【技術實現步驟摘要】
本專利技術屬于數據預測，具體地，涉及鋼鐵生產成本預警預測的時間序列預測方法及系統。更具體是基于大模型的鋼鐵生產成本預警預測的時間序列預測方法及系統。
技術介紹
1、鋼鐵生產成本預警預測是指對鋼鐵生產過程中的成本進行預測和分析，以便及時采取措施，確保成本控制在一個合理的范圍內，從而避免成本超出預算或造成不必要的浪費。這一過程涉及到對鋼鐵生產成本的調查、分析、預測，以及根據預測結果采取相應的經濟核算和成本控制措施，旨在提高企業效益和擴大再生產。
2、具體來說，鋼鐵生產成本預警預測包括以下幾個關鍵方面：
3、成本預測：通過對鋼鐵生產成本的分析和預測，了解未來一段時間內成本的變化趨勢，為企業的成本控制和決策提供依據。預警機制：建立成本預警機制，當成本接近或超過預設的警戒線時，及時發出預警信號，提醒企業采取相應的措施進行調整。成本控制：根據預測結果，采取有效的成本控制措施，如優化生產流程、降低消耗、提高生產效率等，以確保成本控制在預算范圍內。預警預測系統對于鋼鐵企業來說至關重要，因為它能夠更好地管理成本，提高經濟效益，同時也有助于企業在激烈的市場競爭中保持競爭優勢。通過科學的成本預測和分析，避免不必要的浪費，從而實現可持續發展。
4、目前，專利文獻cn116880191a公開了一種基于時序預測的過程工業生產系統的智能控制方法,該方案涉及過程工業
,該方法以過程工業生產系統中任意一個被控變量及其受到影響的操縱變量和擾動變量的歷史時序數據來訓練時序預測模型，用于預測被控變量在未來的值，繼而將其作為評估
5、此專利提供了一種基于時序預測的過程工業生產系統的智能控制方法，但由于其使用的是固定模型結構，不能根據實際生產需求改變模型結構，增減指定模塊，從而降低了模型的泛化能力和適用范圍，而且由于其結構單一，無法處理多個時間序列的預測需求，并且也無法利用不同時間序列之間的關系；而且該模型由于沒有使用基線模型作為模型預測的參考，因此無法準確定位模型預測過程中存在的問題，對模型能做出及時調整。此問題亟需解決。
技術實現思路
1、針對現有技術中的缺陷，本專利技術的目的是提供一種鋼鐵生產成本預警預測的時間序列預測方法及系統。
2、根據本專利技術提供的一種鋼鐵生產成本預警預測的時間序列預測方法，包括：
3、步驟s1：采集建模數據，對齊所述建模數據，得到待處理數據集；
4、步驟s2：判斷所述待處理數據集的變量是否符合閾值范圍；結果為是，則按照時間排序，得到訓練集與測試集；結果為否，則標記為異常數據，進行修正；
5、步驟s3：基于訓練集，訓練模型，得到訓練后的模型；
6、步驟s4：通過所述訓練后的模型，計算測試集的數據，得到最終預測數據。
7、優選地，所述模型包括基線模型與完整模型；所述完整模型以整體數據為時間區間；所述基線模型以部分數據為時間區間；
8、在所述步驟s1中，所述建模數據根據成本歸屬進行收集；所述成本歸屬，包括：工序成本、能源消耗成本、其他成本、煉鋼主原料消耗成本與煉鋼輔料消耗成本；
9、對齊所述建模數據，包括：
10、步驟a1：采集所述建模數據，并按照天數劃分時間段；
11、步驟a2：判斷所述建模數據的變量，采集頻率是否大于1次/天；結果為是，執行步驟a3；結果為否，執行步驟a4；
12、步驟a3：設置權重并根據權重得出所述變量當天的均值，記錄至待處理數據集；
13、步驟a4：通過線性插值法算出所述變量當天的特征值，記錄至待處理數據集。
14、優選地，在所述步驟s2中，所述閾值范圍為當天所述變量的分位數的3％～97％；
15、將所述待處理數據集的變量按照時間排序，前75％的變量加入為訓練集，后25％的變量加入為測試集。
16、優選地，在所述步驟s3中，訓練模型的預備處理，包括：
17、步驟b1：基于所述訓練集，對輸入數據進行編碼，得到時序編碼信息；
18、步驟b2：根據所述時序編碼信息，獲取其時間序列的權重；
19、步驟b3：基于所述時間序列的權重，生成對應變量的時間特征；
20、步驟b4：基于訓練集的數據，構建均方誤差作為目標函數，訓練模型。
21、優選地，在所述步驟s1中，對所有待處理數據集的變量按照其性質為其打上分類/連續、靜態/時變的標簽；并且根據標簽，通過不同的歸一化器對每個變量在時間序列上進行動態縮放；
22、在所述步驟s4中，基于測試集的數據，極小化分位數損失函數得到的實際預測結果，并且通過分位數回歸輸出時間序列預測區間，估計置信區間；
23、所述置信區間的估計，包括：
24、步驟一：構建分位數集合；
25、步驟二：基于所述分位數集合與經步驟s3得到的所述均方誤差，構建分位數損失函數集合；在所述分位數損失函數集合中，每一個分位數損失函數都對應一個分位數集合中的分位數；
