Research on gas concentration prediction driven by ARIMA-SVM combined model
-
摘要: 针对单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题,提出了一种基于自回归滑动平均模型(ARIMA)和支持向量机(SVM)模型的组合预测模型,并采用该模型对瓦斯浓度进行预测。首先,分别应用ARIMA模型和SVM模型对实验数据进行预测分析,得到2种单一模型预测结果。其次,结合自相关函数和偏自相关函数及贝叶斯准则,得到最优ARIMA模型为ARIMA(1,1,2),通过核函数等参数寻优,确立最优SVM模型,从而建立ARIMA−SVM组合模型。利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到非线性预测结果,将2个模型的预测结果进行组合,得到目标瓦斯时间序列最终预测结果。实验结果表明:① ARIMA−SVM组合模型预测结果与矿井实际数据的拟合度优于ARIMA模型和SVM模型。② 相对于ARIMA模型、SVM模型,ARIMA−SVM组合模型的误差大幅度减小,且预测结果明显优于单一模型。③ ARIMA−SVM组合模型的平均绝对误差、平均绝对百分比误差及均方根误差均为最小,表明ARIMA−SVM组合模型预测精度更高。
-
关键词:
- 瓦斯浓度预测 /
- 瓦斯浓度时间序列 /
- 自回归滑动平均模型 /
- 支持向量机 /
- ARIMA−SVM组合模型
Abstract: The single gas prediction model has weak capability in mining all characteristics of the mine gas concentration time sequence. In order to solve the problem, a combined prediction model based on autoregressive intergrated moving average (ARIMA) model and support vector machine (SVM) model is proposed. The model is used to predict gas concentration. Firstly, the prediction results of the two single models are obtained by using the ARIMA model and the SVM model to predict and analyze the experimental data respectively. Secondly, combining the autocorrelation function, partial autocorrelation function and Bayesian criterion, the optimal ARIMA model is obtained as ARIMA(1,1,2). According to the optimization of kernel function and other parameters, the optimal SVM model is established, and then the ARIMA-SVM combined model is established. The ARIMA model is used to process the historical data of the gas concentration time series and obtain the corresponding linear prediction result and the residual sequence. The SVM model is used to further analyze the nonlinear factors in the data residual sequence and obtain the unlinear prediction result. The prediction results of the two models are combined to obtain the final prediction result of the target gas concentration time series. The experimental results show the following results. ① The fitting degree of the prediction results of the ARIMA-SVM combined model is better than that of the ARIMA model and SVM single model. ② Compared with the ARIMA model and SVM model, the