典型文献
ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究
文献摘要：
针对单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题,提出了一种基于自回归滑动平均模型(ARIMA)和支持向量机(SVM)模型的组合预测模型,并采用该模型对瓦斯浓度进行预测.首先,分别应用ARIMA模型和SVM模型对实验数据进行预测分析,得到2种单一模型预测结果.其次,结合自相关函数和偏自相关函数及贝叶斯准则,得到最优ARIMA模型为ARIMA(1,1,2),通过核函数等参数寻优,确立最优SVM模型,从而建立ARIMA?SVM组合模型.利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到非线性预测结果,将2个模型的预测结果进行组合,得到目标瓦斯时间序列最终预测结果.实验结果表明:①ARIMA?SVM组合模型预测结果与矿井实际数据的拟合度优于ARIMA模型和SVM模型.②相对于ARIMA模型、SVM模型,ARIMA?SVM组合模型的误差大幅度减小,且预测结果明显优于单一模型.③ARIMA?SVM组合模型的平均绝对误差、平均绝对百分比误差及均方根误差均为最小,表明ARIMA?SVM组合模型预测精度更高.
文献关键词：
瓦斯浓度预测;瓦斯浓度时间序列;自回归滑动平均模型;支持向量机;ARIMA-SVM组合模型
中图分类号：
作者姓名：
范京道;黄玉鑫;闫振国;李川;王春林;贺雁鹏
作者机构：
陕西延长石油(集团)有限责任公司,陕西 西安 710075;西安科技大学安全科学与工程学院,陕西 西安 710054;陕西延长石油巴拉素煤业有限公司,陕西 榆林 719000
文献出处：
引用格式：
[1]范京道;黄玉鑫;闫振国;李川;王春林;贺雁鹏-.ARIMA−SVM组合模型驱动下的瓦斯浓度预测研究)[J].工矿自动化,2022(09):134-139
A类：
瓦斯浓度时间序列
B类：
ARIMA,模型驱动,瓦斯浓度预测,预测研究,一瓦,瓦斯预测,矿井,自回归滑动平均模型,组合预测模型,预测分析,自相关函数,贝叶斯准则,核函数,参数寻优,模型处理,历史数据,残差序列,非线性因素,非线性预测,斯时,组合模型预测,实际数据,拟合度,平均绝对误差,平均绝对百分比误差
AB值：
0.210884
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
