CN113190535A - 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 - Google Patents
一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 Download PDFInfo
- Publication number
- CN113190535A CN113190535A CN202110067003.7A CN202110067003A CN113190535A CN 113190535 A CN113190535 A CN 113190535A CN 202110067003 A CN202110067003 A CN 202110067003A CN 113190535 A CN113190535 A CN 113190535A
- Authority
- CN
- China
- Prior art keywords
- gas concentration
- prediction model
- model
- neural network
- gray
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 230000006403 short-term memory Effects 0.000 title claims abstract description 38
- 230000007787 long-term memory Effects 0.000 title claims description 20
- 230000003068 static effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000002087 whitening effect Effects 0.000 claims description 15
- 239000003245 coal Substances 0.000 claims description 13
- 210000004027 cell Anatomy 0.000 claims description 9
- 210000003855 cell nucleus Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000005055 memory storage Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007636 ensemble learning method Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 abstract 5
- 238000005065 mining Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于改进灰色‑长短期记忆神经网络组合模型的瓦斯浓度预测方法，包括：采集传感器数据、数据预处理、数据标准化、灰色预测模型的构建、改进灰色预测模型的构建、长短期记忆神经网络的构建、改进灰色—长短期记忆神经网络组合预测模型的构建，模型的检验，所述组合预测模型包括：利用指数型灰色作用量代替原有的静态灰色作用量对灰色预测模型进行改进构造出长短期记忆神经网络预测模型，利用集成学习的方法将改进灰色预测模型和长短期记忆神经网络相结合进而建立改进灰色—长短期记忆神经网络组合预测模型，并采用实际数据和评价指标进行考察组合模型的准确性。本发明能以高精度预测出瓦斯浓度序列。
Description
技术领域
本发明一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方 法，属于智慧煤矿瓦斯序列预测领域。
背景技术
在煤矿开采中，以井工开采为主，且逐年加深开采深度，而越往深处地质越 复杂，瓦斯涌出量越大，井下工作人员的生命安全问题伴随着瓦斯爆炸，瓦斯突 出等灾害事故持续受到威胁。
为有效避免瓦斯事件发生，需要对此做出智能化的处理，对矿采工作面的瓦 斯浓度进行实时监测，探索出一种有效又实时的瓦斯浓度预测的方法，并对这些 预测精度进行多角度多指标比较，以提供瓦斯监控预警系统发出警报实现预警效 果。随着计算机技术的发展，利用大数据挖掘技术作为煤矿监测数据的研究手段 已经成为一种趋势。学者对大量煤矿生产数据进行分析，通过各种公式与方法计 算决定瓦斯变化的变量，将煤矿划分等级，制定级别不同的瓦斯预测措施。国内 学者对于瓦斯浓度预测方面也做出了不少贡献，较早的研究方法是统计法和分源 预测法。慢慢地，灰色预测，马尔可夫等预测方法在瓦斯浓度序列预测方面也得 到不少学者的青睐，得到较多运用。随着神经网络预测技术的不断发展、应用与 成熟，现如今神经网络在其他工业预测领域逐渐火热，但是在瓦斯浓度预测还有 发展空间，从而，本文将发明一种基于改进灰色-长短期记忆神经网络组合模型 的瓦斯浓度预测方法。
