叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型

doi:10.12068/j.issn.1005-3026.2023.09.004

东北大学学报（自然科学版） ›› 2023, Vol. 44 ›› Issue (9): 1245-1250.DOI: 10.12068/j.issn.1005-3026.2023.09.004

叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型

黄传奇，任昱乾，吴朝霞

(东北大学秦皇岛分校控制工程学院，河北秦皇岛066000)

发布日期:2023-09-28
通讯作者: 黄传奇
作者简介:黄传奇(1998-)，男，山东菏泽人，东北大学硕士研究生；吴朝霞(1969-)，女，浙江嘉兴人，东北大学教授.
基金资助:
河北省教育厅科学技术研究资助项目(BJ2021099).

A Stacked Generalization Ensemble-based Hybrid LGBM-RF-XGB Model for Sintering Moisture Prediction

HUANG Chuan-qi， REN Yu-qian， WU Zhao-xia

College of Control Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066000， China.

Published:2023-09-28
Contact: WU Zhao-xia
About author:-
Supported by:
-

摘要/Abstract

摘要： 针对烧结混合料水分预测的问题，引入了基于叠加泛化集成的建模方法，提出了Robust Scaler-Rank Gauss (RS-RG) 混合算法对输入叠加模型的数据进行处理，进而建立了基于叠加泛化集成的烧结混合料水分预测轻量梯度提升机-随机森林-极端梯度提升机(LGBM-RF-XGB)混合模型，可以在烧结料混合前预知水分值.LGBM-RF-XGB叠加模型的内部机制是先从LGBM和 RF模型生成元数据，再使用 XGB模型计算最终预测.结合烧结现场数据，将提出的叠加模型与多个基准模型进行了对比仿真实验.结果表明，所提出叠加模型的精度和误差均优于用于对比的基准模型，满足烧结工艺要求，可以用于实际生产中的烧结混合料水分提前预测，为加水量自动控制提供理论依据.

关键词: 烧结混合料水分；轻量梯度提升机 (LGBM)；随机森林(RF)；极端梯度提升机(XGB)；RS-RG数据处理

Abstract: In order to predict the moisture of the mixture， a modeling method based on stacked generalization ensemble is introduced， and a Robust Scaler-Rank Gauss (RS-RG) hybrid algorithm is proposed to process the data input to the stacking model， and then the LGBM-RF-XGB hybrid model is established for sintered mixture moisture prediction based on stacked generalization ensemble， which can predict the moisture value before sinter mixture mixing. The internal mechanism of the LGBM-RF-XGB overlay model consists of generating metadata from the LGBM and RF models to calculate the final prediction using the XGB model. The proposed stacking model was simulated in comparison with several reference models by combining the sintering site data. The results show that the accuracy and error of the proposed stacking model are better than those of the reference models used for comparison， which meets the sintering process requirements. The proposed algorithm can be used for advance prediction of sinter mix moisture in actual production and provides a theoretical basis for automatic control of water addition.

Key words: moisture of sintering mixture (MSM); light gradient boosting machine (LGBM); random forest (RF); extreme gradient boosting machine (XGB); RS-RG data processing

中图分类号:

TP301.6

黄传奇，任昱乾，吴朝霞. 叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1245-1250.

HUANG Chuan-qi， REN Yu-qian， WU Zhao-xia. A Stacked Generalization Ensemble-based Hybrid LGBM-RF-XGB Model for Sintering Moisture Prediction[J]. Journal of Northeastern University(Natural Science), 2023, 44(9): 1245-1250.

