典型文献
基于STL-EEMD-GA-SVR的采煤工作面瓦斯涌出量预测方法及应用
文献摘要：
瓦斯涌出量准确预测可为矿井通风及瓦斯灾害防治措施提供重要依据.为提高采煤工作面瓦斯涌出量预测精度,根据陕西黄陵某矿采煤工作面绝对瓦斯涌出量监测数据,应用基于局部加权回归的周期趋势分解(Seasonal-Trend decomposition procedure based on Loess,STL),将监测数据分解成趋势项、周期项和不规则波动项;利用集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),将不规则波动项分解得到不同特征尺度的IMFs(Intrinsic Mode Functions,IMFs)分量以及残差余量;通过遗传算法(Genetic Algorithms,GA)参数寻优后的支持向量回归机(Support Vector Regres-sion,SVR),对各项分解数据进行预测;叠加各分量模型预测结果,得到最终瓦斯涌出量预测结果.结果表明:在预测集为247、147和70组3种情景下,对比分析了STL-EEMD-GA-SVR模型(简称SEGS)、EEMD-GA-SVR模型、GA-SVR模型和高斯过程回归(Gaussian Process Regression,GPR)模型的评价指标精度,其中,SEGS模型最优,拟合度R2分别为0.81、0.92、0.99,峰值点平均相对误差最低,分别为3.15％、2.33％、1.04％.所构建的SEGS模型可以准确预测采煤工作面的瓦斯涌出量.
文献关键词：
瓦斯涌出量;机器学习;周期趋势分解;集成经验模态分解;时序预测
中图分类号：
作者姓名：
林海飞;刘时豪;周捷;徐培耘;双海清
作者机构：
西安科技大学安全科学与工程学院,陕西西安 710054;西安科技大学煤炭行业西部矿井瓦斯智能抽采工程研究中心,陕西西安 710054
文献出处：
引用格式：
[1]林海飞;刘时豪;周捷;徐培耘;双海清-.基于STL-EEMD-GA-SVR的采煤工作面瓦斯涌出量预测方法及应用)[J].煤田地质与勘探,2022(12):131-141
A类：
Regres,SEGS
B类：
STL,EEMD,GA,SVR,采煤工作面,瓦斯涌出量预测,方法及应用,准确预测,矿井通风,瓦斯灾害防治,黄陵,基于局部加权回归的周期趋势分解,Seasonal,Trend,decomposition,procedure,Loess,数据分解,分解成,趋势项,周期项,不规则波,集成经验模态分解,Ensemble,Empirical,Mode,Decomposition,特征尺度,IMFs,Intrinsic,Functions,余量,Genetic,Algorithms,参数寻优,支持向量回归机,Support,Vector,解数,集为,高斯过程回归,Gaussian,Process,Regression,GPR,指标精度,拟合度,峰值点,平均相对误差,时序预测
AB值：
0.288155
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。