发明内容
本发明要解决的技术问题是：本发明提供一种基于改进灰色-长短期记忆神 经网络组合模型的瓦斯浓度预测方法，用于解决具有混沌特性的瓦斯浓度序列的 规律，从而以高精度预测出瓦斯浓度序列。
本发明技术方案是：基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓 度预测方法，所述方法的具体步骤如下：
步骤1、数据的采集：采集煤矿井下瓦斯浓度传感器数据；
步骤2、数据预处理和标准化：对于采集的原始瓦斯浓度数据进行预处理— —修正异常数据和缺失数据，并对瓦斯浓度数据进行标准化；
步骤3、传统灰色预测模型的构建：设定原始瓦斯浓度序列,再得到一阶累 加生成瓦斯浓度序列、一阶累减生成瓦斯浓度序列和紧邻均值生成瓦斯浓度序列， 其次利用最小二乘法对灰色预测模型参数估计，进而得到其预测瓦斯浓度序列；
步骤4、改进灰色预测模型的构建：在Step3原始瓦斯浓度序列和预测生成 瓦斯浓度序列的基础上，将传统灰色预测模型的白化方程中的静态灰色作用量替 换成指数型灰色作用量，其次利用最小二乘法对传统灰色预测模型参数估计，进 而得到其改进灰色预测模型的预测瓦斯浓度序列，实现对传统灰色预测模型的改 进；
步骤5、长短期记忆神经网络预测模型的构建：该模型由记忆储存单元构成， 经过输入门、遗忘门和输出门调控记忆储存单元的状态，由门的控制保证新的时 间状态下隐藏层传输的叠加输入序列不会消失，继续向前传播，使得具有长短期 记忆能力，以适应长瓦斯浓度序列的海量数据处理；
步骤6、改进灰色—长短期记忆神经网络组合预测模型的构建：利用集成学 习的方法将改进灰色预测模型和长短期记忆神经网络相结合，进而建立改进灰色 —长短期记忆神经网络组合预测模型；
步骤7、组合预测模型的检验：采用实际瓦斯浓度数据和RMSE指标进行考 察组合模型的准确性。
作为本发明的进一步方案，所述步骤2的具体步骤为：
步骤2.1、首先去除具有ID属性的原始数据；
步骤2.2、将原始瓦斯浓度数据中的缺失数据进行插补，采用的插补方法是 以步骤6建立的改进灰色—长短期记忆神经网络组合预测模型将缺失的数据作 为预测目标进行预测，将预测值作为缺失数据；
步骤2.3、将瓦斯浓度序列数据(x(1),x(2),...,x(n))，进行如下变换：
得到标准化后的瓦斯浓度序列数据(z(0)(1),z(0)(2),...,z(0)(n))。
作为本发明的进一步方案，所述步骤3的具体步骤为：
步骤3.1、设标准化后的瓦斯浓度序列为z(0)＝(z(0)(1)，z(0)(2)，...，z(0)(n))；
步骤3.2、建立传统灰色预测模型：
其中
其中
从而求得参数
的估计值；
步骤3.3、传统灰色预测模型相应的白化模型为：
随 后解得：
为常数，这里k＝1，
从而得到其预测瓦斯浓度序列值为：
作为本发明的进一步方案，所述步骤4的具体步骤为：
步骤4.1、将传统灰色预测模型相应的白化模型的静态灰色作用量替换为幂 指数性灰色作用量，即将
替换为
其中α为非线性参数，得到改进灰 色预测模型的白化模型：
则其改进后的灰色预测模型：
步骤4.2、在步骤4.1基础，设定
其中β＝a-1(eα-1)，则参数估计
步骤4.3、假设任意函数μ(k)满足
解此方程：
其中h为常数；
步骤4.4、在
两边同时乘上μ(k)，从而得到
即
两边 积分得到：
即
步骤4.5、将初始条件z(0)(1)＝z(1)(1)和参数估计
代入z(1)(k)中， 即可得到改进灰色预测模型的瓦斯浓度序列：
作为本发明的进一步方案，所述步骤5的具体步骤为：
步骤5.1、瓦斯浓度序列的长短期记忆神经网络“细胞”由输入门、遗忘门、 输出门和细胞核构成，输入门控制瓦斯浓度序列的输入，遗忘门控制保存上一个 细胞单元状态的信息，输出门控制瓦斯浓度输入数据在一系列计算后的输出，细 胞核用于记录此状态下的信息；
步骤5.2、输入门由激活函数Sigmoid控制e(k)和Tanh控制a(k)构成，计算 公式如下：e(k)＝σ(Wis(k-1)+Uii(k)+pi)，a(k)＝tanh(Was(k-1)+Uai(k)+pa)，其中 Wi和Wa是遗忘门中循环过程的权重，Ui和Ua为输入门的权重，pi和pa为偏置， s(k-1)和i(k)为隐藏层激活和输入数，α为非线性参数；
步骤5.3、遗忘门f(k)控制自循环权重，计算公式如下：
f(k)＝σ(Wfs(k-1)+Ufi(k)+pf)，其中Wf和Uf是遗忘门和输入权重，pf是偏置；
步骤5.4、细胞核状态的更新：细胞状态C(k)分为两个部分，一部分是C(k-1)和遗忘门的输出f(k)的乘积，另一部分是输入门的e(k)和a(k)的乘积，⊙为 Hadamard积，计算公式如下：C(k)＝C(k-1)⊙f(k)+e(k)⊙a(k)；
