CN108876010A - 煤矿井下电磁辐射强度时序数据的选择与趋势预测方法 - Google Patents

Abstract

本发明公开了一种煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，包括以下步骤：采样煤矿井下电磁辐射强度的时序数据以得到样本数据集；对样本数据集进行聚类粒化处理以得到多个数据子集；基于Hausdorff距离确定每个数据子集中样本点的重要性大小，并根据重要性大小对每个样本点进行去除或保留，以得到预测数据集；根据预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。根据本发明的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，降低了趋势预测的计算复杂度，并增强了预测结果的鲁棒性。

Description

煤矿井下电磁辐射强度时序数据的选择与趋势预测方法

技术领域

本发明涉及煤岩动力灾害预测技术领域，特别涉及一种煤矿井下电磁辐射强度时序数据的选择与趋势预测方法。

背景技术

在煤炭产业中，矿井的安全是重中之重，它不仅关系到人民生命财产的安全，更关系到煤炭行业是否能够持续健康发展。但是从我国煤矿的特点来看，95％的矿井都是采用井工开采，且多数煤炭赋存条件复杂，很多中小矿井生产技术装备落后，安全防护措施实施不到位，导致灾害事故频发。虽然目前我国矿井安全形势逐年好转，但是仍旧不容乐观，一些国有大型煤矿事故也呈现多发态势。分析其原因是近年来，随着煤矿开采强度、深度的增加(全国煤矿开采以每年10～20m的速度向深部延伸)，尤其是随着地应力的增加，导致煤矿深层开采所面对的传统煤矿动力灾害(瓦斯突出、冒顶、片帮)更加复杂，如兖州、鹤岗等矿区煤矿灾害多发，煤矿灾害严重影响着井下工人的安全和矿井的正常生产。

目前国内外主要使用的煤岩动力灾害预测的方法有两大类，一类是常规的方法，即利用应力测量法、钻屑量、钻孔瓦斯涌出初速度和钻屑瓦斯解吸指标等静态指标进行预测预报，由于煤岩动力灾害是煤岩体动力特性连续变化的过程，单纯的选取某一时刻煤岩体的性质不能全面的反映其变化特性。另一类则是使用地球物理方法进行预测预报，如电磁辐射法、声发射法、采矿地质法在俄罗斯、乌克兰和中国等地区进行了较为广泛的应用，微震法则在波兰、俄罗斯、加拿大和南非等地区使用较多。其中，声发射法研究应用较早，在20世纪80年代就已将这一技术应用于矿井煤岩动力灾害预测和煤岩体稳定性监测，但由于声发射本身抗干扰差和矿井环境复杂及干扰源多等特点，使得声发射技术预测的准确性、实用性与煤矿实际安全需要还存在一定的差距。其中，电磁辐射法和微震法应用相对成熟广泛一些。国内电磁辐射的研究始于20世纪90年代，何学秋、刘明举、王恩元等对煤岩破裂电磁辐射信号的产生机理、特征、变化规律及传播特性等进行了较为广泛的研究，并通过电磁辐射信号的预测实现了煤岩动力灾害的非接触监测，由于其具有测试方便、工作量小、劳动强度低、前兆响应明显、预报准确率高等优点，在全国大多数矿井中得以推广应用，且预测效果良好。

在矿井安全中电磁辐射强度的变化趋势可以作为预测发生动力灾害的指标，相关文献指出，当电磁辐射信号强度具有明显增强或者连续的增强趋势时，表明将要发生动力灾害；当电磁辐射信号强度较高，且出现明显由大变小，并在保持一段时间后又突然增大的趋势，则更加危险，应立即采取防治措施。因此电磁辐射强度进行准确地预测对于煤矿动力灾害的预警，为矿井的高效生产和人员的生命安全提供有效的保障具有重要的现实意义。但目前时序数据的预测经常会遭遇大数据集，其中包含大量冗余和噪声数据，数据质量低导致数据计算复杂、模型调参的复杂度高，预测难度较大且预测结果的鲁棒性差。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，降低了趋势预测的计算复杂度，并增强了预测结果的鲁棒性。

为达到上述目的，本发明提出了一种煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，包括以下步骤：采样煤矿井下电磁辐射强度的时序数据以得到样本数据集；对所述样本数据集进行聚类粒化处理以得到多个数据子集；基于Hausdorff距离确定每个所述数据子集中样本点的重要性大小，并根据重要性大小对每个样本点进行去除或保留，以得到预测数据集；根据所述预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。

