(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111436016.3 (22)申请日 2021.11.29 (71)申请人 中南大学 地址 410083 湖南省长 沙市麓山 南路932号 (72)发明人 齐冲冲　郑佳帅　武梦婷　陈秋松　 郭力　冯岩　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 代理人 李英 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/00(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种基于机器学习的固体灰渣溯源预测方 法 (57)摘要 本发明涉及固体灰渣利用技术领域， 具体地 说， 涉及一种基于机器学习的固体灰渣溯源预测 方法， 其包括以下步骤： P1： 收集固体灰渣数据作 为机器学习模型的数据集； P2： 数据集预处理； P3： 利用机器学习训练数据并建立固体灰渣溯源 预测模型； P4： 根据模型， 对未知源头的固体灰渣 进行预测， 得到最终的预测结果作为固体灰渣的 溯源结果。 本发明能够迅速、 准确地进行固体灰 渣溯源。 权利要求书2页 说明书5页 附图2页 CN 114418110 A 2022.04.29 CN 114418110 A 1.一种基于 机器学习的固体灰渣溯源预测方法， 其特 征在于： 包括以下步骤： P1： 收集固体灰渣数据作为机器学习模型的数据集； P2： 数据集预处 理； P3： 利用机器学习训练数据并建立固体灰渣溯源预测模型； P4： 根据模型， 对未知源头的固体灰渣进行预测， 得到最终的预测结果作为固体灰渣的 溯源结果。 2.根据权利要求1所述的一种基于机器学习的固体灰渣溯源预测方法， 其特征在于： 步 骤P1中具体包括以下步骤： P11： 获取固体灰渣样品； P12： 确定不同源头固体灰渣 的成分和性质， 包括但不限于溶解性、 密度、 烧失量、 氯离 子含量、 含水率、 比表面积、 氧化物含量。 3.根据权利要求1所述的一种基于机器学习的固体灰渣溯源预测方法， 其特征在于： 步 骤P2中具体包括以下步骤： P21： 对数据进行标准化处理， 其中数据标准化的方法包括但不限于极差标准化法、 线 性比例标准 化法、 Z‑score标准化法； P22： 将标准化后的数据集划分为训练集和测试集两部分， 其中数据集划分方法包括但 不限于随机划分、 K ennard‑Stone划分、 分层抽样划分。 4.根据权利要求1所述的一种基于机器学习的固体灰渣溯源预测方法， 其特征在于： 步 骤P3中具体包括以下步骤： P31： 选择机器学习算法， 所述机器学习算法包括但不限于决策树， 随机森林， 神经网 络， 逻辑回归， 支持向量机； P32： 确定机器学习算法的超参数， 超参数的确定在训练集上进行， 确定方法包括但不 限于经验法、 网格搜索法以及优化 算法， 同时进行交叉验证； P33： 用确定超参数后的机器学习算法在整个训练集上建立固体灰渣溯源模型， 并用测 试集判断模型的可靠性， 评价指标包括但不限于准确率Accuracy、 精确率Precision、 真正 率TPR、 假 正率FPR、 召回率Recal l、 F1分数 F1‑Score， 计算公式如下： 准确率 精确率 召回率 F1分数 其中， TP表示 正确的正例； FN表示 错误的反例； FP表示 错误的正例； TN表示 正确的反例。 5.根据权利要求1所述的一种基于机器学习的固体灰渣溯源预测方法， 其特征在于： 步 骤P4中具体包括以下步骤： P41： 确定待预测固体灰渣成分和性质；权　利　要　求　书 1/2 页 2 CN 114418110 A 2P42： 使用已训练的机器学习模型对该固体灰渣进行溯源预测。权　利　要　求　书 2/2 页 3 CN 114418110 A 3