26、步驟三：通過adam算法極小化所述分位數損失函數集合的分位數損失函數，得到對應分位數下的分位數預測數據，結合所述實際預測結果進行評估與修正，得到最終預測結果。
27、根據本專利技術提供的一種鋼鐵生產成本預警預測的時間序列預測系統，包括：
28、模塊m1：采集建模數據，對齊所述建模數據，得到待處理數據集；
29、模塊m2：判斷所述待處理數據集的變量是否符合閾值范圍；結果為是，則按照時間排序，得到訓練集與測試集，進而訓練基線模型；結果為否，則標記為異常數據，進行修正；
30、模塊m3：基于訓練集，訓練模型，得到訓練后的模型；
31、模塊m4：通過所述訓練后的模型，計算測試集的數據，得到最終預測數據。
32、優選地，所述模型包括基線模型與完整模型；所述完整模型以整體數據為時間區間；所述基線模型以部分數據為時間區間；
33、在所述模塊m1中，所述建模數據根據成本歸屬進行收集；所述成本歸屬，包括：工序成本、能源消耗成本、其他成本、煉鋼主原料消耗成本與煉鋼輔料消耗成本；
34、對齊所述建模數據，包括：
35、模塊a1：采集所述建模數據，并按照天數劃分時間段；
36、模塊a2：判斷所述建模數據的變量，采集頻率是否大于1次/天；結果為是，觸發模塊a3；結果為否，觸發模塊a4；
37、模塊a3：設置權重并根據權重得出所述變量當天的均值，記錄至待處理數據集；
38、本文檔來自技高網...
【技術保護點】
1.一種鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，包括：
2.根據權利要求1所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，所述模型包括基線模型與完整模型；所述完整模型以整體數據為時間區間；所述基線模型以部分數據為時間區間；
3.根據權利要求2所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，在所述步驟S2中，所述閾值范圍為當天所述變量的分位數的3％～97％；
4.根據權利要求3所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，在所述步驟S3中，訓練模型的預備處理，包括：
5.根據權利要求4所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，在所述步驟S1中，對所有待處理數據集的變量按照其性質為其打上分類/連續、靜態/時變的標簽；并且根據標簽，通過不同的歸一化器對每個變量在時間序列上進行動態縮放；
6.一種鋼鐵生產成本預警預測的時間序列預測系統，其特征在于，包括：
7.根據權利要求6所述的鋼鐵生產成本預警預測的時間序列預測系統，其特征在于，所述模型包括基線模型與完整模
8.根據權利要求7所述的鋼鐵生產成本預警預測的時間序列預測系統，其特征在于，在所述模塊M2中，所述閾值范圍為當天所述變量的分位數的3％～97％；
9.根據權利要求8所述的鋼鐵生產成本預警預測的時間序列預測系統，其特征在于，在所述模塊M3中，訓練模型的預備處理，包括：
10.根據權利要求9所述的鋼鐵生產成本預警預測的時間序列預測系統，其特征在于，在所述模塊M1中，對所有待處理數據集的變量按照其性質為其打上分類/連續、靜態/時變的標簽；并且根據標簽，通過不同的歸一化器對每個變量在時間序列上進行動態縮放；
...【技術特征摘要】
1.一種鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，包括：
2.根據權利要求1所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，所述模型包括基線模型與完整模型；所述完整模型以整體數據為時間區間；所述基線模型以部分數據為時間區間；
3.根據權利要求2所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，在所述步驟s2中，所述閾值范圍為當天所述變量的分位數的3％～97％；
4.根據權利要求3所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，在所述步驟s3中，訓練模型的預備處理，包括：
5.根據權利要求4所述的鋼鐵生產成本預警預測的時間序列預測方法，其特征在于，在所述步驟s1中，對所有待處理數據集的變量按照其性質為其打上分類/連續、靜態/時變的標簽；并且根據標簽，通過不同的歸一化器對每個變量在時間序列上進行動態縮放；
...【專利技術屬性】
技術研發人員：張洪，高培軍，陳昕昊，蔣波，高登，尹連三，徐立，
申請(專利權)人：上海寶信軟件股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。