根据本发明实施例的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，通过对采样得到的样本数据集进行聚类粒化处理以得到多个数据子集，并基于Hausdorff距离确定每个数据子集中样本点的重要性大小，以及根据重要性大小对每个样本点进行去除或保留以得到预测数据集，然后根据预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测，由此，在牺牲较少的预测精确度的情况下，能够大大降低电磁辐射强度趋势预测的计算复杂度。同时，预测结果对模型的依赖性减小，得到的预测结果更为稳定，即预测结果的鲁棒性更强，在一定程度上可以降低模型调参的复杂度，从而大大降低预测难度。

另外，根据本发明上述实施例提出的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法还可以具有如下附加的技术特征：

根据本发明的一个实施例，通过K-means算法对所述样本数据集进行聚类粒化处理以得到多个数据子集。

进一步地，数据子集X中样本点x的重要性大小为：

sig(x)＝H(X,X′)

其中，sig(x)为数据子集X中样本点x的重要性大小，X′为数据子集X去除样本点x后得到的数据集，H(X,X′)为X与X′之间的Hausdorff距离。

进一步地，根据重要性大小对每个样本点进行去除或保留，具体包括：设定数据重要性阈值；判断每个所述数据子集中每个样本点的重要性大小是否大于所述数据重要性阈值；对于每个所述数据子集，去除重要性大小小于或等于所述数据重要性阈值的样本点，并保留重要性大小大于所述数据重要性阈值的样本点。

进一步地，通过RNN、LSTM或DNN，根据所述预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。

附图说明

图1为根据本发明实施例的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法的流程图；

图2为点集之间的Hausdorff距离求解示意图；

图3为数据集A与数据集B之间的Hausdorff距离的几何意义示意图；

图4为数据集A′与数据集B′之间的Hausdorff距离的几何意义示意图

图5为根据本发明一个实施例的根据样本数据集得到预测数据集的流程图；

图6(a)为RNN根据原始的样本数据集进行预测的预测结果；

图6(b)为RNN根据本发明实施例的方法进行预测的预测结果；

图7(a)为LSTM根据原始的样本数据集进行预测的预测结果；

图7(b)为LSTM根据本发明实施例的方法进行预测的预测结果；

图8(a)为DNN根据原始的样本数据集进行预测的预测结果；

图8(b)为DNN根据本发明实施例的方法进行预测的预测结果；

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面结合附图来描述本发明实施例的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法。

如图1所示，本发明实施例的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，包括以下步骤：

S1，采样煤矿井下电磁辐射强度的时序数据以得到样本数据集。

在本发明的一个实施例中，可通过电磁辐射传感器以预设采样频率采样某煤矿井下的电磁辐射强度的时序数据，在预设时间段内采样的多个样本点构成样本数据集。举例而言，可通过电磁辐射传感器对中国河南省焦作市九里山煤矿井下的电磁辐射强度的时序数据，在两个月内每一分钟采样得到一个样本点，由于电磁辐射传感器自身及煤矿井下环境问题，有时可能得到无效的采样数据，本发明实施例在两个月内共可获取41696个有效的样本点。

S2，对样本数据集进行聚类粒化处理以得到多个数据子集。

粒计算是一种看待客观世界和处理客观问题的世界观和方法论。研究人员总结到，人类观察、分析、解决问题的过程中大概会采用如下方式，从部分到整体、从细节到抽象，在不同的抽象层次上观察、理解、表示现实世界问题，并进行分析、综合、推理，这是人类问题求解过程的一个明显特征，也是人类问题求解能力的强有力的表现。针对人类求解问题的这种能力特征，人工智能研究者对其进行了深入的研究，并建立了各种形式化的模型。作为一种正在兴起的人工智能研究领域，粒计算(Granular Computing，GrC)的目的是建立一种体现人类问题求解特征的抽象模型，通过粒化(Granulation)简化人们对物理世界和虚拟世界的认识，这样的方法具有一定的灵活性，并且可以提高效率，降低成本。

粒化的具体方法主要有模糊信息粒化、粗糙集近似、商空间法、基于聚类的粒化和云模型法。通过粒化将数据集分为多个大小不一的粒子，然后分别对各个粒子进行数据的处理。本发明实施例通过K-means算法将原始数据粒化为一个个包含若干个相似样本的信息粒子，即对样本数据集进行聚类粒化处理以得到多个数据子集。K-means算法是一种基于划分的聚类方法，其优点是简单易行，时间复杂度为O(n)，并且适用于处理大规模数据。

