針對礦井瓦斯?jié)舛阮A(yù)測研究現(xiàn)狀,提出一種基于Python的瓦斯?jié)舛葧r間序列預(yù)測方法。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)測模型;利用建立的預(yù)測模型對瓦斯?jié)舛冗M行預(yù)測,并對比分析瓦斯?jié)舛葰v史數(shù)據(jù)與預(yù)測數(shù)據(jù)的誤差大小,進行模型預(yù)測效果評價;最后,利用滿足精度要求的預(yù)測模型,預(yù)測瓦斯?jié)舛茸兓厔�。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)測模型,開展瓦斯?jié)舛阮A(yù)測研究。結(jié)果表明,該方法實現(xiàn)了瓦斯?jié)舛阮A(yù)測的可視化,并使瓦斯?jié)舛阮A(yù)測均方根誤差低為234%,預(yù)測精度較高,可為降低礦井瓦斯事故提供一定的技術(shù)支撐。 

【文章來源】：華北科技學院學報. 2020,17(02)

【文章頁數(shù)】：7 頁

【部分圖文】：

Python工具包示意圖

由表1得，1%的Critical value值遠大于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)測數(shù)據(jù)圖當瓦斯?jié)舛葧r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。通過觀察ACF、PACF第一次穿過上置信區(qū)間的橫坐標值，p取1,q取1。

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

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



本文編號：3580051