CN108470254A - 一种基于自回归神经网络的瓦斯灾害预测方法 - Google Patents

一种基于自回归神经网络的瓦斯灾害预测方法 Download PDF

Info

Publication number
CN108470254A
CN108470254A CN201810307257.XA CN201810307257A CN108470254A CN 108470254 A CN108470254 A CN 108470254A CN 201810307257 A CN201810307257 A CN 201810307257A CN 108470254 A CN108470254 A CN 108470254A
Authority
CN
China
Prior art keywords
neural network
recurrent neural
prediction
layer
gas disaster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810307257.XA
Other languages
English (en)
Inventor
高佳华
陈琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201810307257.XA priority Critical patent/CN108470254A/zh
Publication of CN108470254A publication Critical patent/CN108470254A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开了一种基于自回归神经网络的瓦斯灾害预测方法，包括以下步骤：S1：首先采集实际监测的历史数据，筛选出训练数据和验证数据；S2：建立自回归神经网络预测模型；S3：调整网络模型结构，确定网络模型的输入输出层和隐层的个数及神经网络的最大学习次数；S4：训练和验证所述网络模型；S5：对验证后的所述自回归神经网络模型输入参数，得到瓦斯灾害预测值，从而跟踪预测瓦斯灾害。本发明提出的基于自回归神经网络模型的瓦斯灾害预测方法可实现对多维瓦斯灾害进行时序预测，预测结果表明，该预测网络的自适应能力较强，预测精度高，可对瓦斯灾害趋势做很好的预测。