S3，基于Hausdorff距离确定每个数据子集中样本点的重要性大小，并根据重要性大小对每个样本点进行去除或保留，以得到预测数据集。

下面首先对Hausdorff距离进行说明。

Hausdorff距离求解过程如下例，给定点集A和B，点集之间的Hausdorff距离求解示意图如图2所示，点集A由a₁和a₂组成，点集B由b₁、b₂和b₃组成，采用以下的方法计算点集A到点集B的Hausdorff距离：分别计算点集A中a₁和a₂到点集B中所有点的最小距离，a₁到点集B中所有点的最小距离为a₁b₁，a₂到点集B之间的最小距离是a₂b₃且a₂b₃的距离大于a₁b₁，由此得到点集A到点集B的Hausdorff距离为a₂b₃。

Hausdorff距离的具体定义如下：给定两个有限点集A＝{a₁,a₂,...,a_p}，B＝{b₁,b₂,...,b_q}，则点集A和B之间的Hausdorff距离定义为：

H(A,B)＝max(h(A,B),h(B,A)) (1)

其中，

其中，|a-b|表示点a和b之间的距离范数，为点集A到点集B的有向Hausdorff距离，即点集A中所有点到点集B的最小距离的最大值。h(B,A)为反向Hausdorff距离，它与h(A,B)中的较大者构成了点集A与点集B的Hausdorff距离。

图3和图4示出了两个数据集之间的Hausdorff距离的几何意义。其中A和B、A′和B′均为连续点的数据集。图3中数据集A到数据集B的Hausdorff距离为数据集A中的所有点到B的最小距离的最大值，即数据集A中的点a₁与数据集B中的点b₁之间的距离r₁。同理，数据集B到数据集A的Hausdorff距离为数据集B中所有点到数据集A的最小距离的最大值，即数据集B中的点b₂与数据集A中的点a₂之间的距离r₂。因此，数据集A与数据集B之间的Hausdorff距离H(A,B)＝max(r₁,r₂)，即r₁。图4中数据集A′到数据集B′的Hausdorff距离为数据集A′中的点a₁′与数据集B′中的点b₁′之间的距离r₁′，数据集B′到数据集A′的Hausdorff距离为数据集B′中的点b₂′与数据集A′中的点a₂′之间的距离r₂′。因此，数据集A′与数据集B′之间的Hausdorff距离H(A′,B′)＝max(r₁′,r₂′)，即r₂′。

从图3和图4中可以看出，r₂′＜r₁，且图4中数据集A′和B′在几何分布上的相似度比图3中数据集A和B的相似度高，即两个数据集之间的Hausdorff距离越小，它们之间的相似度越高。

通过对Hausdorff距离定义的分析可知，Hausdorff距离具备以下性质：如果数据集A和数据集B是有界的，那么Hausdorff距离也是有界的；反之，Hausdorff距离有可能无穷大；如果数据集A和数据集B是相同的闭包，数据集A和数据集B的Hausdorff距离为0；数据集A与数据集B在空间上越相似，则数据集A和数据集B之间的Hausdorff距离越小；Hausdorff距离能够较好地保持数据集的轮廓特征。

从Hausdorff距离的性质可以看出，Hausdorff距离可以计算两个或多个集合在空间上的相似性，即Hausdorff距离可以作为描述不同数据集之间相似程度的一种度量，因此本发明可以Hausdorff距离作为评价数据样本重要性的衡量标准。

在本发明的一个实施例中，数据子集X中样本点x的重要性大小为：

sig(x)＝H(X,X′) (4)

其中，sig(x)为数据子集X中样本点x的重要性大小，X′为数据子集X去除样本点x后得到的数据集，即X′＝X-{x}，H(X,X′)为X与X′之间的Hausdorff距离。

应当理解，如果数据集中两个样本实例越相似，则去除其中一个样本后对数据分布的影响越小，即去除该样本实例后得到的新数据集与原始数据集之间Hausdorff距离越小，新旧数据集能够保持较好的相似性，则该数据重要性程度越低；反之，如果数据集中两个样本实例差别越大，则去除其中一个样本后对数据集的影响越大，即去除该样本实例后得到的新数据集与原始数据集之间Hausdorff距离越大，则该数据样本重要性程度越高。

在得到每个数据子集中各个样本点的重要性大小后，可设定数据重要性阈值μ，并判断每个数据子集中每个样本点的重要性大小是否大于数据重要性阈值μ。对于每个数据子集，去除重要性大小小于或等于数据重要性阈值μ的样本点，并保留重要性大小大于数据重要性阈值μ的样本点。然后，将各个根据上述方式去除了样本点的数据子集进行组合，得到预测数据集。

