[发明专利]一种离子浓度预测方法、装置和计算机存储介质

说明书

本发明涉及一种离子浓度预测方法、装置和计算机存储介质，方法包括采集多个离子浓度原始数据，并根据所述离子浓度原始数据制作数据集；按照交叉验证法将所述数据集分为训练集和测试集，并对所述训练集进行训练，构建训练好的回归模型；根据所述回归模型对所述测试集进行仿真预测，得到离子浓度预测值。本发明的基于极端随机树的离子浓度预测方法通过建立极端随机树的回归预测模型，可以分析简化数据，学习速度快，预测性能好，且在特征量属性较少或数据量不够时，能精确预测离子浓度，可以广泛推广于钾肥生产等化工和农业领域。

技术领域

本发明涉及离子浓度预测技术领域，尤其涉及一种离子浓度预测方法、装置和计算机存储介质。

背景技术

目前在化工生产和农业生产中，例如在钾肥生成中，通过提前对盐田中的钾离子进行预测，可以有效提高钾肥的生产效率，提高钾肥的生产质量，因此离子浓度预测具有重要意义，而离子浓度预测可通过构建回归预测模型来预测。

常用的回归离子浓度预测模型有多种，包括偏最小二乘法、BP神经网络算法、K最近邻分类算法和线性判别分析法等，其中，偏最小二乘法在建立回归模型的同时可以进行主成分分析简化数据，预测性能较好，但是仅在少数情况下使用具有优势；BP神经网络算法具有很强的非线性映射能力和自学习能力，但是学习速度慢，容易出现“过拟合”现象；K最近邻分类算法适合属性较多或者数据量很大的问题，但是花费时间较长，对于观测集的增长速度有较高要求；线性判别分析法属于有监督的学习降维，不适合非高斯分布样本进行降维，可能会过度拟合数据。因此当数据属性较少或数据量较少时，还没有一种有效的回归预测模型来精确预测离子浓度。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种离子浓度预测方法、装置和计算机存储介质。

本发明解决上述技术问题的技术方案如下：

一种离子浓度预测方法，包括以下步骤：

步骤1：采集多个离子浓度原始数据，并根据所述离子浓度原始数据制作数据集；

步骤2：按照交叉验证法将所述数据集分为训练集和测试集，并对所述训练集进行训练，构建训练好的回归预测模型；

步骤3：根据所述回归预测模型对所述测试集进行仿真预测，得到离子浓度预测值。

本发明的有益效果是：通过采集多个离子浓度原始数据制作数据集，并将数据集分为训练集和测试集，通过对训练集进行训练，构建回归预测模型，并根据训练好的回归预测模型对测试集进行仿真预测，可以得到准确的离子浓度预测值。其中，训练好的回归预测模型除了可对测试集进行仿真预测，同时还可对训练集进行仿真预测，得到整个数据集的离子浓度预测值。本发明通过建立的回归预测模型，可以分析简化数据，学习速度快，预测性能好，且在特征量属性较少或数据量不够时，能精确预测离子浓度，可以广泛推广于钾肥生产等化工和农业领域，提高生产效率和生产质量。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步：所述步骤1中还包括：

步骤11：对所述离子浓度原始数据进行归一化处理，得到归一化处理后的离子浓度数据；

步骤12：提取所述离子浓度数据的特征量和所述特征量对应的特征值，并根据所述特征量和对应的所述特征值制成数据集。

上述进一步方案的有益效果是：通过归一化处理，可以将不同的离子浓度原始数据统一成同一格式，便于后续提取同一格式下的离子浓度数据的特征量和特征量对应的特征值，进而方便根据特征量和对应的特征值制成的数据集进行训练，以使采用训练好的回归预测模型对测试集仿真预测的离子浓度预测值更准确。

进一步：所述特征量包括采集时间、采集地点、采集容器编号、离子类型和离子浓度。