟草生丝水分加水量预测系统，其特征在于，所述算法模型采用多种树回归算法进行建模，多种所述树回归算法包括回归树、梯度提升回归树、随机森林、XGboost、LightGBM和catboost算法。
4.根据权利要求3所述的烟草生丝水分加水量预测系统，其特征在于，所述算法模型采用树回归算法抽取出烟草生丝水分加水量各数据属性的权重，通过权重和数据属性的线性组合得到预测方程，从而得到各算法模型的预测结果。
5.根据权利要求1所述的烟草生丝水分加水量预测系统，其特征在于，所述模型对比判断层采用十折交叉验证法对各算法模型的预测精度进行验证，经对比判断后选择精度最高的算法模型，再与经验算法结果进行比较，判断数学模型的可信性。
6.一种烟草生丝水分加水量预测方法，其特征在于，包括以下步骤：
步骤1、对采集的历史数据进行数据预处理，再通过数据库对原始数据及数据预处理后的数据进行规范性存储和指定输出；
步骤2、对数据采用不同的算法模型进行生丝水分加水量的结果预测，得到各算法模型的预测结果，并对得到的预测结果进行对比，选择精度最高的算法模型。
7.根据权利要求6所述的烟草生丝水分加水量预测方法，其特征在于，在步骤1中，读取数据库中的历史数据，并将采集的数据进行数据清洗、数据集成、数据变换及数据归约，同时将原始数据与预处理后的数据规范性地存入数据库，并按照后续系统需求指定输出相应数据；具体包括以下步骤：
第一步、读取数据库中的历史数据，对数据进行数据预处理，包括数据清洗，对采集数据的缺失值、异常值分别进行合理地替换、插补、均值修正、删除操作)；数据集成：对采集数据的属性做相关分析检测，排除重复且多余的数据；数据变换：对采集的数据进行简单函数变换、规范化处理后转换为后续软件分析及处理的数据格式；数据归约：在尽可能保持数据原貌的前提下最大限度地发现目标数据的有用特征，从而缩减数据规模后精简数据量；
第二步、在对数据进行预处理后，将原始数据及数据预处理后得到的数据规范性地存入数据库中，再根据后续系统需求获取数据库内指定数据。
8.根据权利要求6所述的烟草生丝水分加水量预测方法，其特征在于，步骤2中的算法模型采用多种树回归算法进行建模，多种所述树回归算法包括回归树、梯度提升回归树、随机森林、XGboost、LightGBM和catboost算法。
9.根据权利要求8所述的烟草生丝水分加水量预测方法，其特征在于，所述算法模型采用树回归算法抽取出烟草生丝水分加水量各数据属性的权重，通过权重和数据属性的线性组合得到预测方程，从而得到各算法模型的预测结果。
10.根据权利要求6所述的烟草生丝水分加水量预测方法，其特征在于，在步骤2中，对得到的预测结果进行对比具体包括：采用十折交叉验证法对各算法模型的预测精度进行验证，经对比判断后选择精度最高的算法模型，再与经验算法结果进行比较，判断数学模型的可信性。
CN202110325608.1A 2021-03-26 2021-03-26 烟草生丝水分加水量预测系统及方法 Active CN113076309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110325608.1A CN113076309B (zh) 2021-03-26 2021-03-26 烟草生丝水分加水量预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110325608.1A CN113076309B (zh) 2021-03-26 2021-03-26 烟草生丝水分加水量预测系统及方法

Publications (2)

Publication Number Publication Date
CN113076309A true CN113076309A (zh) 2021-07-06
CN113076309B CN113076309B (zh) 2023-05-09

Family

ID=76610553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110325608.1A Active CN113076309B (zh) 2021-03-26 2021-03-26 烟草生丝水分加水量预测系统及方法

Country Status (1)