步骤5.5、输出门将输入数据经过隐藏层和激活函数压缩到[0，1]，计算公 式如下：o(k)＝σ(Wos(k-1)+Uoi(k)+po)，s(k)＝o(k)⊙tanh(C(k))，其中p0为偏置， Wo和Uo为权重；
步骤5.6、预测：预测值
计算公式如下：
其中V和 c为权重和偏置。
作为本发明的进一步方案，所述步骤6中，设改进灰色预测模型的预测值即 预测瓦斯浓度序列值和误差标准差分别为
和ε1，LSTM的预测值和误 差标准差分别为
和ε2，且ε＝ε1+ε2，则其最优加权系数和集成预测值为： 
且需要满足预测误差平方和达到最小准则： 
满足
其中，wi为第i种预测方法的加权 系数，xk为k时刻的瓦斯浓度实际值，
为第i种预测方法的预测值，
为k 时刻的瓦斯浓度组合预测值。
作为本发明的进一步方案，所述步骤7中的采用实际煤矿井下传感器采集瓦 斯浓度数据，评价指标选择准确率、平均绝对误差、均方根误差，计算公式如下：
其中，n为样本数量，xk为时间点k的真实值，
为k时刻的瓦斯浓度组合预测 值。
本发明的有益效果是：本发明提出一种基于改进灰色-长短期记忆神经网络 组合模型的瓦斯浓度预测方法，本发明能解决具有混沌特性的瓦斯浓度序列的规 律，从而以高精度预测出瓦斯浓度序列。
附图说明
图1实例性地示出了本发明的一种基于改进灰色-长短期记忆神经网络组合 模型的瓦斯浓度预测方法的流程图。
具体实施方式
下为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的 实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中 的实施例及实施例中的特征可以相互任意组合。
在煤矿瓦斯浓度序列预测领域，采用改进神经网络预测的研究甚少；
为了解决上述问题，本发明的实施例提供了一种基于改进灰色-长短期记忆 神经网络组合模型的瓦斯浓度预测方法。
如图1，本发明实施例提供了一种矿山事故应急救援数字预案的任务协同流 程网络模型构建方法，所述方法的具体步骤如下：
步骤1、数据的采集：采集煤矿井下瓦斯浓度传感器数据；
步骤2、数据预处理和标准化：对于采集的原始瓦斯浓度数据进行预处理— —修正异常数据和缺失数据，并对瓦斯浓度数据进行标准化；
步骤3、传统灰色预测模型的构建：设定原始瓦斯浓度序列,再得到一阶累 加生成瓦斯浓度序列、一阶累减生成瓦斯浓度序列和紧邻均值生成瓦斯浓度序列， 其次利用最小二乘法对灰色预测模型参数估计，进而得到其预测瓦斯浓度序列；
步骤4、改进灰色预测模型的构建：在Step3原始瓦斯浓度序列和预测生成 瓦斯浓度序列的基础上，将传统灰色预测模型的白化方程中的静态灰色作用量替 换成指数型灰色作用量，其次利用最小二乘法对传统灰色预测模型参数估计，进 而得到其改进灰色预测模型的预测瓦斯浓度序列，实现对传统灰色预测模型的改 进；
步骤5、长短期记忆神经网络预测模型的构建：该模型由记忆储存单元构成， 经过输入门、遗忘门和输出门调控记忆储存单元的状态，由门的控制保证新的时 间状态下隐藏层传输的叠加输入序列不会消失，继续向前传播，使得具有长短期 记忆能力，以适应长瓦斯浓度序列的海量数据处理；
步骤6、改进灰色—长短期记忆神经网络组合预测模型的构建：利用集成学 习的方法将改进灰色预测模型和长短期记忆神经网络相结合，进而建立改进灰色 —长短期记忆神经网络组合预测模型；
步骤7、组合预测模型的检验：采用实际瓦斯浓度数据和RMSE指标进行考 察组合模型的准确性。
作为本发明的进一步方案，所述步骤2的具体步骤为：
步骤2.1、首先去除具有ID属性的原始数据；
步骤2.2、将原始瓦斯浓度数据中的缺失数据进行插补，采用的插补方法是 以步骤6建立的改进灰色—长短期记忆神经网络组合预测模型将缺失的数据作 为预测目标进行预测，将预测值作为缺失数据；
步骤2.3、将瓦斯浓度序列数据(x(1)，x(2)，...，x(n))，进行如下变换：
得到标准化后的瓦斯浓度序列数据(z(0)(1)，z(0)(2)，...，z(0)(n))。
作为本发明的进一步方案，所述步骤3的具体步骤为：
步骤3.1、设标准化后的瓦斯浓度序列为z(0)＝(z(0)(1)，z(0)(2)，...，z(0)(n))；
步骤3.2、建立传统灰色预测模型：
其中
其中
从而求得参数
的估计值；
步骤3.3、传统灰色预测模型相应的白化模型为：
随后解得：
为常数，这里k＝1， 
从而得到其预测瓦斯浓度序列值为：
作为本发明的进一步方案，所述步骤4的具体步骤为：
步骤4.1、将传统灰色预测模型相应的白化模型的静态灰色作用量替换为幂 指数性灰色作用量，即将
替换为
其中α为非线性参数，得到改进灰 色预测模型的白化模型：
则其改进后的灰色预测模型：
步骤4.2、在步骤4.1基础，设定
其中β＝a-1(eα-1)，则参数估计
步骤4.3、假设任意函数μ(k)满足
解此方程：
其中h为常数；
步骤4.4、在
两边同时乘上μ(k)，从而得到
即
两边 积分得到：
即
步骤4.5、将初始条件z(0)(1)＝z(1)(1)和参数估计
代入z(1)(k)中， 即可得到改进灰色预测模型的瓦斯浓度序列：
