CN108470222A - 一种用于典型事件预测预报的多征兆增信方法 - Google Patents

Abstract

本发明属于信息技术及其应用领域，具体涉及一种用于典型事件预测预报的多征兆增信方法，根据事件的发生机理和相关领域特征，利用大数据分析方法发现与其有关的影响因素集合、每个影响因素对事件的支持度集合以及每个影响因素的显现程度集，根据事件的发生机理、相关领域特征和对事件精确预测的难易程度，构建预测事件发生概率的计算模型来计算典型事件发生的概率，从而给出事件预测预报结果。本发明通过大数据挖掘理论找到与某种典型事件相关的自然现象和人为因素，从而建立一个完整的预测该事件的多挣赵增新方法，以解决灾害预警、天气预报、病变预测、故障诊断等具有多种迹象和前兆信息的典型事件预测预报问题。

Description

一种用于典型事件预测预报的多征兆增信方法

技术领域

本发明属于信息技术及其应用领域，具体涉及一种用于典型事件预测预报的多征兆增信方法。

背景技术

对于灾害预警、天气预报、病变预测、故障诊断等典型事件，都有相关的因素，而且这些因素表现得征兆越多表明事件发生的可能性与大，其预测结果就越可信。但是，目前常用的多因素、多证据数据融合和评价方法，如：加权平均法、层次分析法、可拓识别、D-S证据理论等方法及其改进等，都是面向证据冲突情况下的评价和识别问题给出的某种解决方案，无法体现“种种迹象表明，要发生某种事件”的基本原理。

同时，对于支持典型事件时间的多征兆、多证据或多现象问题，还没有一个方法能够利用这些多征兆、多证据或多现象的有用信息去增强对事件预测结果的可信度。

因此，提供一种用于典型事件预测预报的多征兆增信方法，以解决该类具有多种迹象和征兆信息的典型事件预测预报问题，是十分必要的。

发明内容

本发明的目的在于解决上述现有技术中存在的无法利用典型事件的多征兆信息进行完整可靠的预测预报难题，提供一种用于典型事件预测预报的多征兆增信方法，充分利用大数据挖掘理论，建立完整的预测体系。

本发明是通过以下技术方案实现的：

一种用于典型事件预测预报的多征兆增信方法，包括以下步骤：

(1)设该典型事件为E，根据事件E的发生机理和相关领域特征，利用大数据分析方法发现与其有关的影响因素集合，S＝{s₁,s₂,…}；

(2)设S中每个影响因素对事件E的支持度集合P＝{p₁,p₂,…}(0＜p_i≤1,i＝1,2,…)；

(3)设S中每个影响因素的显现程度为Q＝{q₁,q₂,…}(0≤q_i≤1,i＝1,2,…)，若q_i＝0说明s_i无显现，若q_i＝1说明s_i已充分显现；

(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度，构建预测事件E发生概率F的计算模型：F＝F(s₁,p₁,q₁,s₂,p₂,q₂,…)；

(5)根据监测到的各种影响因素的显现程度Q＝{q₁,q₂,…}计算典型事件E发生的概率，从而给出事件E预测预报结果。

进一步的，支持度P_n计算公式为：P_n＝P_n-1+p_n-P_n-1×p_n。

进一步的，步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。

同时，要求F需满足下列技术特征：

1.事件E的发生概率F<1时，每增加一种显现程度大于0的影响因素，事件E的发生概率F严格增大。

2.事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的支持度p_i正相关。

3.事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的显现程度q_i正相关。

4.当出现影响因素s_i，同时满足其对事件E的支持度p_i＝1，对事件E的显现程度q_i＝1时，事件E的发生概率F＝1。

5.事件E的发生概率F需体现每种影响因素对事件E的支持度对预测结果的影响；当某种影响因素的支持度不易确定时，可取值为1。

与现有技术相比，本发明的有益效果是：

本发明提供的一种用于典型事件预测预报的多征兆增信方法，通过大数据挖掘理论找到与某种典型事件相关的自然现象和人为因素，从而建立一个完整的预测该事件的多挣赵增新方法，以解决灾害预警、天气预报、病变预测、故障诊断等具有多种迹象和前兆信息的典型事件预测预报问题。

通过使用本申请所提供的方案，可以随时根据监测到的各种前兆因素显现程度进行典型事件发生概率的计算，从而给出预测预报结果，而且随着新的影响因素被发现，随时将新现象的显现程度加入到预测模型中，以提高预测结果的可信度，充分体现了“种种迹象表明，要发生某种事件”的基本原理和技术。

