1.一种铁水中硅含量的预测方法，其特征在于，所述方法包括：步骤1：采集炼铁高炉的历史实际运行数据，构建历史样本集和查询样本集；

步骤2：获取所述历史样本集的输入数据x(1),x(2),…,x(t+1)，输出数据y(1),y(2),…,y(t+1)，使用LightGBM建立决策树模型，得到特征向量，其中t是历史样本集采样时刻；

步骤3：对LightGBM决策树模型提取的特征向量按照各个特征的增益排序，选取前f个特征向量；

步骤4：计算步骤3得到的特征向量的差分项Δx(1),Δx(2),…,Δx(t)和Δy(1),Δy(2),…,Δy(t)，以及查询样本输入的差分项Δx(q‑1)＝x(q)‑x(q‑1)，q是查询样本集的采样时刻；

步骤5：计算步骤4中的查询样本差分项与各历史输入样本差分项之间的欧氏距离以及相应的权重值，选择与查询样本最相关的N个历史差分项作为训练集ΔXN和ΔYN，并获得权重矩阵Ω；

步骤6：构建局部加权岭回归LWRR模型，并利用步骤5中的训练集ΔXN、ΔYN和权重矩阵Ω训练所述局部加权岭回归LWRR模型；

步骤7：获取高炉运行的实时数据，利用步骤6中训练好的LWRR模型得到当前时刻与前一时刻铁水中硅含量的差分项预测值步骤8：得到铁水中硅含量最终预测值 其中y(q‑1)为上一时刻的铁水中硅含量的实际值；

还包括：所述LightGBM决策树模型根据每个特征被用于分割训练数据的次数评判该特征的重要性，利用单边梯度采样算法对数据按照梯度进行排序，保留前a％梯度较大的数据形成子集 对于(1‑a)％梯度较小的数据形成的残差集 随机形成大小为 的子集并计算信息增益：其中，

g(t)为梯度，x(t)表示在t时刻的辅助变量的采样值，d是在分裂计算中找到的最佳增益不变的点， 用于归一化 的梯度和到 是集合 的样本数，xj(t)是第j个特征的t时刻的辅助变量；

还包括利用局部加权算法，根据查询样本与历史样本的欧氏距离对每个样本赋予不同的权值；利用岭回归算法，引入Tikhonov–Phillips正则项解决线性回归中存在的共线性问题；

所述权重矩阵记为Ω＝diag(w)，w＝[w1,w2,…,wn]，所述局部加权岭回归LWRR模型对每个样本赋予的权值为：其中，为权重函数中的可调参数， 为距离的标准差，di为查询样本与第i个历史样本的距离。

2.根据权利要求1所述的方法，其特征在于，所述局部加权岭回归LWRR模型中查询样本的预测输出值 的估计过程包括：步骤71：去均值化，计算样本输入输出的加权平均值，并对训练样本的输入输出和查询样本的输入进行去均值化处理；

步骤72：将所述查询样本输出的初始估计值设定为

步骤73：利用Tikhonov–Phillips正则项定义代价函数；

步骤74：代价函数J对 求偏导数，得到参数的估计值；

步骤75：计算预测输出值

其中， 为给定的辅助变量集， 为所述辅助变量集对应的主导变量集，m、n分别是辅助变量的维度和样本数， 为查询样本的输入，λ为岭回归正则项系数，是历史样本中铁水硅含量均值，是岭回归参数， 是铁水中硅含量的预测值集合。

3.根据权利要求2所述的方法，其特征在于，所述岭回归正则项系数λ利用岭迹法计算求得。

4.根据权利要求2所述的方法，其特征在于，所述权重函数中的可调参数 用交叉验证法得到。

5.根据权利要求1所述的方法，其特征在于，所述局部加权岭回归LWRR模型中需要优化的参数包括局部训练样本数，所述局部训练样本数利用交叉验证法得到。

6.根据权利要求1所述的方法，其特征在于，所述高炉的实际运行数据包括：煤粉量、鼓风风量、透风性、鼓风温度、进料速度、鼓风压力和富氧量。

7.根据权利要求1所述的方法，其特征在于，所述采集炼铁高炉的历史实际运行数据，共采集500个样本，其中利用前400个样本构建历史样本集，利用剩余100个样本构建查询样本集。