ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究

范京道; 黄玉鑫; 闫振国; 李川; 王春林; 贺雁鹏

首页> 中文期刊> 《工矿自动化》 >ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究

ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

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:① ARIMA-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。③ ARIMA-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。

著录项

来源
《工矿自动化》 |2022年第9期|134-139|共6页
作者
范京道; 黄玉鑫; 闫振国; 李川; 王春林; 贺雁鹏;
展开▼
作者单位

陕西延长石油(集团)有限责任公司;

西安科技大学安全科学与工程学院;

陕西延长石油巴拉素煤业有限公司;

展开▼
原文格式 PDF
正文语种 chi
中图分类矿井瓦斯;
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;

相似文献

中文文献
外文文献
专利

1. 沈阳市PM2.5浓度ARIMA-SVM组合预测研究 [J] . 宋国君 ,国潇丹 ,杨啸 . 中国环境科学 . 2018,第11期
2. 基于ARIMA-SVM模型的微电网短期负荷组合预测研究 [J] . 王友春 ,文闪闪 ,秦跃进 . 陕西电力 . 2014,第003期
3. 基于ARIMA-SVM组合模型的我国农产品价格预测研究 [J] . 陈兆荣 ,雷勋平 ,王亮 . 内蒙古财经学院学报 . 2013,第002期
4. 最优组合预测及其在瓦斯浓度预测中的应用 [J] . 干滴滴 ,赵志刚 . 山东科技大学学报（自然科学版） . 2012,第002期
5. 高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测 [J] . 李晓燕 ,李弢 ,马尽文 . 信号处理 . 2021,第11期
6. 复杂地质条件下的隧道大变形机理分析及组合预测研究 [C] . He Huagang ,贺华刚 . 2018（第七届）国际桥梁与隧道技术大会 . 2018
7. 高瓦斯矿井掘进通风瓦斯浓度预测神经网络模型研究 [A] . 阎东慧 . 2012

ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究

摘要

著录项

相似文献

相关主题

期刊订阅