作为本发明的进一步方案，所述步骤5的具体步骤为：
步骤5.1、瓦斯浓度序列的长短期记忆神经网络“细胞”由输入门、遗忘门、 输出门和细胞核构成，输入门控制瓦斯浓度序列的输入，遗忘门控制保存上一个 细胞单元状态的信息，输出门控制瓦斯浓度输入数据在一系列计算后的输出，细 胞核用于记录此状态下的信息；
步骤5.2、输入门由激活函数Sigmoid控制e(k)和Tanh控制a(k)构成，计算 公式如下：e(k)＝σ(Wis(k-1)+Uii(k)+pi)，a(k)＝tanh(Was(k-1)+Uai(k)+pa)，其中 Wi和Wa是遗忘门中循环过程的权重，Ui和Ua为输入门的权重，pi和pa为偏置， s(k-1)和i(k)为隐藏层激活和输入数，α为非线性参数；
步骤5.3、遗忘门f(k)控制自循环权重，计算公式如下：
f(k)＝σ(Wfs(k-1)+Ufi(k)+pf)，其中Wf和Uf是遗忘门和输入权重，pf是偏置；
步骤5.4、细胞核状态的更新：细胞状态C(k)分为两个部分，一部分是C(k-1)和遗忘门的输出f(k)的乘积，另一部分是输入门的e(k)和a(k)的乘积，⊙为 Hadamard积，计算公式如下：C(k)＝C(k-1)⊙f(k)+e(k)⊙a(k)；
步骤5.5、输出门将输入数据经过隐藏层和激活函数压缩到[0，1]，计算公 式如下：o(k)＝σ(Wos(k-1)+Uoi(k)+po)，s(k)＝o(k)⊙tanh(C(k))，其中p0为偏置， Wo和Uo为权重；
步骤5.6、预测：预测值
计算公式如下：
其中V和 c为权重和偏置。
作为本发明的进一步方案，所述步骤6中，设改进灰色预测模型的预测值即 预测瓦斯浓度序列值和误差标准差分别为
和ε1，LSTM的预测值和误 差标准差分别为
和ε2，且ε＝ε1+ε2，则其最优加权系数和集成预测值为： 
且需要满足预测误差平方和达到最小准则： 
满足
其中，wi为第i种预测方法的加权 系数，xk为k时刻的瓦斯浓度实际值，
为第i种预测方法的预测值，
为k 时刻的瓦斯浓度组合预测值。
作为本发明的进一步方案，所述步骤7中的采用实际煤矿井下传感器采集瓦 斯浓度数据，见表1，评价指标选择准确率、平均绝对误差、均方根误差，计算 公式如下：
其中，n为样本数量，xk为时间点k的真实值，
为k时刻的瓦斯浓度组合预测 值。
表1实例性地示出了本发明的煤矿井下瓦斯浓度传感器采集实验数据集描 述
上面结合附图对本发明的具体实施例作了详细说明，但是本发明并不限于上 述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明 宗旨的前提下作出各种变化。
Claims (7)
1.一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述方法的具体步骤如下：
步骤1、数据的采集：采集煤矿井下瓦斯浓度传感器数据；
步骤2、数据预处理和标准化：对于采集的原始瓦斯浓度数据进行预处理——修正异常数据和缺失数据，并对瓦斯浓度数据进行标准化；
步骤3、传统灰色预测模型的构建：设定原始瓦斯浓度序列,再得到一阶累加生成瓦斯浓度序列、一阶累减生成瓦斯浓度序列和紧邻均值生成瓦斯浓度序列，其次利用最小二乘法对灰色预测模型参数估计，进而得到其预测瓦斯浓度序列；
步骤4、改进灰色预测模型的构建：在Step3原始瓦斯浓度序列和预测生成瓦斯浓度序列的基础上，将传统灰色预测模型的白化方程中的静态灰色作用量替换成指数型灰色作用量，其次利用最小二乘法对传统灰色预测模型参数估计，进而得到其改进灰色预测模型的预测瓦斯浓度序列，实现对传统灰色预测模型的改进；
步骤5、长短期记忆神经网络预测模型的构建：该模型由记忆储存单元构成，经过输入门、遗忘门和输出门调控记忆储存单元的状态，由门的控制保证新的时间状态下隐藏层传输的叠加输入序列不会消失，继续向前传播，使得具有长短期记忆能力，以适应长瓦斯浓度序列的海量数据处理；
步骤6、改进灰色—长短期记忆神经网络组合预测模型的构建：利用集成学习的方法将改进灰色预测模型和长短期记忆神经网络相结合，进而建立改进灰色—长短期记忆神经网络组合预测模型；
步骤7、组合预测模型的检验：采用实际瓦斯浓度数据和RMSE指标进行考察组合模型的准确性。
2.根据权利要求1所述的基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述步骤2的具体步骤为：
步骤2.1、首先去除具有ID属性的原始数据；
步骤2.2、将原始瓦斯浓度数据中的缺失数据进行插补，采用的插补方法是以步骤6建立的改进灰色—长短期记忆神经网络组合预测模型将缺失的数据作为预测目标进行预测，将预测值作为缺失数据；
步骤2.3、将瓦斯浓度序列数据(x(1),x(2),...,x(n))，进行如下变换：
得到标准化后的瓦斯浓度序列数据(z(0)(1),z(0)(2),...,z(0)(n))。
