針對(duì)礦井瓦斯?jié)舛阮A(yù)測(cè)研究現(xiàn)狀,提出一種基于Python的瓦斯?jié)舛葧r(shí)間序列預(yù)測(cè)方法。該方法采集、處理了礦井瓦斯?jié)舛葰v史數(shù)據(jù),形成適用于數(shù)據(jù)挖掘的平穩(wěn)時(shí)間序列;基于該序列,調(diào)用Python自帶的ARIMA模塊函數(shù),構(gòu)建瓦斯?jié)舛阮A(yù)測(cè)模型;利用建立的預(yù)測(cè)模型對(duì)瓦斯?jié)舛冗M(jìn)行預(yù)測(cè),并對(duì)比分析瓦斯?jié)舛葰v史數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的誤差大小,進(jìn)行模型預(yù)測(cè)效果評(píng)價(jià);最后,利用滿足精度要求的預(yù)測(cè)模型,預(yù)測(cè)瓦斯?jié)舛茸兓厔?shì)。以貴州某礦為例,采集2018年3月5日至2018年3月7日的瓦斯數(shù)據(jù)作為樣本數(shù)據(jù),并調(diào)用Python的ARIMA模塊建立預(yù)測(cè)模型,開(kāi)展瓦斯?jié)舛阮A(yù)測(cè)研究。結(jié)果表明,該方法實(shí)現(xiàn)了瓦斯?jié)舛阮A(yù)測(cè)的可視化,并使瓦斯?jié)舛阮A(yù)測(cè)均方根誤差低為234%,預(yù)測(cè)精度較高,可為降低礦井瓦斯事故提供一定的技術(shù)支撐。 

【文章來(lái)源】：華北科技學(xué)院學(xué)報(bào). 2020,17(02)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

Python工具包示意圖

由表1得，1%的Critical value值遠(yuǎn)大于Test Statistic值，由此表明，在99%的置信度下處理后的序列穩(wěn)定，滿足ARIMA預(yù)測(cè)的基本要求。圖3 瓦斯?jié)舛绕椒�(wěn)處理效果圖

圖2 瓦斯?jié)舛仍急O(jiān)測(cè)數(shù)據(jù)圖當(dāng)瓦斯?jié)舛葧r(shí)間序列變?yōu)槠椒�(wěn)序列后，就需利用自相關(guān)圖與偏自相關(guān)圖確定參數(shù)p、q。圖4、圖5分別為瓦斯?jié)舛葧r(shí)間序列的自相關(guān)圖與偏自相關(guān)圖，其中，置信區(qū)間為上下灰色虛線之間的區(qū)域。通過(guò)觀察ACF、PACF第一次穿過(guò)上置信區(qū)間的橫坐標(biāo)值，p取1,q取1。

【參考文獻(xiàn)】：
期刊論文
[1]基于云計(jì)算的煤礦瓦斯?jié)舛榷唐陬A(yù)測(cè)[J]. 劉曉悅,劉婉晴,郭強(qiáng).  控制工程. 2018(08)
[2]基于混沌時(shí)間序列的煤礦工作面瓦斯?jié)舛阮A(yù)測(cè)研究[J]. 趙亮.  煤礦機(jī)械. 2017(07)
[3]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的礦井瓦斯?jié)舛阮A(yù)測(cè)算法[J]. 姚青華,邱本花.  煤炭技術(shù). 2017(05)
[4]我國(guó)煤礦深部開(kāi)采現(xiàn)狀及災(zāi)害防治分析[J]. 藍(lán)航,陳東科,毛德兵.  煤炭科學(xué)技術(shù). 2016(01)
[5]基于馬爾科夫殘差修正的瓦斯?jié)舛阮A(yù)測(cè)[J]. 韓婷婷,吳世躍,王鵬軍.  工礦自動(dòng)化. 2014(03)
[6]基于耦合算法的煤礦瓦斯涌出量預(yù)測(cè)模型研究[J]. 付華,姜偉,單欣欣.  煤炭學(xué)報(bào). 2012(04)
[7]近10年我國(guó)煤礦瓦斯災(zāi)害事故規(guī)律研究[J]. 李潤(rùn)求,施式亮,念其鋒,蔣敏.  中國(guó)安全科學(xué)學(xué)報(bào). 2011(09)
[8]基于灰色自記憶原理的煤礦瓦斯?jié)舛阮A(yù)測(cè)[J]. 黃東,謝學(xué)斌,黃曉陽(yáng),王偉.  科技導(dǎo)報(bào). 2010(17)
[9]基于BP神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯?jié)舛阮A(yù)測(cè)模型構(gòu)建及仿真[J]. 姜雷.  礦業(yè)安全與環(huán)保. 2010(04)

碩士論文
[1]基于時(shí)間序列分析的綜采工作面瓦斯?jié)舛阮A(yù)測(cè)研究[D]. 馬彥龍.西安科技大學(xué) 2018



本文編號(hào)：3580051