基于红花油的蛋黄酱配方参数优化研究：采用响应面方法论 作者：穆赫塔尔·图尔塔巴耶夫（Mukhtar Tultabayev）、塔玛拉·图尔塔巴耶娃（Tamara Tultabayeva）、玛迪娜·苏丹诺娃（Madina Sultanova）、艾格琳·萨杜阿卡斯（Aigerim Saduakas）、阿克科尔克·卡马利（Akerke Kamali）和努尔托雷·阿克扎诺夫（Nurtore Akzhanov）

《Processes》：Optimization of Formulation Parameters of Mayonnaise Based on Safflower Oil Using Response Surface Methodology Mukhtar Tultabayev, Tamara Tultabayeva, Madina Sultanova, Aigerim Saduakas, Akerke Kamali and Nurtore Akzhanov

　　

摘要

为了解决电网客户服务电话流量预测中存在的非线性、强时间依赖性以及因突然干扰导致的准确性下降等问题，本文提出了一种基于集成模型的新预测方法，该方法将门控循环单元（GRU）与Correntropy损失（CL）相结合（称为EnsCL-GRU）。首先，为克服传统Mean Squared Error（MSE）损失对异常波动的敏感性以及其在捕捉序列整体趋势一致性方面的局限性，本文引入了CL作为GRU模型的损失函数。该损失函数计算预测序列与真实序列在时间延迟域内的归一化Correntropy系数，引导模型关注时间序列数据的整体形状匹配，而非逐点误差拟合。此外，GRU的门控记忆机制能够捕捉时间序列中的长期依赖性，而CL则从序列层面约束预测动态趋势的一致性。这在保留GRU时间建模能力的同时，提高了模型对突然干扰和趋势变化的响应准确性。其次，为了提升单个GRU模型的泛化能力，本文采用了集成策略来串联训练多个经过CL优化的GRU基础模型。通过自适应调整样本权重，提升了模型对复杂样本（如电话流量突发）的拟合能力，进一步增强了模型的鲁棒性。最后，引入了贝叶斯优化方法来自动搜索集成模型的最优超参数，在有限的评估次数内高效逼近全局最优配置。实验结果表明，所提出的方法优于传统方法。具体而言，与标准GRU模型相比，该方法将MAPE从29.15%降低至22.61%；同时相较于基于集成模型的EnsGRU，MAPE降低了4.73个百分点。研究结果表明，所提出的模型显著提高了预测的准确性和鲁棒性，特别是在存在非线性波动和突然干扰的情景下，为电网客户服务系统的最优资源配置提供了可靠支持。