3.根据权利要求1所述的基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述步骤3的具体步骤为：
步骤3.1、设标准化后的瓦斯浓度序列为z(0)＝(z(0)(1),z(0)(2),...,z(0)(n))；
步骤3.2、建立传统灰色预测模型：
其中
其中
从而求得参数
的估计值；
步骤3.3、传统灰色预测模型相应的白化模型为：
随后解得：
为常数，这里k＝1,
从而得到其预测瓦斯浓度序列值为：
4.根据权利要求1所述的基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述步骤4的具体步骤为：
步骤4.1、将传统灰色预测模型相应的白化模型的静态灰色作用量替换为幂指数性灰色作用量，即将
替换为
其中α为非线性参数，得到改进灰色预测模型的白化模型：
则其改进后的灰色预测模型：
步骤4.2、在步骤4.1基础，设定
其中β＝a-1(eα-1)，则参数估计
步骤4.3、假设任意函数μ(k)满足
解此方程：
其中h为常数；
步骤4.4、在
两边同时乘上μ(k)，从而得到
即
两边积分得到：
即
步骤4.5、将初始条件z(0)(1)＝z(1)(1)和参数估计
代入z(1)(k)中，即可得到改进灰色预测模型的瓦斯浓度序列：
5.根据权利要求1所述的基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述步骤5的具体步骤为：
步骤5.1、瓦斯浓度序列的长短期记忆神经网络“细胞”由输入门、遗忘门、输出门和细胞核构成，输入门控制瓦斯浓度序列的输入，遗忘门控制保存上一个细胞单元状态的信息，输出门控制瓦斯浓度输入数据在一系列计算后的输出，细胞核用于记录此状态下的信息；
步骤5.2、输入门由激活函数Sigmoid控制e(k)和Tanh控制a(k)构成，计算公式如下：e(k)＝σ(Wis(k-1)+Uii(k)+pi)，a(k)＝tanh(Was(k-1)+Uai(k)+pa)，其中Wi和Wa是遗忘门中循环过程的权重，Ui和Ua为输入门的权重，pi和pa为偏置，s(k-1)和i(k)为隐藏层激活和输入数，α为非线性参数；
步骤5.3、遗忘门f(k)控制自循环权重，计算公式如下：
f(k)＝σ(Wfs(k-1)+Ufi(k)+pf)，其中Wf和Uf是遗忘门和输入权重，pf是偏置；
步骤5.4、细胞核状态的更新：细胞状态C(k)分为两个部分，一部分是C(k-1)和遗忘门的输出f(k)的乘积，另一部分是输入门的e(k)和a(k)的乘积，⊙为Hadamard积，计算公式如下：C(k)＝C(k-1)⊙f(k)+e(k)⊙a(k)；
步骤5.5、输出门将输入数据经过隐藏层和激活函数压缩到[0,1]，计算公式如下：o(k)＝σ(Wos(k-1)+Uoi(k)+po)，s(k)＝o(k)⊙tanh(C(k))，其中p0为偏置，Wo和Uo为权重；
步骤5.6、预测：预测值
计算公式如下：
其中V和c为权重和偏置。
6.根据权利要求1所述的基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述步骤6中，设改进灰色预测模型的预测值即预测瓦斯浓度序列值和误差标准差分别为
和ε1，LSTM的预测值和误差标准差分别为
和ε2，且ε＝ε1+ε2，则其最优加权系数和集成预测值为：
且需要满足预测误差平方和达到最小准则：
满足
其中，wi为第i种预测方法的加权系数，xk为k时刻的瓦斯浓度实际值，
为第i种预测方法的预测值，
为k时刻的瓦斯浓度组合预测值。
7.根据权利要求1所述的基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法，其特征在于：所述步骤7中的采用实际煤矿井下传感器采集瓦斯浓度数据，评价指标选择准确率、平均绝对误差、均方根误差，计算公式如下：
其中，n为样本数量，xk为时间点k的真实值，
为k时刻的瓦斯浓度组合预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110067003.7A CN113190535B (zh) | 2021-01-19 | 2021-01-19 | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110067003.7A CN113190535B (zh) | 2021-01-19 | 2021-01-19 | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113190535A true CN113190535A (zh) | 2021-07-30 |
| CN113190535B CN113190535B (zh) | 2023-04-18 |
Family