error of the ARIMA-SVM combined model is greatly reduced, and the prediction result is obviously better than that of the single model. ③ The mean absolute error, mean absolute percentage error and root mean square error of the ARIMA-SVM combined model are the smallest. This result indicates that the prediction precision of the ARIMA-SVM combined model is higher. -
0. 引言
瓦斯浓度指标预测以日常瓦斯监测监控数据的统计、分析及挖掘为基础,对瓦斯浓度的变化规律进行研究,是一种预测瓦斯浓度发展趋势的方法[1-3]。常用的瓦斯浓度指标预测方法有神经网络模型法、指数平滑法、灰色系统理论预测法和时间序列预测法等,其中ARIMA(Autoregressive Intergrated Moving Average,自回归滑动平均)模型是研究瓦斯浓度时间序列数据预测的主要方法,但对于非线性数据的分析能力不理想。为解决该问题,许多学者在分析数据过程中融入了较多的非线性数据分析方法[4-5]。刘莹等[6]融合多种环境因素,构建了基于多因素的LSTM(Long Short-Term Memory,长短期记忆网络)瓦斯浓度预测模型,该模型预测效果优于单因素模型,具有较高的预测精度。吴奉亮等[7]构建了基于特征变量选择的随机森林回归模型,并使用该模型对煤矿瓦斯涌出量进行预测,研究表明该方法能够有效提高预测效率和精度。张震等[8]建立了一种基于Keras长短期记忆网络的瓦斯浓度预测模型,该模型较ARIMA模型预测效果好、误差小。周松元等[9]构建了基于TreeNet算法的瓦斯浓度预测方法,并通过测试分析验证了该方法是一种基于机器学习的工作面预测指标的敏感性判别方法,可用于建立煤矿工作面瓦斯突出预测敏感指标体系。上述方法存在单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题[10]。
针对上述问题,将ARIMA模型与支持向量机(Support Vector Machine,SVM)模型融合,对瓦斯浓度进行预测。ARIMA模型可实现对瓦斯浓度时间序列的高精度预测,对线性波动的解释能力较强;SVM模型对非线性特征数据具有较高的预测和泛化能力。首先,利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列。其次,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到组合模型预测结果。再次,通过对ARIMA模型与SVM模型分配不同的权重参数,将SVM模型和ARIMA模型分别预测的结果进行线性叠加。最后,通过矿井实测数据与预测结果进行对比,验证组合模型的预测精度。
1. ARIMA−SVM组合模型
1.1 ARIMA模型
ARIMA(p,d,q)模型通过收集、分析过去时间点的观测值来刻画其内在联系,并对过去时间的观测值及误差线性方程进行分析,以实现预测目的[11-12],其中p为自回归阶数,p≥0,d为差分阶数,d>0,q为移动平均的阶数,q≥0。假定时间序列X={xi,i=1,2,…,N},xi为第i个时间序列数据,N为时间序列中数据总数,则ARIMA(p,d,q)为
$$ \begin{split} {\hat{l}}_{i}=&{\theta }_{0}+{\varphi }_{1}x{}_{i-1}+{\varphi }_{2}x{}_{i-2}+\cdots +{\varphi }_{p}x{}_{i-p}-{\varepsilon }_{i}-\\&{\theta }_{1}{\varepsilon }_{i-1}-{\theta }_{2}{\varepsilon }_{i-2}-\cdots -{\theta }_{q}{\varepsilon }_{i-q} \end{split}$$ (1) 式中:
$ {\hat l_{\text{i}}} $ 为第i个线性时间序列数据的预测值;$ {\theta _q} $ 和$ {\varphi _p} $ 为待估计的参数值;${\varepsilon }_{i}$ 为预测误差。1.2 SVM模型
SVM是基于统计学理论的新型机器学习方法[13-14]。假设训练集
$\left\{ {{{\textit{z}}_A},{f_A}} \right\}_{A = 1}^N \in {{\bf{R}}^N}$ ,其中${{\textit{z}}_A}$ 为第A个瓦斯浓度时间序列数据残差的输入,$ {f_A} $ 为第A个瓦斯浓度时间序列数据残差的输出,则SVM回归模型为$$ \mathop {\min }\limits_{w,b,\xi } \left[ {\frac{1}{2}\left\| w \right\|_2^2 + C\sum\limits_{{{A}} = 1}^{{N}} {{\xi _{{A}}}} } \right]$$ (2) $${\rm{ s.t}}.{\kern 1pt} {f_{{A}}} - \left\{ {\left[ {w,\phi \left( {{z_{{A}}}} \right)} \right] - b} \right\} \leqslant \epsilon + \xi $$ (3) 式中:
