【技术实现步骤摘要】
本专利技术属于堆肥腐熟度预测，涉及一种基于lightgbm模型的堆肥腐熟度预测方法。
技术介绍
1、随着经济的快速发展和人民生活水平的不断提高，生产生活中产生的固体废物也不断增加，其中对固体废物进行堆肥，可实现对固体废物的大规模处理，已经成为了顺应当下时代发展的固废资源化手段。腐熟度是判断堆肥进程的重要指标。因此，预测堆肥腐熟度对现代全自动或半自动化堆肥进程的控制具有重要的实际意义。
2、目前，用于预测堆肥腐熟度的指标主要是种子发芽指数(gi)。然而，现在的gi检测需要专业人员进行为期48小时的发芽试验，并通过人工测量的手段对每个种子进行发芽长度测量并计算，这导致堆肥的腐熟度预测需要消耗巨大的人力和时间。为了节省腐熟度预测时间，有研究人员提出了一种基于机器学习模型的堆肥腐熟度预测方法，采用了多种机器学习方法，并利用含水率、温度、ph和e4/e6对堆肥的腐熟度进行预测。但是，上述的方法只能对堆肥腐熟度进行粗略预测，即只能定性判断堆肥“腐熟”或“未腐熟”，无法对gi的数值进行回归分析，因而难以获得准确的gi数值，进而难以通过gi...
【技术保护点】
1.一种基于LightGBM模型的堆肥腐熟度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于LightGBM模型的堆肥腐熟度预测方法，其特征在于，步骤(2)中，所述LightGBM模型的构建方法包括以下步骤：
3.根据权利要求2所述的基于LightGBM模型的堆肥腐熟度预测方法，其特征在于，步骤S1中，在获取样本的指标数据时，若样本的指标数据缺失，则采用该样本前一天和后一天的数据进行线性回归数据填充，取平均数代替缺失的指标数据。
4.根据权利要求3所述的基于LightGBM模型的堆肥腐熟度预测方法，其特征在于，步骤...
【技术特征摘要】
1.一种基于lightgbm模型的堆肥腐熟度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于lightgbm模型的堆肥腐熟度预测方法，其特征在于，步骤(2)中，所述lightgbm模型的构建方法包括以下步骤：
3.根据权利要求2所述的基于lightgbm模型的堆肥腐熟度预测方法，其特征在于，步骤s1中，在获取样本的指标数据时，若样本的指标数据缺失，则采用该样本前一天和后一天的数据进行线性回归数据填充，取平均数代替缺失的指标数据。
4.根据权利要求3所述的基于lightgbm模型的堆肥腐熟度预测方法，其特征在于，步骤s2中，去除步骤s1获取的数据集进行异常值，包括以下步骤：
5.根据权利要求4所述的基于lightgbm模型的堆肥腐熟度预测方法，其特征在于，步骤s2.1中，使用robustscaler法对数据集中的指标数据进行归一化处理，包括以下步骤：
6.根据权利要求5所述的基于lightgbm模型的堆肥腐熟度预测方法，其特征在于，步骤s3中，所述训练集和测试集的比例为4∶1。
7....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。