此外，本发明方法原理可靠，步骤简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。

附图说明

图1是本发明提供的一种用于典型事件预测预报的多征兆增信方法的流程图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

实施例1

如图1所示，本发明提供的一种用于典型事件预测预报的多征兆增信方法，包括以下步骤：

(1)设该典型事件为E，根据事件E的发生机理和相关领域特征，利用大数据分析方法发现与其有关的影响因素集合，S＝{s₁,s₂,…}；

(2)设S中每个影响因素对事件E的支持度集合P＝{p₁,p₂,…}(0＜p_i≤1,i＝1,2,…)；

(3)设S中每个影响因素的显现程度为Q＝{q₁,q₂,…}(0≤q_i≤1,i＝1,2,…)，若q_i＝0说明s_i无显现，若q_i＝1说明s_i已充分显现；

(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度，构建预测事件E发生概率F的计算模型：F＝F(s₁,p₁,q₁,s₂,p₂,q₂,…)；

(5)根据监测到的各种影响因素的显现程度Q＝{q₁,q₂,…}计算典型事件E发生的概率，从而给出事件E预测预报结果。

在本实施例中，支持度P_n计算公式为：P_n＝P_n-1+p_n-P_n-1×p_n。

在本实施例中，步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。

同时，要求F需满足下列技术特征：

1.事件E的发生概率F<1时，每增加一种显现程度大于0的影响因素，事件E的发生概率F严格增大。

2.事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的支持度p_i正相关。

3.事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的显现程度q_i正相关。

4.当出现影响因素s_i，同时满足其对事件E的支持度p_i＝1，对事件E的显现程度q_i＝1时，事件E的发生概率F＝1。

5.事件E的发生概率F需体现每种影响因素对事件E的支持度对预测结果的影响；当某种影响因素的支持度不易确定时，可取值为1。

实施例2

本实施例提供的一种用于典型事件预测预报的多征兆增信方法，包括以下步骤：

首先，假设要预测预报的典型事件为E，根据事件E的发生机理和相关领域特征，利用大数据分析方法发现与其有关的影响因素集合，S＝{s₁,s₂,…}，以及每个前兆现象对事件E的支持度集合P＝{p₁,p₂,…}(0＜p_i≤1,i＝1,2,…)，这里的集合S＝{s₁,s₂,…}和P＝{p₁,p₂,…}可在计算过程中不断扩展，并且假设现象集S＝{s₁,s₂,…}中各种现象显现程度为Q＝{q₁,q₂,…}(0≤q_i≤1,i＝1,2,…)，其中若q_i＝0说明s_i无显现，若q_i＝1说明s_i已充分显现。

其次，根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度，利用象集S＝{s₁,s₂,…}，支持集P＝{p₁,p₂,…}和显现集Q＝{q₁,q₂,…}，构造一个预测事件E发生概率的计算F的计算模型：

F＝F(s₁,p₁,q₁,s₂,p₂,q₂,…)

在本实施例中，F的构建过程如下：

(1)逐步计算支持度P₁,P₂,…,P_n

P₁＝p₁

P₂＝P₁+p₂-P₁×p₂

……

P_n＝P_n-1+p_n-P_n-1×p_n

对于上述递推公式，显然有结论：若p₁＝1,p₂＝1,…，则P₁＝1,P₂＝1,…。

(2)计算时间E的发生概率F_n

当n＝1时，取

F₁＝P₁×q₁；

否则，取

F₁＝q₁。

执行后继计算：

F₂＝P₁×F₁+p₂×q₂+(1-P₁-p₂)×F₁×q₂

。。。

F_n＝P_n-1×F_n-1+p_n×q_n+(1-P_n-1-p_n)×F_n-1×q_n

由

F_n＝P_n-1×F_n-1+p_n×q_n+(1-P_n-1-p_n)×F_n-1×q_n

＝P_n-1×F_n-1+p_n×q_n+(1-P_n-1)×F_n-1×q_n-p_n×F_n-1×q_n

＝P_n-1×F_n-1+(1-P_n-1)×F_n-1×q_n+(1-F_n-1)×p_n×q_n

≥P_n-1×F_n-1

可以得出上式只有在P_n-1＝1，F_n-1＝1时，等式才成立，并且满足构建F所要求满足的技术特征。

最后，可根据本实施例中构建的计算模型，随时依据监测到的各种影响因素的显现程度Q＝{q₁,q₂,…}计算典型事件E发生的概率，从而给出事件E预测预报结果，而且，利用该方法还可以随着新的影响典型事件E的现象被发现，随时将新现象的显现程度加入到预测模型中，以提高预测结果的可信度。