进一步地，如图5所示，由步骤S1的样本数据集得到步骤S3的预测数据集可包括以下子步骤：

S101，输入原始的样本数据集T。

S102，进行数据聚类粒化。

S103，得到数据子集T₁～T_k。即得到k个数据子集。

S104，针对每个数据子集计算其每个样本点的重要性大小sig(x_it1)～sig(x_itk)。其中，x_itk表示数据子集中的第T_k个数据子集中第i个样本点。

S105，判断每个样本点的重要性大小是否大于数据重要性阈值μ。如果是，则执行步骤S106；如果否，则执行步骤S107。

S106，保留该样本点。

S107，删除该样本点。

S108，输出缩减后的数据集T′。

在本发明的一个具体实施例中，聚类粒化粒子的数目设定为300，即数据子集的个数k＝300，数据重要性阈值μ＝1.53，在进行数据实例选择后，数据的缩减率为18.31％，最终选择了原始的样本数据集中34062个样本点用于后续时序数据的预测。

也就是说，在本发明的实施例中，在得到样本数据集后，可通过步骤S2和S3进行时序数据的选择，选择重要性较大的数据，以实现对原始数据规模的缩减，并获得选择后的预测数据集。

S4，根据预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。

在本发明的一个实施例中，针对时序数据的海量性，可通过划分时间窗口，然后在时间窗口内选取特征表示数据趋势。

具体地，可用p_t表示时刻t的数据值，则时间长度h数据值浮动率可定义为：

在时序数据处理中经常采用对数处理，经对数处理后不会改变原始数据的相对关系，压缩了数据尺度，使数据更加平稳，方便数据处理。本发明实施例定义浮动率的对数回归r_t,h如下：

当所选时间窗口较小时，相对浮动率R_t,h较小时，满足：

如果浮动率对数回归在时间窗口T_w内满足独立同分布条件，其可以表示为：

其中，表示条件均值回归，表示条件回归方差，ε是满足均值为0，方差为1的独立同分布变量。时间窗口T_w内的数据趋势变化可用对数浮动率的标准差来表示，即可用表示时间窗口T_w内的历史浮动率。因此，给定对数回归时，可以使用如下公式来估算值：

其中，σ_h,T可表示历史浮动率的估计值，n表示时间窗口T_w内观察值r_t,h的个数，表示时间窗口T_w内r_t,h的均值。

在本发明的一个实施例中，可通过RNN、LSTM或DNN，根据预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。即在根据预测数据集得到电磁辐射强度的历史浮动率后，可将电磁辐射强度的历史浮动率输入RNN、LSTM或DNN等模型，得到电磁辐射强度的变化趋势。

以LSTM模型为例，之前输出的信息与当前信息经过输入门i_t＝σ(W_i*[h_t-1，x_t]+b_i)，然后经过遗忘门选择性遗忘信息f_t＝σ(W_f*[h_t-1，x_t]+b_f)，计算输入单元中c_t＝tanh(W_c*[h_t-1，x_t]+b_c)，然后计算C_t＝f_t*C_t-1+i_t*c_t用于记忆功能，输出门输出：o_t＝σ(W_o*[h_t-1，x]+b_o)。模型的预测方法类似于DNN网络，类似于Y＝WX+B，W为各项权重，B为偏置，通过BP算法不断调整各参数缩小误差，寻找到最优参数，进行预测。

下面结合具体实例，分别通过本发明实施例的方法，即根据缩减后得到的预测数据集T′进行预测和根据原始的样本数据集T进行预测，并对比二者的预测结果。

本发明实施例所有针对LSTM的记忆功能需要制定网络的时间步，考虑到电磁辐射信号强度波动性，将LSTM的时间步(time-step)设置为20分钟，在LSTM与RNN网络仿真实验中，学习率均设置为0.0001，隐含层节点数目设置为64，训练次数均设置为250次；DNN的仿真实验可选用3层深度网络，激活函数选用Sigmoid函数，训练次数选取300次；所有仿真实验循环误差使用均方根误差，选取Adam优化方法进行优化。