Description

一种基于自回归神经网络的瓦斯灾害预测方法
技术领域
本发明涉及煤矿安全技术领域，尤其涉及一种基于自回归神经网络的瓦斯灾害预测方法。
背景技术
瓦斯灾害预测是根据瓦斯监控系统的输出以及对应的输入可测部分的现在和过去观测值来估计将来的输出值。瓦斯灾害的预测对煤矿安全生产具有重大意义，因而引起很多学者的高度重视。受瓦斯监测技术的限制，准确预测瓦斯灾害目前还是一个比较困难的问题，特别是对于地质条件复杂、开采深度在1000m 以下的高突瓦斯煤矿，其准确预测瓦斯灾害的难度更大。随着我国煤炭科学技术的迅速发展，在煤与瓦斯灾害预测方面取得了进展，提出了许多预测煤与瓦斯灾害的方法和指标，如基于带移动窗的神经网络瓦斯分类预测、基于K-最近邻分类的瓦斯灾害预测、基于人工神经网络的时序预测模型等。传统的基于时间序列分析预报理论是以线性自回归滑动平均模型为基础的，并可推广到非线性过程。但使用传统预测法需解决系统建模、参数估计和自适应修正等问题。已有的基于人工神经网络预测模型为解决这些问题提供了新途径。这些模型一定程度上提高了预测的精度和自适应性，但已有的瓦斯预测模型只能逼近或预测一维(一种属性)灾害，对于多维(多种属性)的灾害的预测甚少。如果还采用以往的模型来预测多维的灾害，那么，必然存在不同维(变量)之间的迭加运算，因为不同变量之间的关系不一样，有的是时变的，有的是随机变化的，而且有些关系无法明确表达。即使许多关系明确下来，算法本身也不存在通用性。对于不同变量，增加或减少变量，更替变量，网络模型的结构要改，学习算法也要重新设定。对于同一变量，当输入有很大的变化时，很可能以前的算法和结构又不适应。总之，现在的单维网络模型难以同时预测多维(变量)的灾害。
发明内容
鉴于目前技术存在的上述不足，本发明提出了一种基于自回归神经网络的瓦斯灾害预测方法，提出了用于时序列并行预测的自回归神经网络模型的结构，并把相邻实际输出之间差别驱动的时差方法与动态 BP算法相结合，作为训练自回归神经网络的学习算法。预测结果表明，该预测网络的自适应能力较强，预测精度高。
为了实现上述技术问题，本发明采用如下技术方案：
基于自回归神经网络的瓦斯灾害预测方法，包括以下步骤：
S1：首先采集实际监测的历史数据，筛选出训练数据和验证数据；
S2：建立自回归神经网络预测模型；
S3：调整网络模型结构，确定网络模型的输入输出层和隐层的个数及神经网络的最大学习次数；
S4：训练和验证所述网络模型；
S5：对验证后的所述自回归神经网络模型输入参数，得到瓦斯灾害预测值，从而跟踪预测瓦斯灾害。
附图说明
图1为本发明的流程图。
图2为基于自回归神经网络的多维瓦斯灾害预测模型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步描述。如图1所示本发明提供的基于自回归神经网络的瓦斯灾害预测方法，包括以下步骤：
S1：首先依靠瓦斯灾害监测仪和瓦斯监测系统采集实际监测的历史数据，筛选出训练数据和验证数据；
S2：如图2所示，建立自回归神经网络预测模型，网络纵向共四层：第一层输入层有p个输入单元，每个输入单元可以有n种元素，每种元素就代表一种属性，其中Xt可以由网络的输出Zt+1做进一步延迟得到，所以此网络的每一种元素的输入信号实际上也只有p-1个；第二层输入分配层将每一个输入单元的n 种元素分配到n个并行网络中；第三层隐层也是n组，每个隐层有NH1个作用函数为Sigmoid函数或双曲函数的非线性单元，NH1大小可改变，且隐层单元有延迟一步的自反馈。其中输入分配层和隐层组成了n 组并行网络，这些并行网络同时各自训练不同属性的数据；第四层输出层有k个线性单元，最多可预测k 步(如在t时刻输入前p个数据，做k步预测就会预测到[t+1,t+2.…，t+k]时刻的数据)。
该预测网络的数学模型如下：
网络的输入层：[Xt,Xt-1,…，Xt-p]
式中，
第I组并行网络的输入层单元：
第I组并行网络的中间隐层单元：
式中，对每一个t时刻，是第I组并行网络的第i个隐单元的输出；gN(·)为Sigmoid函数或双曲函数
式中，Vi I(t)是每一个t时刻第I组并行网络的第i个隐单元的输入之和，解为第I组并行网络输入层连接权；为第I组并行网络第i个隐单元回归层的连接权。
式中，Zt+j表示t时刻第j个输出单元的输出，包含各属性。
网络的输出层：
式为t时刻第j个输出单元的第I种属性的输出。
其中，在网络初始化时，不考虑各神经单元的阈值，对每一时刻t,规定
S3：调整网络模型结构，确定网络模型的输入输出层和隐层的个数及神经网络的最大学习次数；
S4：训练和验证所述网络模型。该网络的学习算法为相邻实际输出之间差别驱动的时差方法与动态 BP算法的结合，为了判断整体预测的精度，用以下两式作为判断依据：
式中，为I属性中t时刻预测值与实际值的误差；Et为t时刻实际值与预测之间的误差，对于不同的预测瓦斯样本Et可以相应变化，定义一个平均误差为当符合要求时，结束训练；反之重新设置网络结构，重新训练网络，直到符合要求为止。
S5：对验证后的所述自回归神经网络模型输入参数，得到瓦斯灾害预测值，从而跟踪预测瓦斯灾害。

Claims (5)

