1.一种模型自选择的往复式混输泵排出流率预测方法，包括以下步骤：(1)确定预测模型的输入变量和输出变量，收集建模样本集S，并对样本集S进行分类，得到MT

个样本子集，即S＝(S1,…,Sm) ,m＝1,…,M；第m个样本子集表示为其中Nm表示第m个样本子集样本数；

(2)建立往复式混输泵排出流率的局部GPR模型对上述每个样本子集单独进行学习训练，建立排出流率的局部GPR预测模型；

根据GPR定义，第m个局部模型GPRm的输出表示为：式中，Cm表示协方差矩阵，其第i行第j列元素表示为：式中,xm,id表示xm,i的第d个元素；i＝j，则δm,ij＝1，否则δm,ij＝0；D是训练样本点xm,i的T

输入维数；θm＝[am,0,am,1,vm,0,wm,1,…,wm,d,bm]是模型系数；

利用公式(1)和公式(2)，M个局部GPR模型完成了离线建模，定义为GPRm,m＝1,…,M；

对新输入测试样本集 其中T表示新输入测试样本集个数，Nt表示第t个新输入测试样本集的样本个数，xt,i表示Xt第i个样本点；GPRm对xt,i的预测输出 和方差 分别表示如下：

式中， 表示新的输入测试样本和训练样本间的协方差；km,ti＝C(xt,i,xt,i)是新输入测试样本的协方差；

对一个新的输入测试样本点，从公式(3)和公式(4)计算获取M个基于局部GPR模型在线预测信息；

(3)建立往复式混输泵排出流率的加权GPR模型；

基于贝叶斯推理，提出条件概率P(GPRm|xt,i)，对GPRm模型和新输入集的每个样本点xt,i之间的关系进行评估；P(GPRm|xt,i)计算如下：式中，P(GPRm)和P(xt,i|GPRm)分别是先验概率和条件概率；当没有过程先验知识时，P(GPRm|xt,i)表示为：

基于概率分析方法，对新的输入测试样本点xt,i而言，P(GPRm|xt,i),m＝1,…,M越大，则GPRm模型越合适对其进行预测；

合并上述M个局部GPR模型对xt,i预测的概率信息，加权GPR模型的预测值 及其方差表述如下：

(4)建立往复式混输泵排出流率的即时GPR模型；

(4.1)从样本集S＝{xn,yn},n＝1,…,N中，N为样本集样本总数，为新的输入测试样本点xt,i选择合适的相似建模样本；定义ηt,ni＝exp(‑||xn‑xt,i||),n＝1,…,N          (9)描述建模样本点xn和新的输入测试样本点间xt,i的相似关系；ηt,ni介于0和1之间，其值越大，说明两者之间的关系越相似；因此，通过设置合适的阈值λ，通过公式ηt,ni＞λ                (10)为新的输入测试样本点xt,i选择合适的相似建模样本集；

(4.2)基于公式(10)所选择的相似建模样本集，利用公式(1)和公式(2)，建立即时GPR模型；从公式(3)和公式(4)计算得出即时GPR模型对样本点xt,i的预测值 及其方差(5)基于预测概率信息，自动为每个新的输入测试样本点选择合适的预测模型；

(5.1)为每个新的输入测试样本点xt,i选择合适的局部GPR预测模型；

基于公式(6)提供的概率信息，有最大条件概率MCP的模型，即MCPt,i＝maxP(GPRm|xt,i),m＝1,…,M            (11)为新的输入测试样本点xt,i最合适的局部GPR预测模型，相应的预测值及其方差分别记为 和

(5.2)从局部、加权和即时GPR模型中，为每个新的输入测试样本点xt,i选择合适的预测模型；

预测方差用来描述输入测试样本点xt,i和其预测模型的不确定度；如果一个不合适的模型对新的输入测试样本xt,i进行了预测，则相应的方差值就大；基于此，可从和 中选择有最小方差MV的模型，即即为新的输入测试样本点xt,i最合适的预测模型；

(6)重复步骤(2)至(5)，从局部GPR、加权GPR和即时GPR模型中，为新的工况下每个输入测试样本点找到最合适的预测模型，继而得出新的工况下，往复式混输泵的排出流率曲线。

2.根据权利要求1所述的一种模型自选择的往复式混输泵排出流率预测方法，其特征在于步骤(5)中，用提出的最大条件概率和预测方差，描述每个输入测试样本点xt,i和其预测模型的不确定度，从而为其选择合适的模型进行预测。