实施例3

在本实施例中，提供煤矿的煤与瓦斯突出事件作为需预测的典型事件E，则有：E＝{煤与瓦斯突出}。

其影响因素包括煤层厚度h(m)，煤的硬度系数f，最大方向地应力σ(MPa)，瓦斯含量x(m3/t)，瓦斯压力p(MPa)等，因此可以构建S＝{s₁,s₂,…,s₅}＝{煤层厚度h(m)，煤的硬度系数f，最大方向地应力σ(MPa)，瓦斯含量x(m3/t)，瓦斯压力p(MPa)}。

在本实施例中，以上影响因素对于事件E发生的支持度取值为：

p₁＝0.5，

p₂＝0.5，

p₃＝0.5，

p₄＝0.5，

p₅＝0.5。

在本实施例中，以上影响因素对事件E发生的显现程度取值为：

在本实施例中，对该采掘工作面的各影响因素测量值为：

h＝2,f＝0.6,σ＝14,σ＝10,x＝5，p＝0.6

计算可得，本实施例中各因素对是事件E发生的显现程度数值为：

q₁＝0.2，

q₂＝0.8，

q₃＝0.7，

q₄＝0.5，

q₅＝0.3。

执行计算可得，本实施例中各现象对于时间E发生概率F的支持度P₅为：

P₁＝p₁＝0.5，

P₂＝P₁+p₂-P₁×p₂＝0.75，

P₃＝P₂+p₃-P₂×p₃＝0.875，

P₄＝P₃+p₄-P₃×p₄＝0.937，

P₅＝P₄+p₅-P₄×p₅＝0.968。

再计算事件E的发生概率F₅为：

F₁＝q₁＝0.2，

F₂＝P₁×F₁+p₂×q₂+(1-P₁-p₂)×F₁×q₂＝0.5，

F₃＝P₂×F₂+p₃×q₃+(1-P₂-p₃)×F₂×q₃＝0.6375，

F₄＝P₃×F₃+p₄×q₄+(1-P₃-p₄)×F₃×q₄＝0.68828，

F₅＝P₄×F₄+p₅×q₅+(1-P₄-p₅)×F₄×q₅＝0.70493

最后得出，该采掘工作面发生煤与瓦斯突出事故的概率为F₅＝0.70493，需要提醒工作人员进行事故预防工作。

本发明提供的一种用于典型事件预测预报的多征兆增信方法，通过大数据挖掘理论找到与某种典型事件相关的自然现象和人为因素，从而建立一个完整的预测该事件的多挣赵增新方法，以解决灾害预警、天气预报、病变预测、故障诊断等具有多种迹象和前兆信息的典型事件预测预报问题。

通过使用本申请所提供的方案，可以随时根据监测到的各种前兆因素显现程度进行典型事件发生概率的计算，从而给出预测预报结果，而且随着新的影响因素被发现，随时将新现象的显现程度加入到预测模型中，以提高预测结果的可信度，充分体现了“种种迹象表明，要发生某种事件”的基本原理和技术。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (7)

1.一种用于典型事件预测预报的多征兆增信方法，其特征在于，包括以下步骤：

(1)设该典型事件为E，根据事件E的发生机理和相关领域特征，利用大数据分析方法发现与其有关的影响因素集合，S＝{s₁,s₂,…}；

(2)设S中每个影响因素对事件E的支持度集合P＝{p₁,p₂,…}(0＜p_i≤1,i＝1,2,…)；

(3)设S中每个影响因素的显现程度为Q＝{q₁,q₂,…}(0≤q_i≤1,i＝1,2,…)，若q_i＝0说明s_i无显现，若q_i＝1说明s_i已充分显现；

(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度，构建预测事件E发生概率F的计算模型：F＝F(s₁,p₁,q₁,s₂,p₂,q₂,…)；

(5)根据监测到的各种影响因素的显现程度Q＝{q₁,q₂,…}计算典型事件E发生的概率，从而给出事件E预测预报结果。

2.如权利要求1所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于：步骤(2)中支持度P_n计算公式为：P_n＝P_n-1+p_n-P_n-1×p_n。

3.如权利要求1所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于，步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。

4.如权利要求3所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于：事件E的发生概率F<1时，每增加一种显现程度大于0的影响因素，事件E的发生概率F严格增大。

5.如权利要求4所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于：事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的支持度p_i正相关。

6.如权利要求4所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于：事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的显现程度q_i正相关。

7.如权利要求3至6中任一权利要求所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于：当出现影响因素s_i，同时满足其对事件E的支持度p_i＝1，对事件E的显现程度q_i＝1时，事件E的发生概率F＝1。