$ w $ 和$ b $ 为超平面参数;$ \xi $ 为松弛变量;C为惩罚因子,C>0;$ {\xi _A} $ 为第A个瓦斯浓度时间序列数据的松弛变量;$\phi \left({z}_{A}\right)$ 为映射函数;$\epsilon $ 为决定间隔边界宽度的超参数。1.3 ARIMA−SVM组合模型
瓦斯浓度时间序列数据中包含线性和非线性2种趋势,ARIMA模型对于线性部分的数据特征有较强的捕捉能力,而SVM模型在分析和预测非线性数据具有突出性能。假定瓦斯浓度时间序列数据X由线性和非线性2个部分构成,X={xi,i=1,2,…,N }。首先,采用ARIMA模型分析一维瓦斯浓度时间序列的历史数据,得到线性时间序列数据的预测值
$ {\hat l_{{i}}} $ 和预测时间序列残差数据$ {\delta _{{i}}} $ ,$ {\delta _{{i}}} = {x_{{i}}} - {\hat l_{{i}}} $ 。其次,采用SVM模型在影响瓦斯浓度时间序列数据的面板数据上进一步分析预测时间序列残差数据$ {\delta _{{i}}} $ 中的非线性因素,获得非线性时间序列数据预测值$ {\hat k_i} $ 。最后,将2个模型分析预测结果进行组合,得到目标瓦斯浓度时间序列数据的最终预测结果${\hat x_i}={\hat l_i}+{\hat k_i} $ 。2. 实验过程
2.1 数据来源
选取陕北某矿211工作面上隅角2020年9月1—7日共7天的瓦斯浓度数据统计指标作为研究对象。该矿位于榆林市境内,煤层瓦斯含量较低,地质条件变化较小。选取的数据源自同一煤层相同盘区,仅考虑在瓦斯浓度单因素影响下的预测结果。从9月1日0时起开始监测瓦斯浓度,每5 min采集1次,取其平均值,共采集2 016组数据作为实验数据。9月1日采集的原始数据如图1所示,部分数据见表1。
表 1 9月1日采集的部分瓦斯浓度数据Table 1. Part of the gas concentration data collected on September 1时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 00:00 0.15 01:00 0.21 02:00 0.15 03:00 0.11 04:00 0.15 05:00 0.20 00:05 0.15 01:05 0.19 02:05 0.13 03:05 0.13 04:05 0.17 05:05 0.18 00:10 0.13 01:10 0.17 02:10 0.13 03:10 0.09 04:10 0.17 05:10 0.22 00:15 0.17 01:15 0.17 02:15 0.13 03:15 0.15 04:15 0.17 05:15 0.18 00:20 0.21 01:20 0.19 02:20 0.11 03:20 0.19 04:20 0.19 05:20 0.20 00:25 0.19 01:25 0.21 02:25 0.13 03:25 0.15 04:25 0.17 05:25 0.22 00:30 0.17 01:30 0.19 02:30 0.11 03:30 0.13 04:30 0.11 05:30 0.2 00:35 0.15 01:35 0.19 02:35 0.13 03:35 0.15 04:35 0.13 05:35 0.2 00:40 0.17 01:40 0.17 02:40 0.11 03:40 0.15 04:40 0.11 05:40 0.22 00:45 0.11 01:45 0.15 02:45 0.13 03:45 0.11 04:45 0.09 05:45 0.18 00:50 0.15 01:50 0.15 02:50 0.13 03:50 0.19 04:50 0.16 05:50 0.20 00:55 0.17 01:55 0.15 02:55 0.11 03:55 0.19 04:55 0.18 05:55 0.20 2.2 瓦斯浓度预测及拟合效果
2.2.1 ARIMA模型预测