ID=76972591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110067003.7A Active CN113190535B (zh) | 2021-01-19 | 2021-01-19 | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113190535B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819065A (zh) * | 2022-04-06 | 2022-07-29 | 重庆大学 | 基于布谷鸟搜索算法优化lstm的瓦斯浓度预测方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm（1,1）模型变压器故障预测方法 |
| CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达（北京）技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
| CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
| CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
| CN110633846A (zh) * | 2019-09-02 | 2019-12-31 | 北京市燃气集团有限责任公司 | 燃气负荷预测方法和装置 |
| CN110766233A (zh) * | 2019-10-30 | 2020-02-07 | 神华神东煤炭集团有限责任公司 | 综采工作面安全指数预测方法 |
| US20200234199A1 (en) * | 2018-05-09 | 2020-07-23 | Jiangnan University | Advanced Ensemble Learning Strategy Based Semi-supervised Soft Sensing Method |
| CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
-
2021
- 2021-01-19 CN CN202110067003.7A patent/CN113190535B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm（1,1）模型变压器故障预测方法 |
| CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达（北京）技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
| US20200234199A1 (en) * | 2018-05-09 | 2020-07-23 | Jiangnan University | Advanced Ensemble Learning Strategy Based Semi-supervised Soft Sensing Method |
| CN109785003A (zh) * | 2019-01-17 | 2019-05-21 | 四川骏逸富顿科技有限公司 | 一种药品零售行业药品销售预测系统及方法 |
| CN110084424A (zh) * | 2019-04-25 | 2019-08-02 | 国网浙江省电力有限公司 | 一种基于lstm与lgbm的电力负荷预测方法 |
| CN110633846A (zh) * | 2019-09-02 | 2019-12-31 | 北京市燃气集团有限责任公司 | 燃气负荷预测方法和装置 |
| CN110766233A (zh) * | 2019-10-30 | 2020-02-07 | 神华神东煤炭集团有限责任公司 | 综采工作面安全指数预测方法 |
| CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙卓越 等: "基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测", 《煤矿安全》 * |
| 张鹏: "小样本时间序列灰色预测关键技术研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
| 赖祥威 等: "基于集成学习的改进灰色瓦斯浓度序列预测", 《中国安全生产科学技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819065A (zh) * | 2022-04-06 | 2022-07-29 | 重庆大学 | 基于布谷鸟搜索算法优化lstm的瓦斯浓度预测方法和系统 |