参考文献

[1]Loo C E，Wong D J.Fundamental insights into the sintering behaviour of goethitic ore blends［J］.ISIJ International，2005，45(4):459-468.
[2]Min W，Xu C，She J，et al.Neural-network-based integrated model for predicting burn-through point in lead-zinc sintering process［J］.Journal of Process Control，2012，22(5):925-934.
[3]Giri B K，Roy G G.Mathematical modelling of iron ore sintering process using genetic algorithm［J］.Ironmaking & Steelmaking，2012，39(1):59-66.
[4]Jiang Y，Yang N，Yao Q，et al.Real-time moisture control in sintering process using offline-online NARX neural networks［J］.Neurocomputing，2020，396:209-215.
[5]Anifowose F，Labadin J，Abdulraheem A.Improving the prediction of petroleum reservoir characterization with a stacked generalization ensemble model of support vector machines［J］.Applied Soft Computing，2015，26:483-496.
[6]Massaoudi M，Refaat S S，Chihi I，et al.A novel stacked generalization ensemble-based hybrid LGBM-XGB-MLP model for short-term load forecasting［J］.Energy，2021，214:118874.
[7]Kshatri S S，Singh D，Narain B，et al.An empirical analysis of machine learning algorithms for crime prediction using stacked generalization:an ensemble approach［J］. IEEE Access，2021，9:67488-67500.
[8]Xia X，Wang X.A novel hybrid model for short-term wind speed forecasting based on twice decomposition，PSR，and IMVO-ELM［J］.Complexity，2022，2022:1-21.
[9]Dietterich T G.An experimental comparison of three methods for constructing ensembles of decision trees:bagging，boosting，and randomization［J］.Machine Learning，2000，40(2):139-157.
[10]Ke G L，Meng Q，Finley T，et al.Light GBM:a highly efficient gradient boosting decision tree［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems.Long Beach，2017:3149-3157.
[11]Ju Y，Sun G，Chen Q，et al.A model combining convolutional neural network and LightGBM algorithm for ultra-short-term wind power forecasting［J］.IEEE Access，2019，7:28309-28318.
[12]Breiman L.Random forests［J］.Machine Learning，2001，45:5-32.
[13]Louppe G.Understanding random forests:from theory to practice［EB/OL］.［2014-07-28］.https:// arXiv preprint arXiv:1407.7502.
[14]Criminisi A.Decision forests:a unified framework for classification，regression，density estimation，manifold learning and semi-supervised learning［J］.Foundations & Trends in Computer Graphics & Vision，2011，7(2/3):81-227.
[15]Chen T Q，Guestrin C.XGBoost:a scalable tree boosting system［C］//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco，2016:785-794.
[16]Wolpert D H.Stacked generalization［J］.Neural Networks，2017，5(2):241-259.
[17]Varoquaux G，Buitinck L，Louppe G，et al.Scikit-learn:machine learning without learning the machinery［J］.GetMobile:Mobile Computing and Communications，2015，19(1):29-33.

叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型

A Stacked Generalization Ensemble-based Hybrid LGBM-RF-XGB Model for Sintering Moisture Prediction

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孔芝，杨青峰，赵杰，熊浚钧. 基于自适应调整权重和搜索策略的鲸鱼优化算法[J]. 东北大学学报:自然科学版, 2020, 41(1): 35-43.
[2]	刘海博，冯时，于戈. 一种基于旁信息增强的协同过滤自动编码器模型[J]. 东北大学学报:自然科学版, 2019, 40(11): 1527-1532.
[3]	孙艳蕊，陈月. 基于Timed-HITS与协同过滤的混合推荐算法[J]. 东北大学学报:自然科学版, 2019, 40(4): 467-473.
[4]	曾程宽，刘士新. 缓冲区间有限条件下的作业车间调度方法[J]. 东北大学学报:自然科学版, 2018, 39(12): 1679-1684.
[5]	董立岩，王越群，李永丽，朱琪. 基于最大平衡度的自适应随机抽样算法[J]. 东北大学学报:自然科学版, 2018, 39(6): 792-796.
[6]	范立娜，汪晋宽，高静，吕腊梅. 协作通信系统中继功率分配算法的研究[J]. 东北大学学报:自然科学版, 2017, 38(9): 1222-1225.
[7]	江锦成，吴立新，张媛媛，刘善军. 适用于大规模网络的全源最短路径重优化算法——RASP算法[J]. 东北大学学报:自然科学版, 2017, 38(7): 1037-1042.
[8]	邵新慧，彭程. 一类Sylvester矩阵方程的迭代解法[J]. 东北大学学报:自然科学版, 2017, 38(6): 909-912.
[9]	孟煜，张斌. 检测区域自适应调整的TLD多目标跟踪算法[J]. 东北大学学报:自然科学版, 2017, 38(2): 214-218.
[10]	窦景欣，孔祥希，闻邦椿. 四旋翼姿态的反步滑模自抗扰控制及稳定性[J]. 东北大学学报:自然科学版, 2016, 37(10): 1415-1420.
[11]	翟军昌，葛延峰，梁鹏，高立群. 一种参数自调整风电功率预测模型[J]. 东北大学学报:自然科学版, 2016, 37(2): 153-156.
[12]	梁振刚，蒋建伟，陈峰. 一种对圆柱形空中目标着靶参数算法的研究[J]. 东北大学学报:自然科学版, 2016, 37(1): 15-19.
[13]	单中元，乔建忠，林树宽. Pre-record:一种高效的进程动态迁移算法[J]. 东北大学学报:自然科学版, 2016, 37(1): 29-33.
[14]	翟军昌，高立群，欧阳海滨，刘宏志. 改进的新颖全局和声搜索算法[J]. 东北大学学报:自然科学版, 2015, 36(10): 1403-1407.
[15]	王皓，欧阳海滨，高立群. 求解航天器最优交会问题的改进和声搜索算法[J]. 东北大学学报:自然科学版, 2015, 36(7): 913-917.