将1 440组数据作为模型的训练集,用于模型参数估计;其余576组数据作为测试集,用于模型泛化能力测试与检验。采用拉依达准则[15](即先假设1组检测数据仅有随机误差,对该数据分析后得到标准偏差,按一定概率构建一个区间,若超过该区间误差,则不属于随机误差而是粗大误差,应将其舍弃)对所采集数据中的异常数据(瓦斯传感器测量值与其平均值之差的绝对值大于其标准差3倍的数据)进行处理,将异常数据替换为其相邻2个数据的平均值。将预处理后的数据进行单位根(Augmented Dickey-Fuller test,ADF)检验处理,如果时间序列平稳,则不存在ADF,否则存在ADF。在ADF检验过程中假设训练集存在ADF,如果得到的显著性检验统计量(T值)小于3个置信度(10%,5%,1% ),则分别对应有90%,95%,99%的把握来拒绝原假设,且T值对应的概率值(P值)小于0.05(最好等于0)时,即可判断为平稳时间序列,否则为非平稳时间序列,利用差分法对非平稳时间序列进行平稳化处理,采用ADF对差分后的序列继续进行检验,直至其达到平稳。ADF检验结果见表2。
表 2 ADF检验结果Table 2. Result of ADF test临界值 P值 T值 1%置信度 5%置信度 10%置信度 −3.43 −2.86 −2.57 0.5 −6.22 由表2可看出,T值为−6.22,小于置信度为1%,5%,10%的临界值,但P值大于0.05,因此判断预处理后的瓦斯浓度数据为非平稳时间序列。对其分别进行一阶差分和二阶差分处理,使其成为平稳时间序列,如图2、图3所示。
从图2和图3可看出,非平稳时间序列在经过一阶差分、二阶差分处理后数据已趋于平稳,且经一阶差分与二阶差分处理后的瓦斯浓度分布趋势差异较小,均趋于平稳序列。
为进一步判断经一阶差分处理后的时间序列是否为平稳序列,对一阶差分后的序列进行ADF检验,得P值为5.038×10−8,远小于0.05,接近0,因此判断经一阶差分处理后的非平稳时间序列成为平稳时间序列。
数据平稳后使用自相关函数(Autocorrelation Function,ACF)和偏自相关函数(Partial Autocorrelation Function,PACF)为ARIMA模型定阶,如图4所示。可看出ACF和PACF在一阶或二阶后均落在置信区间,因此初步可得ARIMA(1,1,1),ARIMA(1,1,2),ARIMA(2,1,1),ARIMA(2,1,2)4个模型。
采用贝叶斯准则(Bayesian Information Criterion,BIC)对模型进行选择,BIC值越小,表示模型越优,将4个模型进行对比并选取最优模型(图5),其中AR0−AR4为自回归模型输出,MA0−MA4为移动平均模型输出。可看出当自回归模型阶数p为1、移动平均模型阶数q为2时,BIC值最小,因此可判断ARIMA(1,1,2)为最优模型。
利用Ljung−Box来检验ARIMA(1,1,2)模型的适用性,通过ARMA(1,1,2)模型预测后得到一个新的序列(即预测序列)。如果模型对原始序列解释性很好(即检验结果中P值均大于等于0.05),则预测序列与原始序列的差值(残差序列)是白噪声序列。在本次检验中所有P值均大于0.05,部分P值见表3。这说明预测序列与原始序列的差值是白噪声序列,因此判断模型对瓦斯浓度数据的变化趋势较为适用。采用该最优模型预测9月6,7日的瓦斯数据,结果如图6所示。可看出ARIMA(1,1,2)模型具有较高的拟合度,但与实际数据仍存在一定拟合误差。
表 3 Ljung−Box检验表Table 3. Ljung-Box inspection tablelag滞后阶数 自相关系数 P值 1 0.004 0.877 2 0.007 0.944 3 −0.022 0.839 4 −0.040 0.363 5 −0.050 0.397 6 −0.053 0.156 7 −0.040 0.112 8 0.041 0.078 9 0.021 0.096 10 0.041 0.068 2.2.2 SVM模型预测
利用SVM模型对瓦斯浓度时间序列的非线性部分进行预测,以9月1—5日1 440组数据作为训练集对SVM模型进行训练,对拟合样本进行归一化,在确定最优惩罚因子为72、最优核函数为0.01后,对9月6,7日576组数据进行预测,结果如图7所示。可看出预测结果与实际数据走势相近,但拟合度相对较差。
2.2.3 ARIMA−SVM模型预测
以9月1—5日1 440组数据作为训练集对ARIMA−SVM组合模型进行训练,通过ARIMA模型处理线性数据,SVM模型处理非线性数据,对ARIMA模型预测误差进行优化,最终通过最优ARIMA−SVM组合模型对9月6,7日576组数据进行预测,结果如图8所示。可看出ARIMA−SVM组合模型预测结果与实际数据的拟合度优于ARIMA模型和SVM模型。
采用ARIMA模型、SVM模型及ARIMA−SVM组合模型对瓦斯浓度数据进行预测分析,结果如图9所示。可看出相对于ARIMA模型、SVM模型,ARIMA−SVM组合模型的误差大幅度减小,且预测结果明显优于单一预测模型。
为更加客观地了解各模型预测精度,采用平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)和均方根误差(Root Mean Square Error,RMSE)3个指标来衡量各模型预测结果(表4)。
表 4 各模型预测结果分析Table 4. Prediction results analysis of each model模型 MAE MAPE RMSE ARIMA 0.028 4 0.047 6 0.075 4 SVR 0.025 1 0.032 5 0.056 3 ARIMA−SVM 0.015 8 0.019 3 0.010 3 从表4可看出,ARIMA−SVM组合模型的MAE,MAPE,RMSE均为最小,说明ARIMA−SVM组合模型预测效果更显著,预测精度更高。因此ARIMA−SVM组合模型更加适合瓦斯浓度时间序列预测。