Country Link
CN (1) CN113076309B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862039A (zh) * 2022-05-25 2022-08-05 湖北中烟工业有限责任公司 一种卷烟制丝工序物料损耗的预警方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014200256A1 (en) * 2007-04-18 2014-01-30 Tethys Bioscience, Inc. Diabetes-related biomarkers and methods of use thereof
CN110852178A (zh) * 2019-10-17 2020-02-28 天津大学 基于提升决策树的钢琴乐谱难度识别方法
CN111144667A (zh) * 2020-01-16 2020-05-12 红云红河烟草(集团)有限责任公司 一种基于梯度提升树的烟草回潮机出料含水率预测方法
CN111582359A (zh) * 2020-04-28 2020-08-25 新疆维吾尔自治区烟草公司 一种图像识别方法、装置、电子设备及介质
CN111597729A (zh) * 2020-05-27 2020-08-28 北京天泽智云科技有限公司 加工设备工艺参数优化方法及系统
CN111950795A (zh) * 2020-08-18 2020-11-17 安徽中烟工业有限责任公司 基于随机森林的松散回潮加水比例的预测方法
CN112273696A (zh) * 2020-10-30 2021-01-29 红云红河烟草(集团)有限责任公司 切丝后水分控制方法、装置以及设备
CN112273695A (zh) * 2020-10-30 2021-01-29 红云红河烟草(集团)有限责任公司 松散回潮出口含水率预测方法、装置以及设备
CN112330064A (zh) * 2020-11-26 2021-02-05 中国石油大学(华东) 一种基于集成学习的新钻井工作量预测方法
CN112446518A (zh) * 2019-08-30 2021-03-05 华北电力大学（保定） 基于EMD分解的EMD-XGBoost中长期风电电量预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2014200256A1 (en) * 2007-04-18 2014-01-30 Tethys Bioscience, Inc. Diabetes-related biomarkers and methods of use thereof
CN112446518A (zh) * 2019-08-30 2021-03-05 华北电力大学（保定） 基于EMD分解的EMD-XGBoost中长期风电电量预测方法
CN110852178A (zh) * 2019-10-17 2020-02-28 天津大学 基于提升决策树的钢琴乐谱难度识别方法
CN111144667A (zh) * 2020-01-16 2020-05-12 红云红河烟草(集团)有限责任公司 一种基于梯度提升树的烟草回潮机出料含水率预测方法
CN111582359A (zh) * 2020-04-28 2020-08-25 新疆维吾尔自治区烟草公司 一种图像识别方法、装置、电子设备及介质
CN111597729A (zh) * 2020-05-27 2020-08-28 北京天泽智云科技有限公司 加工设备工艺参数优化方法及系统
CN111950795A (zh) * 2020-08-18 2020-11-17 安徽中烟工业有限责任公司 基于随机森林的松散回潮加水比例的预测方法
CN112273696A (zh) * 2020-10-30 2021-01-29 红云红河烟草(集团)有限责任公司 切丝后水分控制方法、装置以及设备
CN112273695A (zh) * 2020-10-30 2021-01-29 红云红河烟草(集团)有限责任公司 松散回潮出口含水率预测方法、装置以及设备
CN112330064A (zh) * 2020-11-26 2021-02-05 中国石油大学(华东) 一种基于集成学习的新钻井工作量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何毅 等: "基于梯度提升树的烟草回潮机出料含水率预测", 《软件》 *
王柯林 等: "基于随机森林的抗混淆Android恶意应用检测", 《信息安全研究》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862039A (zh) * 2022-05-25 2022-08-05 湖北中烟工业有限责任公司 一种卷烟制丝工序物料损耗的预警方法及装置

Also Published As

Publication number Publication date
CN113076309B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN110245802B (zh) 基于改进梯度提升决策树的卷烟空头率预测方法及系统
CN111597729B (zh) 加工设备工艺参数优化方法及系统
CN110990784B (zh) 一种基于梯度提升回归树的烟支通风率预测方法
CN111144667A (zh) 一种基于梯度提升树的烟草回潮机出料含水率预测方法
CN112699605B (zh) 一种充电桩故障元件预测方法及系统
CN107563672A (zh) 一种基于层次分析法构建卷烟制丝质量评价模型的方法
CN107797916B (zh) Ddl语句审核方法和装置
CN112163527B (zh) 一种基于融合模型的烟叶烘烤状态识别方法、装置和系统
CN109242037B (zh) 一种烟叶品质相似度度量方法
CN112273695A (zh) 松散回潮出口含水率预测方法、装置以及设备
CN112257947A (zh) 制烟环境温湿度预测方法、装置以及设备
CN111950795A (zh) 基于随机森林的松散回潮加水比例的预测方法
CN113076309A (zh) 烟草生丝水分加水量预测系统及方法
CN110876481B (zh) 一种烟草烘丝参数的控制方法和装置
CN117852949A (zh) 一种烟叶烘烤自动评价考核方法
CN113127464A (zh) 农业大数据环境特征处理方法、装置及电子设备
WO2024164434A1 (zh) Dcs系统中反应堆堆芯热功率测量方法与装置
CN116383623A (zh) 一种基于机器学习卷烟机剔除率特征选取的方法
CN116843225A (zh) 基于lstm和tpa机制的制丝加香工艺质量预测方法、系统
CN115169751B (zh) 一种提高中药饮片的养护质量的方法及系统
CN116268521A (zh) 一种加料机自适应智能控制系统
CN115809242A (zh) 气象数据存储方法及系统
CN110675919A (zh) 一种基于k-近邻方法的烘丝过程入口水份预测方法及系统
CN109508859A (zh) 一种影响叶丝填充值的关键制丝过程参数智能识别方法
CN114062303B (zh) 烟叶均匀性的监控方法、系统、介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant