本发明属于白酒产酒预测，涉及一种酱香型白酒产酒率预测模型的构建方法及产酒率的预测方法。
背景技术：
1、白酒是中国特有的酒种，与白兰地、威士忌、伏特加、朗姆酒、金酒、龙舌兰酒等并列为世界七大蒸馏酒。中国白酒产业历史源远流长，至今已有千年的历史，是中国的传统优势产业之一，其中，酱香型白酒是中国白酒产业的重要支柱，酱酒发展势头强劲，其产质量的高效提升对白酒产业发展具有重要意义。
2、酱香型白酒酿造工艺复杂，历经一年周期，两次投料，九次蒸煮，八次发酵，七次蒸馏，每个轮次分为堆积发酵和窖池发酵两个阶段。原料经蒸煮、摊晾、拌曲后收拢完堆进行堆积发酵，该过程可网罗、扩培、筛选环境中的各类微生物，富集丰富的酶类和风味前体化合物，有助于窖池发酵阶段乙醇及风味化合物的产生；窖池发酵是堆积发酵的后续发酵，通过厌氧发酵，最终形成酱香型白酒的风味特征，堆积发酵和窖池发酵共同影响着每一轮次的基酒产量。
3、产酒率的预测对推动酱香型白酒高效率生产具有重要作用，当前已有技术报道，利用生产窖池不同深度、窖池同一深度不同发酵时间对应的酒醅发酵温度、晾堂内酒醅的堆积时长等指标可建立模型合理预测白酒产量，但是该方法主要聚焦于窖池发酵，该阶段为密闭无氧发酵，无人工干预，所建模型对实际生产的指导性较小。因此，需要建立一种在窖池发酵工艺前端可实现人为调控的预测模型，进一步助力酱酒产酒率的提升。
技术实现思路
1、本发明目的在于提供一种酱香型白酒产酒率预测模型的构建方法及产酒率的预测方法。
2、根据本发明的第一方面，本发明提供了一种酱香型白酒产酒率预测模型的构建方法，包括如下步骤：
3、一、获取建模数据：对糖化堆堆积发酵阶段的堆积时间、翻堆节点、入窖顶温、入窖中温、入窖底温、入窖品温、入窖酸度、入窖水分、入窖淀粉、入窖还原糖以及对应糖化堆的基酒产酒率进行检测和记录，得到建模数据；
4、二、构建预测模型：以步骤一获取得到的建模数据作为建模特征，基于xgboost回归模型构建得到xgboost预测模型。
5、在本发明的一些实施方案中，步骤二中，所述以步骤一获取得到的建模数据作为建模特征，基于xgboost回归模型构建得到xgboost预测模型包括如下步骤：将建模数据分为训练数据集和测试数据集，以训练数据集中的堆积时间、翻堆节点、入窖顶温、入窖中温、入窖底温、入窖品温、入窖酸度、入窖水分、入窖淀粉、入窖还原糖作为自变量，以训练数据集中的所述基酒产酒率作为因变量，导入r语言中的xgboost回归模型训练构建得到所述xgboost预测模型。
6、在本发明的一些实施方案中，步骤二中，所述xgboost回归模型的参数设置包括：eta＝0.04，gamma＝0.03，max_depth＝6，subsample＝0.75，colsample_bytree＝0.6，objective＝"reg:squarederror"，nround＝800，watchlist＝watchlist，verbose＝1，print_every_n＝50，early_stopping_rounds＝100。
7、在本发明的一些实施方案中，所述预测方法还包括：以均方根误差、决定系数、平均绝对误差中的至少一种为评价指标对步骤二构建得到的xgboost预测模型的预测准确性进行评估。
8、在本发明的一些实施方案中，所述预测方法还包括：
9、在构建预测模型步骤中，基于随机森林算法对步骤一获取得到的建模数据进行自变量指标的重要性排序，基于重要性排序结果对建模数据进行筛选，将重要性排序前6-8的指标作为建模特征，进行xgboost预测模型的构建。
10、在本发明的一些实施方案中，所述建模特征包括：堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温；或者，堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温、入窖底温；或者，堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温、入窖底温、入窖还原糖。
11、根据本发明的第二方面，本发明还提供了一种酱香型白酒产酒率的预测方法，所述预测方法包括如下步骤：
12、(1)获取糖化堆堆积发酵阶段的指标数据信息；
13、(2)将步骤(1)获取得到的指标数据输入到本发明第一方面某些实施方案所述构建方法构建得到的xgboost预测模型中，基于xgboost预测模型的输出结果对所述糖化堆对应的基酒产酒率进行预测。
14、在本发明的一些实施方案中，所述指标数据信息包括堆积时间、翻堆节点、入窖顶温、入窖中温、入窖底温、入窖品温、入窖酸度、入窖水分、入窖淀粉以及入窖还原糖。
15、根据本发明的第三方面，本发明还提供了一种酱香型白酒产酒率的预测方法，所述预测方法包括如下步骤：
16、1)获取糖化堆堆积发酵阶段的指标数据信息；
17、2)将步骤1)获取得到的所述数据信息输入到本发明第一方面某些实施方案所述构建方法构建得到的xgboost预测模型中，基于xgboost预测模型的输出结果对所述糖化堆对应的基酒产酒率进行预测。
18、在本发明的一些实施方案中，所述指标数据信息包括：堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温以及入窖顶温数据信息；或者，堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温以及入窖底温数据信息；或者，堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温、入窖底温以及入窖还原糖。
19、与现有技术相比，本发明具有以下有益效果：
20、(1)鉴于现有技术公开的产酒率的预测方法或者预测模型主要聚焦于窖池发酵，针对窖池发酵为密闭无氧发酵，无人工干预，所建模型或者预测方法对实际生产的指导性较小的问题，本发明建立了一种在窖池发酵工艺前端可实现人为调控的产酒率预测模型，进一步助力酱酒产酒率的提升。
21、(2)本发明提供的白酒产酒率预测方法，以堆积发酵阶段的工艺参数及糟醅理化指标为自变量，以对应窖池产酒率为因变量，利用xgboost回归模型构建白酒产酒率预测模型，与现有利用窖内密闭发酵阶段糟醅温度变化建立的白酒发酵产量预测模型相比，本发明提供模型可根据入窖前糟醅情况对产酒率进行预测，对实际生产应用具有更好的可操作性指导意义，且本发明经对建模指标以及建模模型进行筛选，使得所提供的预测方法可实现对基酒产酒率的精准预测。
1.一种酱香型白酒产酒率预测模型的构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的预测方法，其特征在于，步骤二中，所述以步骤一获取得到的建模数据作为建模特征，基于xgboost回归模型构建得到xgboost预测模型包括如下步骤：
3.根据权利要求1所述的预测方法，其特征在于，步骤二中，所述xgboost回归模型的参数设置包括：eta＝0.04，gamma＝0.03，max_depth＝6，subsample＝0.75，colsample_bytree＝0.6，objective＝"reg:squarederror"，nround＝800，watchlist＝watchlist，verbose＝1，print_every_n＝50，early_stopping_rounds＝100。
4.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
5.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
6.根据权利要求5所述的预测方法，其特征在于，所述建模特征包括：堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温；或者，堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温、入窖底温；或者，堆积时间、翻堆节点、入窖水分、入窖中温、入窖品温、入窖顶温、入窖底温、入窖还原糖。
7.一种酱香型白酒产酒率的预测方法，其特征在于，所述预测方法包括如下步骤：
8.根据权利要求7所述的预测方法，其特征在于，所述指标数据信息包括堆积时间、翻堆节点、入窖顶温、入窖中温、入窖底温、入窖品温、入窖酸度、入窖水分、入窖淀粉以及入窖还原糖。
9.一种酱香型白酒产酒率的预测方法，其特征在于，所述预测方法包括如下步骤：
10.根据权利要求9所述的预测方法，其特征在于，所述指标数据信息包括：
