一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114169594A(43)申请公布日2022.03.11(21)申请号202111412478.1(22)申请日2021.11.25(71)申请人安徽理工大学地址232000安徽省淮南市泰丰大街168号(72)发明人王向前徐宁可孟祥瑞杨超宇(74)专利代理机构北京慕达星云知识产权代理事务所(特殊普通合伙)11465代理人符继超(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06F17/18(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法(57)摘要本发明公开了一种基于LSTM‑LightGBM变权组合模型的瓦斯浓度预测方法，包括：获取煤矿瓦斯浓度相关数据，并进行预处理；构建LSTM和LightGBM两种模型获得对应的预测值；将两种预测模型的预测值分别与真实值相比较，通过给两种模型赋予的权值来刻画预测的精准度；根据t‑1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方式得到对应的预测值；计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，与残差赋权进行比较，当改进后的权值使得误差变小时，则替换原始权值，否则权值保持不变；实现对目标区域的瓦斯浓度的预测。该方法在多个煤矿应用中，可以获得较为精准的预测值。CN114169594ACN114169594A权利要求书1/2页1.一种基于LSTM‑LightGBM变权组合模型的瓦斯浓度预测方法，其特征在于，包括：S10、获取煤矿瓦斯浓度相关数据，并进行预处理；将经预处理后的数据按照预设比例划分为训练集、验证集和测试集；S20、采用所述训练集分别对LSTM和LightGBM两种模型进行训练，采用验证集用于调整参数以及监控两种模型；将测试集分别输入两种模型获得对应的预测值；S30、将两种预测模型的预测值分别与真实值相比较，通过给两种模型赋予的权值来刻画预测的精准度；根据t‑1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方式得到对应的预测值；S40、计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，与步骤S30中的残差赋权进行比较，当改进后的权值使得误差变小时，则替换原始权值，否则权值保持不变；实现对目标区域的瓦斯浓度的预测。2.根据权利要求1所述的方法，其特征在于，获取煤矿瓦斯浓度相关数据，并进行预处理；包括：提取煤矿工作面中的所有测点的数据信息；通过皮尔逊积相关系数刻画变量之间的相关性，选取与瓦斯浓度相关性较大的数据。3.根据权利要求1所述的方法，其特征在于，根据t‑1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方式得到对应的预测值，包括：计算各模型在t‑1时刻预测值与真实值的误差，计算误差的公式为：其中，ωi(t‑1)为t‑1时刻第i个模型的权重，fi(xt)为第i个模型的预测值，h(xt)为组合模型的预测值，为t‑1时刻第i个模型的预测误差平方和；m为模型的数量；ωi(t)为t时刻第i个模型的权重，作为第一权重。4.根据权利要求3所述的方法，其特征在于，步骤S40中，计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，包括：计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，初始赋权的表达式为：为改进后的t时刻第i个模型的权重，作为第二权重；n＜t；k∈[1,2,..n]。5.根据权利要求4所述的方法，其特征在于，步骤S40中：与步骤S30中的残差赋权进行比较，当改进后的权值使得误差变小时，则替换原始权值，否则权值保持不变；实现对目标2CN114169594A权利要求书2/2页区域的瓦斯浓度的预测，包括：S401、根据第一权重，计算t时刻各组合模型的预测值和真实值的误差绝对值，作为第一误差；S402、根据第二权重，计算t时刻各组合模型的预测值和真实值的误差绝对值，作为第二误差；S403、将所述第一误差和第二误差作比较，选择较小值对应的权重作为组合模型的权重，实现对目标区域的瓦斯浓度的预测。3CN114169594A说明书1/7页一种基于LSTM‑LightGBM变权组合模型的瓦斯浓度预测方法技术领域[0001]本发明涉及煤矿瓦斯安全领域。尤其涉及一种基于LSTM‑LightGBM变权组合模型的瓦斯浓度预测方法。背景技术[0002]能源是经济发展的原动力也是国家经济的命脉，煤炭在我国的能源战略地位中占据较高的地位，这也是由我国的资源赋存特点导致的，同时也决定了解决中国的能源问题必须以煤炭为主。但是在煤炭开采进程当中，存在很多安全性问题，据不完全统计，瓦斯事故占据所