| CN114819065B (zh) * | 2022-04-06 | 2024-04-05 | 重庆大学 | 基于布谷鸟搜索算法优化lstm的瓦斯浓度预测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113190535B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Remaining useful life re-prediction methodology based on Wiener process: Subsea Christmas tree system as a case study | |
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN111724126B (zh) | 一种工艺流程质量异常精准追溯方法及系统 | |
| CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
| Yang et al. | Long short-term memory suggests a model for predicting shale gas production | |
| CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
| CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN114169625A (zh) | 电力系统的短期负荷预测方法及装置 | |
| Lv et al. | Non-iterative T–S fuzzy modeling with random hidden-layer structure for BFG pipeline pressure prediction | |
| CN113190535B (zh) | 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法 | |
| CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
| Ismail et al. | Adaptive neural network prediction model for energy consumption | |
| Zhang et al. | A hierarchical early kick detection method using a cascaded GRU network | |
| CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
| Zhang et al. | Remaining useful life prediction for rolling bearings with a novel entropy-based health indicator and improved particle filter algorithm | |
| Wang et al. | A DES-BDNN based probabilistic forecasting approach for step-like landslide displacement | |
| CN112948743B (zh) | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 | |
| CN113779879A (zh) | 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法 | |
| CN113673115A (zh) | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 | |
| Pang et al. | Analysis and prediction of hydraulic support load based on time series data modeling | |
| CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
| CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
| CN111435471A (zh) | 一种基于lstm的供热用气量预测模型 | |
| Gu et al. | An anomaly detection methodology of load-carrying structure of satellite based on high-precision predictive model |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |