CN113742893B - 基于多元融合时空特征卷积网络的气体浓度预测方法 - Google Patents
基于多元融合时空特征卷积网络的气体浓度预测方法 Download PDFInfo
- Publication number
- CN113742893B CN113742893B CN202110904175.5A CN202110904175A CN113742893B CN 113742893 B CN113742893 B CN 113742893B CN 202110904175 A CN202110904175 A CN 202110904175A CN 113742893 B CN113742893 B CN 113742893B
- Authority
- CN
- China
- Prior art keywords
- time
- gas
- convolution
- size
- space
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 239000007789 gas Substances 0.000 claims abstract description 150
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000000556 factor analysis Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000001364 causal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 description 6
- 239000003245 coal Substances 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical class [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明涉及一种基于多元融合时空特征卷积网络的气体浓度预测方法,包括以下步骤:步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析,选择与目标气体相关性高的气体作为辅助变量;步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析,得到三维时空特征;步骤C、使用时空卷积模型对目标气体的气体浓度进行预测;步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。本发明在时间卷积网络基础上,融合了采空区目标监测点周围其他监测点的空间数据,然后提取目标监测点处的空间特征,还通过分析目标监测点处其他气体浓度数据数据与目标气体数据之间的相关性,作为辅助因素来提高预测精度。
Description
技术领域
本发明涉及煤矿采空区气体浓度预测技术领域,特别涉及一种基于多元融合时空特征卷积网络的气体浓度预测方法。
背景技术
自燃火灾的防治成为了煤矿火灾防治的重点,而自燃火灾的防治重点区域就是采空区。由于煤炭自燃过程中会产生碳氧化合物、烷烃类气体,通过分析指标气体生成状况的变化就可大致判断煤氧化过程所处的阶段。传统的预测方法只考虑时间序列数据的时间特性,即利用标志性气体浓度的历史数据作为观测值对未来数据进行预测,未考虑空间属性。但是在气体的扩散及风流的影响下,采空区中的气体不仅有时间特性,还有空间特性,即该处变量值与其他监测点位置变量的值有密切关系。若不考虑空间属性的影响,则会忽略风流场这一影响重要因素,影响预测结果。
发明内容
为了解决现存技术中的问题,本发明提供一种基于多元融合时空特征卷积网络的气体浓度预测方法。本发明在时间卷积网络基础上,融合了采空区目标监测点周围其他监测点的空间数据,然后提取目标监测点处的空间特征,还通过分析目标监测点处其他气体浓度数据数据与目标气体数据之间的相关性,作为辅助因素来提高预测精度。
本发明的上述目的通过以下技术方案实现:基于多元融合时空特征卷积网络的气体浓度预测方法,包括以下步骤:
步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析,选择与目标气体相关性高的气体作为辅助变量;所述目标气体为指标气体中的任意一个气体,其余为其他气体;
步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析,得到三维时空特征;
步骤C、使用时空卷积模型对目标气体的气体浓度进行预测;
步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。
进一步地,所述步骤A具体包括以下步骤:
步骤A1、计算目标气体和其他气体延迟T(1,2,…7)个时刻的时间序列的相关系数;
步骤A2、根据所述步骤A1的相关系数计算结果选择出与目标气体相关性高的气体作为辅助变量。
进一步地,所述步骤B具体包括以下步骤:
步骤B1、构建GSM气体空间矩阵;
(1)根据传感器分布情况,将空间划分为l*w*h个具有相同大小的单元,每个单元包含一组传感器;其中,l*w*h为划分后的长*宽*高,单位分别为米;
(2)根据两个时间序列Sij=(Si,Sj),并计算皮尔逊相关系数,Si和Sj的皮尔逊相关系数如式1所示;
其中,为序列Si在P[d:g]时间段内的平均值,同理,/>为序列Sj在P[d:g]时间段内的平均值;/>为序列Si在P[d:g]时间段内的方差;/>为序列Sj在P[d:g]时间段内的方差;
单维时间序列是由传感器采样得到的连续的数据点,一条长度为N的时间序列表示为S={S1,S2,…,ST},其中每个序列点Su=(xu,tu)表示为一个时间点的数值,xu是一个实数值,tu是时间记录点;是所有时间点的集合;
时间区间P[d:g]是时间区间P[1:T]内的一个时间段,则S[d:g]代表起始于d,终止于g的单维时间序列段;
步骤B2、分析目标气体在t时刻的多维空间特征;
(1)在t时刻,对GSM气体空间矩阵每一个单元监测点为中心,将DXY,DXZ,DYZ三个维度分别提取出来,得到三个方向上的特征矩阵,且每一维度监测位置及其周围邻域大小的矩阵大小为n×n,监测点位于每一维矩阵的中心;n的大小与所涉及的传感器的数量相关,保证每个矩阵内包含一个传感器;其中DXY,DXZ,DYZ代表三个二维平面;
(2)对已经提取出来的DXY,DXZ,DYZ三个维度,单独对每一个维度的特征矩阵提取特征,即每一个特征矩阵作为具有一个通道的张量,输入卷积核大小为3×3以及k层卷积层、池化层和全连接层,获得三个维度的特征其中,设采空区各个监测点为L={l0,l1,…,li,…,ln},li为目标监测点;R为实数集,n×n×λ表示三维矩阵的大小;
(3)为了减少参数量,将三个维度的特征的组合,再利用1×1卷积进行特征压缩,最终得到目标监测点在t时刻的三维空间特征R为实数集,n×n×λ表示三维矩阵的大小。
进一步地,所述步骤C具体包括以下步骤:
步骤C1、输入数据属性包括时间、温度、指标气体的气体浓度的传感器数据,具体表示为其中/>为li位置处的多元序列,li(i=0,...,n)代表第i个采空区中对指标气体进行采集测量的地点,r为多元序列数,/>
步骤C2、利用式2,对三维空间特征提取过程中每一个特征矩阵进行卷积操作,其中,f(·)表示激活函数,*表示卷积操作,和/>是第k层卷积层的参数;
经过k层卷积层之后,分别得到了三个维度的特征R为实数集,n×n×λ表示三维矩阵的大小;
步骤C3、将三个维度的特征的合并后使用一层flatten函数转换成一维特征;
步骤C4、使用一个全连接层来减少空间特征的尺寸,最终的输出特征R为实数集,计算方式如式3,其中,/>和/>是第i个监测地点li在t时刻全连接层的参数;
步骤C5、由于指标气体的气体浓度数据在时间方面具有因果关系,
因此为了数据的特征以及模型的准确性,该模型中的卷积操作使用因果卷积;对于输入数据监测位置多元特征序列/>时间/>卷积核在输入矩阵的空间维度(q*j*z)上进行卷积操作,q为监测位置维度大小,j为多元序列特征大小,z为时间维度大小;对应的卷积操作如式4所示;
其中,W为三维卷积核,其大小为q*j*w,q为监测位置维度大小,j为多元序列特征大小,w代表层数维度,b为偏置向量,输出为二维特征矩阵,大小为q*1*(z-w+1);
步骤C6、设卷积核大小为f(w1,w2,…,wk),则膨胀卷积的计算如式5所示;
其中,表示采用上层第t-(j-i)e个元素,e为采样率,f(wi)代表卷积核大小;
步骤C7、最终预测目标为未来时刻的序列值,如式6所示;
其中,为预测目标,即为n个监测点在t+1时刻的时间序列值;其中,/>为目标气体第i个监测地点li在T={t-z,t-z+1,…,t}时段的特征序列;/>)为其他气体在第i个监测地点li在T时段的特征序列;函数/>为在所有区域和时间间隔T上定义的预测函数,以捕获复杂时空特征关系;
步骤C8、根据损失函数,继续迭代N轮,不断更新网络参数,最后输出预测值其中,N取自经验法,当loss值50轮不下降停止。
进一步地,所述步骤D具体包括以下步骤:
步骤D1、设置窗口大小为c的时间段作为输入样本,c+1时间点作为输出样本;使用三维因果卷积和膨胀因果网络(现有技术,详细内容不再赘述),进一步提取数据的时空特征;并保持该模型的基本结构保持不变,调整序列窗口的大小c进行对比实验,以确定最佳的窗口大小;
步骤D2、计算平均百分比误差MAPE,对预测误差进行评价。
进一步地,所述指标气体为O2、CO2、CO、CH4、C2H4、C3H6、C2H2。
本发明的有益效果在于:本发明在时间卷积网络基础上,融合了采空区目标监测点周围其他监测点的空间数据,然后提取目标监测点处的空间特征。还通过分析目标监测点处其他气体浓度数据数据与目标气体数据之间的相关性,作为辅助因素来提高预测精度。
具体实施方式
下面结合具体实施例进一步说明本发明的详细内容及其具体实施方式。
实施例1
本发明提供一种基于多元融合时空特征卷积网络的气体浓度预测方法,包括以下步骤:
步骤A、对目标监测点处指标气体中的目标气体与其他气体的气体浓度时间序列数据进行多元辅助因素分析,选择与目标气体相关性高的气体作为辅助变量;所述目标气体为指标气体中的任意一个气体,其余为其他气体;所述指标气体为O2、CO2、CO、CH4、C2H4、C3H6、C2H2;
所述步骤A具体包括以下步骤:
步骤A1、计算目标气体和其他气体延迟T(1,2,…7)个时刻的气体浓度时间序列的相关系数;(计算方法为现有技术)
具体地,如果当延迟数大于0时相关性取得最大值,说明该变量在目标变量发生变化之前已经发生相应的改变。当数据发生突然变化时,利用已经变化的变量作为“超前”的辅助信息能够为目标序列的预测提供帮助。以C3H6气体为例,考虑其与CO、CO2、O2、CH4、C2H4和C2H2共六种气体之间的交叉相关性,设置最大时间延迟数T=7,则C3H6气体与其他变量在每一个时间延迟数处得到一个相关系数。
步骤A2、根据所述步骤A1的相关系数计算结果选择出与目标气体相关性高的气体作为辅助变量;
具体地,通过计算得到交叉相关分析示意表,参见表1,选择出相关性大且最大相关系数对应的滞后数正的气体作为辅助变量,以此提高预测精度;
根据下表可以看出C3H6与其他气体的相关系数随着时间延迟数的变化而变化,并在某一时间延迟数时得到最大值。具体的部分相关系数如表1所示:
表1交叉相关分析示意表
从表1中可以看出,C3H6气体与CO气体,在时间延迟数为1时,得到最大相关系数0.762;C3H6气体与CO2气体,在时间延迟数为1时,得到最大相关系数0.791,表明当CO气体延迟一个时刻的时间序列与C3H6气体有更好的相关性;C3H6气体与C2H4气体,在时间延迟数为0时,得到最大相关系数0.979;C3H6气体与C2H2气体,在时间延迟数为2时,得到最大相关系数0.861;C3H6气体与CH4气体,在时间延迟数为1时,得到最大相关系数0.844;C3H6气体与O2气体,在时间延迟数为0时,得到最大负相关系数-0.769。根据分析结果,选择相关性大且最大相关系数对应的滞后数正的气体作为辅助变量,以此提高预测精度。
步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析,得到三维时空特征;
步骤B1、构建GSM气体空间矩阵;GSM气体空间矩阵(Gas SpaceMatrix)是一种特殊的数据表示形式,代表研究区域内的整个空间气体流动状况,在GSM中,相邻区域的空间相关性由相邻元素捕获;
(1)根据传感器分布情况,将空间划分为l*w*h个具有相同大小的单元,每个单元包含一组传感器,每组传感器包含有不同气体、温度等多个传感器;其中,l*w*h为划分后的长*宽*高,单位分别为米;
本实施例将空间划分为6m×6m×6m个具有相同大小的单元;
(2)根据两个时间序列Sij=(Si,Sj),并计算皮尔逊相关系数,Si和Sj的皮尔逊相关系数如式1所示;
其中,为序列Si在P[d:g]时间段内的平均值,同理,/>为序列Sj在P[d:g]时间段内的平均值;/>为序列Si在P[d:g]时间段内的方差;/>为序列Sj在P[d:g]时间段内的方差;
单维时间序列是由传感器采样得到的连续的数据点,一条长度为N的时间序列表示为S={S1,S2,…,ST},其中每个序列点Su=(xu,tu)表示为一个时间点的数值,xu是一个实数值,tu是时间记录点;是所有时间点的集合;
时间区间P[d:g]是时间区间P[1:T]内的一个时间段,则S[d:g]代表起始于d,终止于g的单维时间序列段;
Si和Sj的皮尔逊相关系数如表2所示,表中各数值为滞后数/皮尔逊相关系数
表2交叉相关分析结果表
从表2中可以看出,对于CO气体,具有正向时间延迟的因素包括CO2和温度(T),两者均具有较大相关性系数,因此选择CO2和温度(T)作为CO气体的辅助因素;对于C2H4气体,具有正向时间延迟的因素包括CO、C3H6、C2H2、CH4、CO2和温度(T);其中CO2的相关性系数为0.660,其余的大于等于0.765,因此选择CO、C3H6、C2H2、CH4和温度(T)作为C2H4气体的辅助因素;C3H6、C2H2和CH4的分析方式同上,最终的辅助因素选择结果如表3所示。不同目标气体选择的辅助因素不同,能够在减少参数量的同时提高预测精度。
表3辅助因素选择结果表
步骤B2、分析目标气体在t时刻的多维空间特征;
(1)在t时刻,对GSM气体空间矩阵每一个单元监测点为中心,将DXY,DXZ,DYZ三个维度分别提取出来,得到三个方向上的特征矩阵,且每一维度监测位置及其周围邻域大小的矩阵大小为n×n,监测点位于每一维矩阵的中心;n的大小与所涉及的传感器的数量相关,保证每个矩阵内包含一个传感器;其中DXY,DXZ,DYZ代表三个二维平面;本实施例均分为9个正方形区域,每个区域有四个监测位置,每个位置处有气体传感器、温度传感器和压力传感器,因此共108个监测点;
(2)对已经提取出来的DXY,DXZ,DYZ三个维度,单独对每一个维度的特征矩阵提取特征,即每一个特征矩阵作为具有一个通道的张量,输入卷积核大小为3×3以及k层卷积层、池化层和全连接层,获得三个维度的特征其中,设采空区各个监测点为L={l0,l1,…,li,…,ln},li为目标监测点;R为实数集,n×n×λ表示三维矩阵的大小;
(3)为了减少参数量,将三个维度的特征的组合,再利用1×1卷积进行特征压缩,最终得到目标监测点在t时刻的三维空间特征R为实数集,n×n×λ表示三维矩阵的大小;
步骤C、使用时空卷积模型对目标气体的气体浓度进行预测;
步骤C1、输入数据属性包括时间、温度、指标气体的气体浓度的传感器数据,具体表示为其中/>为li位置处的多元序列,li(i=0,...,n)代表第i个采空区中对指标气体进行采集测量的地点,r为多元序列数,/>
具体地,本实施例输入数据属性包括所有监测点处连续1044个时间点的传感器数据进行实验。每一时间点共包含CO、C2H4、C3H6、C2H2、CH4、O2、CO2的气体浓度和温度共8个变量,其中指标气体为CO、C2H4、C3H6、C2H2和CH4,其他气体有O2、CO2和温度(T)。
输入的部分数据如下表3所示:
表3输入数据表
步骤C2、利用式2,对三维空间特征提取过程中每一个特征矩阵进行卷积操作,其中,f(·)表示激活函数,*表示卷积操作,和/>是第k层卷积层的参数;初始参数是程序随机确定的,然后梯度下降法进行设定,属于程序内部参数。
经过k层卷积层之后(k=3),分别得到了三个维度的特征R为实数集,n×n×λ表示三维矩阵的大小;
步骤C3、将三个维度的特征的合并后使用一层flatten函数转换成一维特征;
步骤C4、使用一个全连接层(FC)来减少空间特征的尺寸,最终的输出特征R为实数集,计算方式如式3,其中,/>和/>是第i个监测地点li在t时刻全连接层的参数;初始参数是程序随机确定的,然后梯度下降法进行设定,属于程序内部参数。
步骤C5、由于指标气体的气体浓度数据在时间方面具有因果关系,因此为了数据的特征以及模型的准确性,该模型中的卷积操作使用因果卷积;对于输入数据监测位置多元特征序列/>时间/>卷积核在输入矩阵的空间维度(q*j*z)上进行卷积操作,q为监测位置维度大小,j为多元序列特征大小,z为时间维度大小;对应的卷积操作如式4所示;
其中,W为三维卷积核,其大小为q*j*w,q为监测位置维度大小,j为多元序列特征大小,w代表层数维度,b为偏置向量,输出为二维特征矩阵,大小为q*1*(z-w+1);
步骤C6、设卷积核大小为f(w1,w2,…,wk),则膨胀卷积的计算如式5所示;
其中,表示采用上层第t-(j-i)e个元素,e为采样率,f(wi)代表卷积核大小;
步骤C7、最终预测目标为未来时刻的序列值,如式6所示;
其中,为预测目标,即为n个监测点在t+1时刻的时间序列值;其中,/>为目标气体第i个监测地点li在T={t-z,t-z+1,…,t}时段的特征序列;/>)为其他气体在第i个监测地点li在T时段的特征序列;函数/>为在所有区域和时间间隔T上定义的预测函数,以捕获复杂时空特征关系;
以CO为例部分数据如下表4所示:
表4预测未来时刻序列值
步骤C8、根据损失函数,继续迭代N=1000轮,不断更新网络参数,最后输出预测值其中,N取自经验法,当loss值50轮不下降停止。
实验中CO、C2H4、和CH4气体预测得到的损失函数结果如表5所示,损失函数随着迭代次数增加逐渐减小,说明随着迭代次数增加,网络参数不断更新,预测误差逐渐减小。最终CO气体的损失函数趋近于1.18,C2H4气体的损失函数趋近于0.63,CH4气体的损失函数趋近于1.24。
表5迭代1000轮后损失函数值
步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。
步骤D1、设置窗口大小为c的时间段作为输入样本,c+1时间点作为输出样本;使用三维因果卷积和膨胀因果网络(现有技术,详细内容不再赘述),进一步提取数据的时空特征;并保持该模型的基本结构保持不变,调整序列窗口的大小c进行对比实验,以确定最佳的窗口大小;
步骤D2、计算平均百分比误差MAPE,对预测误差进行评价;MAPE的值越小,说明预测模型拥有更好的精确度;
MAPE通过下式7进行计算;
其中,n为样本个数,actual(t)真实值为原有数据,forecast(t)预测值为所述步骤C8得到的预测值
本实施例实验对比了CO、C2H4和CH4三种气体在数据窗口长度为5、6、7、8和9时的实验结果,参照表6,对于CO,在窗口长度为7时,平均百分比误差取得最小值为4.36,对于C2H4、和CH4气体,均在窗口长度为6时,平均百分比误差取得最小值,分别为3.65和3.89;
表6 CO、C2H4和CH4三种气体的平均百分比误差MAPE测试结果
以CO气体为例,未考虑时空特征的TCN模型最后输出结果与真实值的RMSE(均方根误差)为7.54,MAPE为5.48%。而本次提出的基于多元融合时空特征卷积网络的气体浓度预测方法(MF-STCN模型)最后输出结果与真实值的RMSE为6.85,MAPE为4.36%。说明本方法是有效的,测试结果见表7。
表7 TCN模型与本发明的MF-STCN模型的CO气体的均方根误差RMSE与平均百分比误差MAPE测试结果
以上所述仅为本发明的优选实例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于多元融合时空特征卷积网络的气体浓度预测方法,其特征在于,包括以下步骤:
步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析,选择与目标气体相关性高的气体作为辅助变量;所述目标气体为指标气体中的任意一个气体,其余为其他气体;
步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析,得到三维时空特征;
步骤C、使用时空卷积模型对所述目标气体的气体浓度进行预测;
步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测;
所述步骤B具体包括以下步骤:
步骤B1、构建GSM气体空间矩阵;
1)根据所述传感器分布情况,将空间划分为l*w*h个具有相同大小的单元,每个单元包含一组传感器;其中,l*w*h为划分后的长*宽*高,单位分别为米;
2)根据两个时间序列Sij=(Si,Sj),计算皮尔逊相关系数,Si和Sj的皮尔逊相关系数如式1所示;
其中,为序列Si在P[d:g]时间段内的平均值,同理,/>为序列Sj在P[d:g]时间段内的平均值;/>为序列Si在P[d:g]时间段内的方差;/>为序列Sj在P[d:g]时间段内的方差;
单维时间序列是由所述传感器采样得到的连续的数据点,一条长度为N的时间序列表示为S={S1,S2,…,ST},其中每个序列点Su=(xu,tu)表示为一个时间点的数值,xu是一个实数值,tu是时间记录点;是所有时间点的集合;
时间区间P[d:g]是时间区间P[1:T]内的一个时间段,则S[d:g]代表起始于d,终止于g的单维时间序列段;
步骤B2、分析目标气体在t时刻的多维空间特征;
1)在t时刻,对GSM气体空间矩阵每一个单元监测点为中心,将DXY,DXZ,DYZ三个维度分别提取出来,得到三个方向上的特征矩阵,且每一维度监测位置及其周围邻域大小的矩阵大小为n×n,监测点位于每一维矩阵的中心;n的大小与所涉及的传感器的数量相关,保证每个矩阵内包含一个传感器;其中DXY,DXZ,DYZ代表三个二维平面;
2)对已经提取出来的DXY,DXZ,DYZ三个维度,单独对每一个维度的特征矩阵提取特征,即每一个特征矩阵作为具有一个通道的张量,输入卷积核大小为3×3以及k层卷积层、池化层和全连接层,获得三个维度的特征 其中,设采空区各个监测点为L={l0,l1,…,li,…,ln},li为目标监测点;R为实数集,n×n×λ表示三维矩阵的大小;
3)为了减少参数量,将三个维度的特征的组合,再利用1×1卷积进行特征压缩,最终得到目标监测点在t时刻的三维空间特征R为实数集,n×n×λ表示三维矩阵的大小;
所述步骤C具体包括以下步骤:
步骤C1、输入数据属性包括时间、温度、所述指标气体的气体浓度的传感器数据,具体表示为其中/>为li位置处的多元序列,li(i=0,...,n)代表第i个采空区中对所述指标气体进行采集测量的地点,r为多元序列数,/>
步骤C2、利用式2,对三维空间特征提取过程中每一个特征矩阵进行卷积操作,其中,f(·)表示激活函数,*表示卷积操作,和/>是第k层卷积层的参数;
经过k层卷积层之后,分别得到了三个维度的特征R为实数集,n×n×λ表示三维矩阵的大小;
步骤C3、将三个维度的特征的合并后使用一层flatten函数转换成一维特征;
步骤C4、使用一个全连接层来减少空间特征的尺寸,最终的输出特征R为实数集,计算方式如式3,其中,/>和/>是第i个监测地点li在t时刻全连接层的参数;
步骤C5、由于所述指标气体的气体浓度数据在时间方面具有因果关系,因此为了数据的特征以及模型的准确性,该模型中的卷积操作使用因果卷积;对于输入数据监测位置多元特征序列/>时间/>卷积核在输入矩阵的空间维度(q*j*z)上进行卷积操作,q为监测位置维度大小,j为多元序列特征大小,z为时间维度大小;对应的卷积操作如式4所示;
其中,W为三维卷积核,其大小为q*j*w,q为监测位置维度大小,j为多元序列特征大小,w代表层数维度,b为偏置向量,输出为二维特征矩阵,大小为q*1*(z-w+1);
步骤C6、设卷积核大小为f(w1,w2,…,wk),则膨胀卷积的计算如式5所示;
其中,表示采用上层第t-(j-i)e个元素,e为采样率,f(wi)代表卷积核大小;
步骤C7、最终预测目标为未来时刻的序列值,如式6所示;
其中,为预测目标,即为n个监测点在t+1时刻的时间序列值;其中,/>为目标气体第i个监测地点li在T={t-z,t-z+1,…,t}时段的特征序列;/>)为其他气体在第i个监测地点li在T时段的特征序列;函数/>为在所有区域和时间间隔T上定义的预测函数,以捕获复杂时空特征关系;
步骤C8、根据损失函数,继续迭代N轮,不断更新网络参数,最后输出预测值其中,N取自经验法,当loss值50轮不下降停止。
2.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法,其特征在于,所述步骤A具体包括以下步骤:
步骤A1、计算所述目标气体和所述其他气体延迟T(1,2,…7)个时刻的时间序列的相关系数;
步骤A2、根据所述步骤A1的相关系数计算结果选择出与所述目标气体相关性高的气体作为所述辅助变量。
3.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法,其特征在于,所述步骤D具体包括以下步骤:
步骤D1、设置窗口大小为c的时间段作为输入样本,c+1时间点作为输出样本;使用三维因果卷积和膨胀因果网络,进一步提取数据的时空特征;并保持该模型的基本结构保持不变,调整序列窗口的大小c进行对比实验,以确定最佳的窗口大小;
步骤D2、计算平均百分比误差MAPE,对预测误差进行评价。
4.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法,其特征在于,所述指标气体为O2、CO2、CO、CH4、C2H4、C3H6、C2H2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904175.5A CN113742893B (zh) | 2021-08-06 | 2021-08-06 | 基于多元融合时空特征卷积网络的气体浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904175.5A CN113742893B (zh) | 2021-08-06 | 2021-08-06 | 基于多元融合时空特征卷积网络的气体浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742893A CN113742893A (zh) | 2021-12-03 |
CN113742893B true CN113742893B (zh) | 2024-02-06 |
Family
ID=78730509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110904175.5A Active CN113742893B (zh) | 2021-08-06 | 2021-08-06 | 基于多元融合时空特征卷积网络的气体浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742893B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9373059B1 (en) * | 2014-05-05 | 2016-06-21 | Atomwise Inc. | Systems and methods for applying a convolutional network to spatial data |
CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
CN109492830A (zh) * | 2018-12-17 | 2019-03-19 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
-
2021
- 2021-08-06 CN CN202110904175.5A patent/CN113742893B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9373059B1 (en) * | 2014-05-05 | 2016-06-21 | Atomwise Inc. | Systems and methods for applying a convolutional network to spatial data |
CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
CN109492830A (zh) * | 2018-12-17 | 2019-03-19 | 杭州电子科技大学 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
Non-Patent Citations (2)
Title |
---|
基于时空卷积残差网络的空气质量预测;李栋;张蕾;郭茂祖;刘银龙;;计算机技术与发展(06);全文 * |
基于深度学习的空气质量预报方法新进展;朱晏民;徐爱兰;孙强;;中国环境监测(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742893A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7461440B2 (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
JP5751045B2 (ja) | プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
WO2020043029A1 (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
JP5434837B2 (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
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 | |
CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
CN110909508A (zh) | 基于卷积长短期记忆网络的加热炉温度场实时预测方法 | |
CN112180739A (zh) | 一种针对过热汽温控制系统的参数优化方法 | |
JP5707230B2 (ja) | プロセスの状態予測方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN115526296A (zh) | 一种基于深度学习的碳排放预测方法 | |
CN113742893B (zh) | 基于多元融合时空特征卷积网络的气体浓度预测方法 | |
WO2023097705A1 (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
CN101446828A (zh) | 一种非线性过程质量预报方法 | |
CN114117919A (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
CN105408828B (zh) | 对曲线上用于检测发动机异常的相关点进行估算的方法以及用于实施该方法的数据处理系统 | |
CN116738866B (zh) | 一种基于时间序列特征提取的即时学习的软测量建模方法 | |
CN112052496A (zh) | 一种基于var模型的高拱坝谷幅变形影响因素分析系统的操作方法 | |
CN116384538A (zh) | 一种流域径流预报方法、装置及存储介质 | |
JP2003344327A (ja) | 熱解析システム、熱解析方法およびその方法を実行するためのプログラム | |
CN112464570B (zh) | 基于bp-lstm的大坝监测物理量智能预测方法 | |
CN115470726A (zh) | 一种基于深度学习的高超声速进气道流场快速预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |