基于ARIMA-LSTM模型的卷烟制丝质量预测研究

摘要

为了应对卷烟制丝工艺中的不确定性所带来的质量风险，提出了一种将差分移动平均自回归(ARIMA)模型与深度学习中的长短期记忆单元(LSTM)模型相结合的制丝质量数据预测方法，并用该方法对某卷烟企业制丝工艺中的加热处理(HT)出口温度和叶丝增温增湿的入口水分进行预测，以均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)为指标来评估各模型的预测精度。结果表明，相较于单一ARIMA和LSTM模型，所提出的ARIMA-LSTM组合模型的预测值更精准，在对HT出口温度进行预测时，组合模型的RMSE、MAE、MAPE值分别至少降低了60.1%、63.1%和63%;在对叶丝增温增湿的入口水分进行预测时，组合模型的RMSE、MAE、MAPE值分别至少降低了49.5%、49.4%和49.3%,有望为卷烟企业及时制定或调整生产方案提供合理的参考依据。

关键词

ARIMA模型 / 长短期记忆网络 / 残差 / 时序预测 / 卷烟制丝质量