1.一种基于自回归神经网络的瓦斯灾害预测方法，其特征在于，包括以下步骤：S1：首先采集实际监测的历史数据，筛选出训练数据和验证数据；S2：建立自回归神经网络预测模型；S3：调整网络模型结构，确定网络模型的输入输出层和隐层的个数及神经网络的最大学习次数；S4：训练和验证所述网络模型；S5：对验证后的所述自回归神经网络模型输入参数，得到瓦斯灾害预测值，从而跟踪预测瓦斯灾害。
2.根据权利要求1所述的基于自回归神经网络的瓦斯灾害预测方法，其特征在于：所述的历史数据是依靠瓦斯监测系统和瓦斯灾害监测仪获得。
3.根据权利要求1所述的基于自回归神经网络的瓦斯灾害预测方法，其特征在于：所述的自回归神经网络预测模型纵向共四层：第一层为输入层；第二层为输入分配层；第三层为隐层，每个隐单元有延迟一步的自反馈；第四层为输出层，与输入层形成一步反馈。网络输入层可以有n种属性并行输入，对应有n个隐层，n个输出层。
4.根据权利要求1所述的基于自回归神经网络的瓦斯灾害预测方法，其特征在于：所述训练自回归神经网络模型把相邻实际输出之间差别驱动的时差方法与动态BP算法相结合，作为训练自回归神经网络的学习算法。
5.根据权利要求1所述的基于自回归神经网络的瓦斯灾害预测方法，其特征在于：评价所述训练自回归神经网络模型是否合格的公式如下：
式中，为I属性中t时刻预测值与实际值的误差；Et为t时刻实际值与预测之间的误差，对于不同的预测瓦斯样本Et可以相应变化，定义一个平均误差为当符合要求时，结束训练。
CN201810307257.XA 2018-04-08 2018-04-08 一种基于自回归神经网络的瓦斯灾害预测方法 Pending CN108470254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810307257.XA CN108470254A (zh) 2018-04-08 2018-04-08 一种基于自回归神经网络的瓦斯灾害预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810307257.XA CN108470254A (zh) 2018-04-08 2018-04-08 一种基于自回归神经网络的瓦斯灾害预测方法

Publications (1)

Publication Number Publication Date
CN108470254A true CN108470254A (zh) 2018-08-31

Family

ID=63262692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810307257.XA Pending CN108470254A (zh) 2018-04-08 2018-04-08 一种基于自回归神经网络的瓦斯灾害预测方法

Country Status (1)

Country Link
CN (1) CN108470254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334451A (zh) * 2019-07-09 2019-10-15 精英数智科技股份有限公司 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156422A (zh) * 2014-08-06 2014-11-19 辽宁工程技术大学 一种基于动态神经网络的瓦斯浓度实时预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156422A (zh) * 2014-08-06 2014-11-19 辽宁工程技术大学 一种基于动态神经网络的瓦斯浓度实时预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付华等: "瓦斯突出多维预测模型的研究", 《压电与声光》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334451A (zh) * 2019-07-09 2019-10-15 精英数智科技股份有限公司 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统

Similar Documents

Publication Publication Date Title
CN110070713B (zh) 一种基于双向嵌套lstm神经网络的交通流预测方法
CN102622418B (zh) 一种基于bp神经网络的预测装置及设备
Maschio et al. Bayesian history matching using artificial neural network and Markov Chain Monte Carlo
CN107480341A (zh) 一种基于深度学习的大坝安全综合评判方法
CN111080002A (zh) 基于深度学习的建筑用电负荷多步预测方法及系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN106067079B (zh) 一种基于bp神经网络的灰霾预测的系统和方法
CN108053052B (zh) 一种油罐车油气泄漏速度智能监测系统
CN106408120B (zh) 一种局部区域滑坡预测装置及方法
CN104217258B (zh) 一种电力负荷条件密度预测方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测系统
CN110909909A (zh) 基于深度学习和多层时空特征图的短时交通流预测方法
Papadopoulou et al. Computational benefits using artificial intelligent methodologies for the solution of an environmental design problem: saltwater intrusion
CN103226741A (zh) 城市供水管网爆管预测方法
CN109635246B (zh) 一种基于深度学习的多属性数据建模方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN106199174A (zh) 基于迁移学习的挤压机能耗异常预测方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN107976934B (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
CN102034133A (zh) 一种基于量子神经网络的多因素系统的综合评价方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN111723516B (zh) 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法
Awad et al. Prediction of water demand using artificial neural networks models and statistical model
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN113722997A (zh) 一种基于静态油气田数据的新井动态产量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180831

WD01 Invention patent application deemed withdrawn after publication