(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211272695.X (22)申请日 2022.10.18 (71)申请人 浙江砖助智连科技有限责任公司 地址 324022 浙江省衢州市衢江区龙海路5 号科创中心5 03室 (72)发明人 张文　崔浩亮　高航　史成洁　 (74)专利代理 机构 武汉菲翔 知识产权代理有限 公司 42284 专利代理师 李慧奇 (51)Int.Cl. G06F 30/20(2020.01) G06F 111/10(2020.01) (54)发明名称 一种基于自回归模型的造纸清水流量预测 智能预测模型 (57)摘要 本发明公开了一种基于自回归模型的造纸 清水流量预测 智能预测模型， 涉及预测模型技术 领域， 具体包括以下步骤， 流量规律分析， 通过数 学建模思想， 首先将造纸清水流量预测实际问题 转化为数学问题， 围绕其周期性、 波动性， 对造纸 清水流量数据的趋势变化进行分析， 作为后面数 据预处理的先行步骤。 该基于自回归模型的造纸 清水流量预测 智能预测模型， 在实时获取相关设 备数据的前提下， 对造纸清水流量进行实时预 测， 以实现动态监测实时进水量， 便于异常情况 及时发现以及为新水取用量的优化措施提供数 据支撑， 本模型采用整合移动平均 自回归模型， 充分考虑了造纸清水流量在实际工业生产过程 中的变化规律， 能够利用其存在的周期规律特 性。 权利要求书2页 说明书5页 附图1页 CN 115470658 A 2022.12.13 CN 115470658 A 1.一种基于自回归模型的造纸清水流量预测智能预测模型， 其特征在于： 包括以下步 骤， S1： 流量规律分析， 通过数学建模思想， 首先将造纸清水流量预测实际问题转化为数学 问题， 围绕其周期性、 波动性， 对造纸清水流量数据的趋势变化进行分析， 作为后面数据预 处理的先行步骤， 与大多数工业场景下的数据相同， 造纸清水流量是一种时间序列数据， 时间序列(或称 动态数列)是指将同一统计指标 的数值按其发生的时间先后顺序排列而成的数列， 常用单 变量的预测常用回归方法和时间序列法， 第二， 在整个制浆造纸工艺过程中， 造纸清水流量 与许多设备以及这些设备的相关数据都具有相关性， 采用特征工程的方法未取得较好效 果， 第三， 由工艺流程所致， 造纸清水流量整体呈现出周期性变化的特点， 但是其周期性的 时间粒度与工业场景下对造纸清水流量的监控采集到的数据的时间粒度往往并不一致， 第 四， 造纸清水流量存在周期性的同时， 其趋势随时间存在波动性变化， 并且数据整体的波峰 波谷差异较大； S2： 平稳性分析， 对 时 间 序 列 的 预 测 ， 较 常 见 的 有 整 合 移 动 平 均 自 回 归 模 型 ( A R I M A , AutoregressiveIntegrated  Moving Average Model)， 由自回归模型(AR)、 移动平均模型 (MA)组成， 主要参数有自回归模型阶数p、 差分阶数d以及移动平均模 型阶数q， 使用ARIMA模 型对数据的平稳性有要求， 通过采用ADF(Augmented  Dickey‑Fuller)检验(即单位根检验) 的方法， ADF检验的H0假设就是存在单位根， 如果得到的显著 性检验统计量小于三个置信度 (10％， 5％， 1％)， 则对应有(90％， 95， 9 9％)的把握来拒绝原假设； S3： 数据预处理， 目的是对原始造纸清水流量数据按照一定规则进行预先处理， 以使其 输入模型后更易拟合， 提高模型精准度， S4： 相关性分析确定模型阶数； 使用自相关函数(ACF)和 偏自相关函数(PACF)测量当前序列 值与过去序列 值之间的相 关性， 通过观 察ACF和PACF的截尾(某阶后均为0)， 可以大致确定移动平均模 型阶数q和自回 归模型阶数p， S5： 训练模型； 根据实际历史数据输入 模型， 训练计算得 可用于后续计算预测的模型； S6： 预测， 利用上一步得到的模型， 以及 当前时刻的历史数据， 计算得到对目标的预测值， 随机选 取三个不连续的日期的数据进行测试， 比较本文使用重采样&滑动平均的方法与仅采取一 阶方差、 二阶方差的方法， 通过MAE,MSE,R2,RE指标可以直观 地看出本文方法的在R2和RE指 标上的优势。 2.根据权利要求1所述的一种基于自回归模型的造纸清水流量预测智能预测模型， 其 特征在于： 所述S3的具体步骤 包括， 步骤一、 分析造纸清水流量的整体变化趋势规律， 造纸清水流量数值主要在两个区间 内交替变化， 即高水平区间和低水平区间， 步骤二、 简单分析计算具体场景下造纸清水流量的周期变化特性， 本案例中周期约在 30分钟这个级别， 步骤三、 对造纸清水流量数据进行重采样， 改变了数据的时间粒度的同时， 对数据的波权　利　要　求　书 1/2 页 2 CN 115470658 A 2动幅度也有一定缩小的作用， 而且减少了锯齿的数量使图像更平滑， 使周期性更易体现， 本 案例中， 由秒级的数据重采样为分钟级的数据， 步骤四、 对数据进行滑动窗口取平均的操作， 滑动窗口一般根据 具体数据情况设定， 选 取最优值， 经过滑动平均后生成的新序列波动更小且规律表现得简单， 使用这样的序建模 将更高效， 模型的泛化能力也更强， 并且预测结果只需要逆向滑动即可还原， 以阶数20为 例， 公式如下： TSorigial＝[t1， t2， ...， tp， ...tn] TSmoving＝[m1， m2， ...， mq， ...， ml] l＝n‑degree+1 式中： n是原序列长度； l是新序列长度； degre e是滑动阶数。权　利　要　求　书 2/2 页 3 CN 115470658 A 3