3. 结语
针对瓦斯浓度时间序列中既有线性趋势又有非线性趋势的数据特征,采用ARIMA模型预测序列中的线性数据,利用SVM模型预测序列中的非线性数据。结合ACF,PACF及BIC准则,得到ARIMA最优模型为ARIMA(1,1,2),根据核函数等参数寻优,确立了最优SVM模型,从而建立了ARIMA−SVM组合模型。利用3种模型对瓦斯浓度进行预测,结果表明:ARIMA−SVM组合模型预测结果与实际数据的拟合度优于ARIMA模型和SVM模型;相对于ARIMA模型、SVM模型,ARIMA−SVM组合模型的误差大幅减小,且预测结果明显优于单一模型;ARIMA−SVM组合模型的MAE、MAPE,RMSE均为最小,ARIMA−SVM组合模型预测效果更显著、预测精度更高,能够综合反映瓦斯浓度时间序列规律,对煤矿瓦斯精准预警具有重要意义。
-
表 1 9月1日采集的部分瓦斯浓度数据
Table 1 Part of the gas concentration data collected on September 1
时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 时间 瓦斯体积分数/% 00:00 0.15 01:00 0.21 02:00 0.15 03:00 0.11 04:00 0.15 05:00 0.20 00:05 0.15 01:05 0.19 02:05 0.13 03:05 0.13 04:05 0.17 05:05 0.18 00:10 0.13 01:10 0.17 02:10 0.13 03:10 0.09 04:10 0.17 05:10 0.22 00:15 0.17 01:15 0.17 02:15 0.13 03:15 0.15 04:15 0.17 05:15 0.18 00:20 0.21 01:20 0.19 02:20 0.11 03:20 0.19 04:20 0.19 05:20 0.20 00:25 0.19 01:25 0.21 02:25 0.13 03:25 0.15 04:25 0.17 05:25 0.22 00:30 0.17 01:30 0.19 02:30 0.11 03:30 0.13 04:30 0.11 05:30 0.2 00:35 0.15 01:35 0.19 02:35 0.13 03:35 0.15 04:35 0.13 05:35 0.2 00:40 0.17 01:40 0.17 02:40 0.11 03:40 0.15 04:40 0.11 05:40 0.22 00:45 0.11 01:45 0.15 02:45 0.13 03:45 0.11 04:45 0.09 05:45 0.18 00:50 0.15 01:50 0.15 02:50 0.13 03:50 0.19 04:50 0.16 05:50 0.20 00:55 0.17 01:55 0.15 02:55 0.11 03:55 0.19 04:55 0.18 05:55 0.20 表 2 ADF检验结果
Table 2 Result of ADF test
临界值 P值 T值 1%置信度 5%置信度 10%置信度 −3.43 −2.86 −2.57 0.5 −6.22 表 3 Ljung−Box检验表
Table 3 Ljung-Box inspection table
lag滞后阶数 自相关系数 P值 1 0.004 0.877 2 0.007 0.944 3 −0.022 0.839 4 −0.040 0.363 5 −0.050 0.397 6 −0.053 0.156 7 −0.040 0.112 8 0.041 0.078 9 0.021 0.096 10 0.041 0.068 表 4 各模型预测结果分析
Table 4 Prediction results analysis of each model
模型 MAE MAPE RMSE ARIMA 0.028 4 0.047 6 0.075 4 SVR 0.025 1 0.032 5 0.056 3 ARIMA−SVM 0.015 8 0.019 3 0.010 3 -
[1] 齐黎明,卢云婷,关联合,等. 煤与瓦斯突出预测敏感指标确定方法探索及应用[J]. 矿业安全与环保,2021,48(3):85-89. QI Liming,LU Yunting,GUAN Lianhe,et al. Exploration and application of determination method of sensitive index for prediction of coal and gas outburst[J]. Mining Safety & Environmental Protection,2021,48(3):85-89.
