一、整体技术路线
原始数据采集 → 数据预处理 → 时间序列特征工程 → 模型训练 → 模型评估 → 预测输出
预测输出: 提供三个维度的数据：
-
入釜矿浆成分实际值（实时在线检测）
-
入釜矿浆成分预测值（基于模型计算）
-
入釜矿浆成分检化验值（实验室分析结果）
二、数据预处理
1. 数据来源与结构
| 数据类型 | 来源 | 频率 | 说明 |
|---|---|---|---|
| 实际值 | 在线仪表实时监测 | 连续/分钟级 | 当前时刻真实值 |
| 检化验值(LIMS) | 实验室取样分析 | 每4小时一次 | 滞后但有较高精度 |
| 历史趋势 | 数据库存储 | 全部历史 | 用于训练 |
- 数据清洗规则
对每个成分列（Ni、Co、Mn、Mg、Fe、固含、粒度）执行：
IF 缺失值 THEN 向前填充（用上一个有效值替代）
IF 异常值（超出3σ范围）THEN 替换为中位数
IF 重复时间戳 THEN 保留最后一条记录
3. 时间对齐处理
由于LIMS检化验数据采样间隔较大（4小时），需要进行时间对齐：
对于每一行数据 t：
如果 t 时刻没有LIMS值：
取 t-Δt 时刻最近的LIMS值作为当前LIMS值（前向填充）
三、时间序列特征工程
这是模型精度的核心环节，共构造三类特征：
1. 滞后特征（Lag Features）
提取过去多个时间点的LIMS检化验值作为当前时刻的特征：
对于每个成分 C（Ni、Co、Mn、Mg、Fe、固含、粒度）：
对于滞后阶数 k = 1, 2, 3, 4, 5： 创建特征：C_lims_lag_k = shift(C_lims, k)
则： Ni_lims_lag_1表示1小时前的Ni检化验值，
Ni_lims_lag_2表示4小时前的Ni检化验值，
Ni_lims_lag_3表示8小时前的Ni检化验值，
Ni_lims_lag_4表示N小时前的Ni检化验值，依次类推；
2. 移动平均特征（Moving Average Features）
计算过去一段时间窗口内的均值，平滑噪声：
对于每个成分 C：
对于窗口大小 w = 3, 6, 12（小时）：
创建特征：C_lims_ma_w = rolling_mean(C_lims, window=w)
Ni_lims_ma_6表示过去6小时的Ni检化验值移动平均。
3. 时间周期特征（Time Cyclical Features）
捕捉生产过程的周期性规律：
hour_feature = sin(2π × hour / 24) # 日周期
week_feature = sin(2π × day_of_week / 7) # 周周期
四、随机森林模型构建
1. 模型结构
输入层（63个特征）→ 随机森林（100棵决策树，最大深度10）→ 输出层（7个成分预测值）
为每个成分分别建立一个独立的随机森林回归模型，共7个模型。
- 训练数据集划分
总样本：989条（经过特征工程后去除缺失值）
训练集：791条（80%）------用于模型学习
测试集：198条（20%）------用于模型评估
3. 模型超参数配置
| 参数 | 值 | 说明 |
|---|---|---|
| n_estimators | 100 | 决策树数量 |
| max_depth | 10 | 限制树深度防过拟合 |
| min_samples_split | 5 | 内部节点最小样本数 |
| min_samples_leaf | 2 | 叶子节点最小样本数 |
| random_state | 42 | 保证结果可复现 |
4. 训练过程（伪代码）
For each component C in Ni, Co, Mn, Mg, Fe, 固含, 粒度:
-
准备特征矩阵 X（63维）和目标向量 y（C_actual）
-
将 X 和 y 按 8:2 划分为训练集和测试集
-
初始化 RandomForestRegressor（超参数如上）
-
调用 model.fit(X_train, y_train) 训练模型
-
调用 model.predict(X_test) 得到预测值
-
计算 MSE 和 R² 评估模型性能
五、模型评估指标
1. 均方误差（Mean Squared Error, MSE）
MSE = (1/n) × Σ(y_i - ŷ_i)²
其中：
y_i = 第i个样本的实际值
ŷ_i = 第i个样本的预测值
n = 测试集样本数
MSE越小，模型预测越精确。
- 决定系数（R² Score）
R² = 1 - SS_res / SS_tot
SS_res = Σ(y_i - ŷ_i)² （残差平方和）
SS_tot = Σ(y_i - ȳ)² （总平方和）
ȳ = 实际值的均值
R²取值范围(-∞, 1]，越接近1表示模型拟合越好。
六、预测输出
1. 三个维度的输出
| 输出项 | 含义 | 更新频率 |
|---|---|---|
| 实际值 | 在线仪表实时监测值 | 每分钟 |
| 预测值 | 模型计算的预测值 | 每小时 |
| 检化验值 | LIMS实验室分析值 | 每4小时 |
2. 趋势可视化
对于每个成分：
横轴：时间序列（最近200个数据点）
纵轴：成分含量
三条曲线：实际值（蓝色实线）、预测值（红色虚线）、检化验值（绿色半透明线）
七、完整计算流程图
┌─────────────────────────────────────────────────────────┐
│ 数据采集层 │
├─────────────────────────────────────────────────────────┤
│ 在线仪表（实际值） LIMS系统（检化验值） 历史数据库 │
└──────────────────────┬──────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 数据预处理层 │
├─────────────────────────────────────────────────────────┤
│ 缺失值填充（前向填充） 异常值剔除（3σ法则） 时间对齐 │
└──────────────────────┬──────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 时间序列特征工程层 │
├─────────────────────────────────────────────────────────┤
│ 滞后特征（k=1~5） 移动平均（w=3/6/12） 时间周期特征 │
└──────────────────────┬──────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 模型训练层 │
├─────────────────────────────────────────────────────────┤
│ 随机森林 × 7个成分 80%训练集 20%测试集 交叉验证 │
└──────────────────────┬──────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 模型评估层 │
├─────────────────────────────────────────────────────────┤
│ MSE计算 R²计算 残差分析 特征重要性排序 │
└──────────────────────┬──────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────┐
│ 预测输出层 │
├─────────────────────────────────────────────────────────┤
│ 实际值曲线 预测值曲线 检化验值曲线 趋势图导出 │
└─────────────────────────────────────────────────────────┘
以下是各成分的趋势对比图（展示了最近200个数据点的实际值、预测值和检化验值）
八、后续扩展方向
-
机理模型融合：接入业主提供的机理模型，将预测的入釜矿浆成分作为输入，推算酸和蒸汽的最佳加入量
-
在线学习：随着新数据不断产生，定期增量更新模型，保持预测精度
-
多模型集成：结合LSTM等深度学习模型，进一步提升时间序列预测性能