面向历史数据有限软测量过程的小移动窗口校准模型

在两组实验获得的数据集和一组模拟数据集上，比较了五种具有两种更新条件的简单软测量方法。所研究的软测量方法包括移动窗口偏最小二乘回归（及其递归变体）、移动窗口随机森林回归、y的均值移动窗口，以及一种新颖的随机森林偏最小二乘回归集成（RF-PLS），所有这些方法均可用于小样本量，从而能够快速上线。研究发现，在所研究的其中两个数据集上，小窗口尺寸为所有被研究的移动窗口方法带来了最低的预测误差。在多数所研究的数据集上，与其他方法相比，RF-PLS校准方法提供最低的单步超前预测误差，并且相较于单独的移动窗口PLS，在较大时间延迟下表现出更高的预测稳定性。研究发现，随机森林与RF-PLS方法均能最充分地建模那些属性值并非纯单调增长的数据集，但在一个具有纯单调属性值的数据集上，这两种方法的性能均劣于移动窗口PLS模型。本文提出并讨论了其他依赖于数据的发现。