[2] 林海飞,周捷,高帆,等. 基于特征选择和机器学习融合的煤层瓦斯含量预测[J]. 煤炭科学技术,2021,49(5):44-51. LIN Haifei,ZHOU Jie,GAO Fan,et al. Coal seam gas content prediction based on fusion of feature selection and machine learning[J]. Coal Science and Technology,2021,49(5):44-51.
[3] 邵阳,康宇. 基于多元线性回归预测采煤工作面瓦斯涌出量[J]. 煤炭技术,2021,40(4):118-121. SHAO Yang,KANG Yu. Prediction of coal face gas emission based on multiple linear regression[J]. Coal Technology,2021,40(4):118-121.
[4] 郑晓亮,来文豪,薛生. MI和SVM算法在煤与瓦斯突出预测中的应用[J]. 中国安全科学学报,2021,31(1):75-80. ZHENG Xiaoliang,LAI Wenhao,XUE Sheng. Application of MI and SVM in coal and gas outburst prediction[J]. China Safety Science Journal,2021,31(1):75-80.
[5] 王彦彬. 基于PCA−PSO−ELM的瓦斯涌出量预测[J]. 湖南科技大学学报(自然科学版),2020,35(4):1-9. WANG Yanbin. Prediction of gas emission based on PCA-PSO-ELM[J]. Journal of Hunan University of Science & Technology (Natural Science Edition),2020,35(4):1-9.
[6] 刘莹,杨超宇. 基于多因素的LSTM瓦斯浓度预测模型[J]. 中国安全生产科学技术,2022,18(1):108-113. LIU Ying,YANG Chaoyu. LSTM gas concentration prediction model based on multiple factors[J]. Journal of Safety Science and Technology,2022,18(1):108-113.
[7] 吴奉亮,霍源,高佳南. 基于随机森林回归的煤矿瓦斯涌出量预测方法[J]. 工矿自动化,2021,47(8):102-107. WU Fengliang,HUO Yuan,GAO Jianan. Coal mine gas emission prediction method based on random forest regression[J]. Industry and Mine Automation,2021,47(8):102-107.
[8] 张震,朱权洁,李青松,等. 基于Keras长短时记忆网络的矿井瓦斯浓度预测研究[J]. 安全与环境工程,2021,28(1):61-67,78. ZHANG Zhen,ZHU Quanjie,LI Qingsong,et al. Prediction of mine gas concentration in heading face based on Keras long short time memory network[J]. Safety and Environmental Engineering,2021,28(1):61-67,78.
[9] 周松元,罗渭,马伟东,等. 基于TreeNet算法的煤与瓦斯突出预测模型构建研究[J]. 矿业研究与开发,2022,42(5):190-196. DOI: 10.13827/j.cnki.kyyk.2022.05.002 ZHOU Songyuan,LUO Wei,MA Weidong,et al. Research on coal and gas outburst prediction model construction based on TreeNet algorithm[J]. Mining Research and Development,2022,42(5):190-196. DOI: 10.13827/j.cnki.kyyk.2022.05.002
[10] 林海飞,高帆,严敏,等. 煤层瓦斯含量PSO−BP神经网络预测模型及其应用[J]. 中国安全科学学报,2020,30(9):80-87. LIN Haifei,GAO Fan,YAN Min,et al. Study on PSO-BP neural network prediction method of coal seam gas content and its application[J]. China Safety Science Journal,2020,30(9):80-87.