图6(a)和图6(b)表示RNN的预测结果，图7(a)和图7(b)表示LSTM的预测结果，图8(a)和图8(b)表示DNN的预测结果。其中(a)为根据原始的样本数据集T进行预测的预测结果图，(b)为根据缩减后得到的预测数据集T′进行预测的预测结果图。从图6(a)、图7(a)、图8(a)的对比可以看出三种预测方法都能较准确地对电磁辐射趋势进行预测，但在部分时段内三种预测方法存在较明显的差异(如时间窗口20-25范围内)，从图6(b)、图7(b)、图8(b)中可以看出三种方法对根据缩减后得到的预测数据集T′进行预测的预测趋势较准确，数值上存在一些差异，但三种方法的预测结果基本没有明显差异，说明根据缩减后得到的预测数据集T′进行预测表现出良好的鲁棒性，数据预测结果不依赖模型的变化。

本发明实施例可采用如下指标进行预测精度的评价：均方根误差(RMSE)、绝对值误差(MAE)、相对误差(MAPE)以及最大误差(MAXERROR)，各指标计算公式如下：

MAXERROR＝MAX_t＝1,2...,n(Y_t-Y_t ^*) (13)

其中，Y_t为预测电磁辐射信号强度的实际值，Y_t ^*为模型的预测值，t为采样时间点，n为预测值个数。

表1为RNN、LSTM、DNN三种预测方法根据原始的样本数据集T进行预测所得到的预测精度值(包括均方根误差(RMSE)、绝对值误差(MAE)、相对误差(MAPE)以及最大误差(MAXERROR))，表2为RNN、LSTM、DNN三种预测方法根据缩减后得到的预测数据集T′进行预测所得到的预测精度值。

表1

预测方法	RMSE	MAE	MAPE	MAXERROR
					RNN	0.0390	0.0340	0.1220	0.0714
LSTM	0.0490	0.0396	0.1574	0.1095
					DNN	0.05946	0.0508	0.1880	0.1088

表2

预测方法	RMSE	MAE	MAPE	MAXERROR
					RNN	0.0661	0.0545	0.3965	0.1175
LSTM	0.0685	0.0589	0.4024	0.1293
					DNN	0.07327	0.0674	0.3870	0.1422

对比表1和表2中RNN、LSTM、DNN根据原始的样本数据集T和根据缩减后得到的预测数据集T′进行预测的预测精度值，可以看出根据原始的样本数据集T进行预测的预测误差值较经本发明的方法的预测误差值低，某些误差相近，本发明的方法数据预测误差值虽然高一些，但仍在可接受的误差范围内。

综上所述，根据本发明实施例的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，通过对采样得到的样本数据集进行聚类粒化处理以得到多个数据子集，并基于Hausdorff距离确定每个数据子集中样本点的重要性大小，以及根据重要性大小对每个样本点进行去除或保留以得到预测数据集，然后根据预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测，由此，在牺牲较少的预测精确度的情况下，能够大大降低电磁辐射强度趋势预测的计算复杂度，并且预测结果对模型的依赖性减小，在一定程度上可以降低模型调参的复杂度，从而大大降低预测难度，并且得到的结果更为稳定，即预测结果的鲁棒性更强。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种煤矿井下电磁辐射强度的时序数据选择与趋势预测方法，其特征在于，包括以下步骤：

采样煤矿井下电磁辐射强度的时序数据以得到样本数据集；

对所述样本数据集进行聚类粒化处理以得到多个数据子集；

基于Hausdorff距离确定每个所述数据子集中样本点的重要性大小，并根据重要性大小对每个样本点进行去除或保留，以得到预测数据集；

根据所述预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。

2.根据权利要求1所述的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，其特征在于，通过K-means算法对所述样本数据集进行聚类粒化处理以得到多个数据子集。

3.根据权利要求2所述的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，其特征在于，数据子集X中样本点x的重要性大小为：

sig(x)＝H(X,X′)

其中，sig(x)为数据子集X中样本点x的重要性大小，X′为数据子集X去除样本点x后得到的数据集，H(X,X′)为X与X′之间的Hausdorff距离。

4.根据权利要求3所述的煤矿井下电磁辐射强度时序数据的选择与趋势预测方法，其特征在于，根据重要性大小对每个样本点进行去除或保留，具体包括：

设定数据重要性阈值；

判断每个所述数据子集中每个样本点的重要性大小是否大于所述数据重要性阈值；

对于每个所述数据子集，去除重要性大小小于或等于所述数据重要性阈值的样本点，并保留重要性大小大于所述数据重要性阈值的样本点。

5.根据权利要求4所述的煤矿井下电磁辐射强度的时序数据选择与趋势预测方法，其特征在于，通过RNN、LSTM或DNN，根据所述预测数据集对煤矿井下电磁辐射强度的变化趋势进行预测。