[11] 郭一鹏,郭晓丽,郭晓红,等. 利用时间序列分析法预测工作面瓦斯涌出规律[J]. 矿业安全与环保,2012,39(1):33-35,39. DOI: 10.3969/j.issn.1008-4495.2012.01.011 GUO Yipeng,GUO Xiaoli,GUO Xiaohong,et al. Using time series analysis method to predict the law of gas emission from working face[J]. Mining Safety & Environmental Protection,2012,39(1):33-35,39. DOI: 10.3969/j.issn.1008-4495.2012.01.011
[12] 汤进. 基于瓦斯浓度时间序列的大数据预测[D]. 徐州: 中国矿业大学, 2018. TANG Jin. Big data prediction based on methane concentration time series[D]. Xuzhou: China University of Mining and Technology, 2018.
[13] 邵良杉,詹小凡. 煤与瓦斯突出missForest− EGWO−SVM预测模型[J]. 辽宁工程技术大学学报(自然科学版),2020,39(3):214-218. SHAO Liangshan,ZHAN Xiaofan. MissForest-EGWO-SVM prediction model for coal and gas outburst[J]. Journal of Liaoning Technical University (Natural Science),2020,39(3):214-218.
[14] 吴雅琴,李惠君,徐丹妮. 基于IPSO−Powell优化SVM的煤与瓦斯突出预测算法[J]. 工矿自动化,2020,46(4):46-53. DOI: 10.13272/j.issn.1671-251x.2019110018 WU Yaqin,LI Huijun,XU Danni. Prediction algorithm of coal and gas outburst based on IPSO-Powell optimized SVM[J]. Industry and Mine Automation,2020,46(4):46-53. DOI: 10.13272/j.issn.1671-251x.2019110018
[15] 李欢,贾佳,杨秀宇,等. 煤矿综采工作面瓦斯浓度预测模型[J]. 工矿自动化,2018,44(12):48-53. DOI: 10.13272/j.issn.1671-251x.17364 LI Huan,JIA Jia,YANG Xiuyu,et al. Gas concentration prediction model for fully mechanized coal mining face[J]. Industry and Mine Automation,2018,44(12):48-53. DOI: 10.13272/j.issn.1671-251x.17364
-
期刊类型引用(9)
1. 高翼飞,张晓航,畅明,葛帅帅,陈伟. 基于时空图卷积网络的瓦斯体积分数预警效果研究. 中国安全生产科学技术. 2024(01): 58-64 . 百度学术
2. 张玲,杨超宇. 基于注意力机制的ResNet-LSTM煤矿瓦斯浓度预测模型. 煤炭技术. 2024(08): 208-213 . 百度学术
3. 朱艺轩. 基于机器学习的成都市空气质量预测. 信息记录材料. 2024(07): 160-162 . 百度学术
4. 殷建华,戴冠正,丁宁,辛晓钢,张谦,杜荣华. 基于STL-Informer-BiLSTM-XGB模型的供热负荷预测. 科学技术与工程. 2024(21): 8942-8949 . 百度学术
5. 胡青松,郑硕,李世银,孙彦景. 基于改进TCN-TimeGAN的矿井瓦斯浓度智能预测方法. 煤炭科学技术. 2024(S2): 321-330 . 百度学术
6. 李洪晨,张志强. 全国国民图书阅读率会超过60%吗?——基于ARIMA模型的全国国民阅读调查预测研究. 图书情报工作. 2023(09): 72-80 . 百度学术
7. 金秀章,陈佳政,李阳峰. 基于ARIMA-OSELM的火电厂SCR入口NO_x浓度预测建模研究. 计量学报. 2023(09): 1458-1466 . 百度学术
8. 曹梅,杨超宇. 基于小波的CNN-LSTM-Attention瓦斯预测模型研究. 中国安全生产科学技术. 2023(09): 69-75 . 百度学术
9. 曹梅,杨超宇. 基于双向长短期记忆网络的煤矿瓦斯浓度预测. 绥化学院学报. 2023(12): 156-160 . 百度学术
其他类型引用(11)