矿井涌水量灰色GM(1,2)预测模型

基于矿井涌水量序列具有明显的随机性和灰色特征,建立涌水量GM(1,2)预测模型,以克服灰色GM(1,1)模型对于随机波动大的长序列预测效果差的缺点。以王行庄煤矿为例,针对2012年7月至2013年12月王行庄煤矿18个月的涌水量资料,考虑与之密切相关的L7-8灰岩含水层水位降深,建立了矿井涌水量GM(1,2)预测模型;预测了2014年1—4月的涌水量;并与GM(1,1)预测模型进行模型精度与预测精度的比较。结果表明:GM(1,2)模型的预测精度达到了97.44%,GM(1,1)模型的预测精度为92.60%,GM(1,2)模型明显提高了矿井涌水量的预测精度。     

矿井涌水对大气降水响应的非线性研究

矿井涌水量是煤矿安全生产的一个重要基础性指标,深部矿井涌水量与地表水、地下水之间的定量关系一直是水文过程研究的一个难点问题。本文采用Mann-Kendall检验法、R/S分析法、GM(1,2)模型和现场分析等方法,以平煤七矿为例,研究矿井涌水量对降水量变化的响应。结果表明:降水量序列Hurst指数为0.367 7,该序列具有反持续性,其平均循环周期为5个月;涌水量序列Hurst指数为0.897 3,该序列具有正持续性,其平均循环周期为20个月;降水量对矿井涌水量的影响滞后1.5～3个月。以此为基础建立矿井涌水量的GM(1,2)预测模型,预测精度达到了94.25%。该模型对同类型矿井涌水量预测具有借鉴价值。     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

矿井涌水量R/S灰色预测模型

基于矿井涌水量序列具有灰色和分形的特征,建立R/S灰色预测模型,以克服R/S方法无法进行定量预测以及灰色模型对于随机波动大的长时间序列预测效果差的缺点。以成庄煤矿为例,针对2008年1月—2013年12月矿井涌水量进行R/S分析,确定Hurst指数和平均循环周期,并在一个周期内进行灰色预测。结果表明:成庄矿涌水量序列的Hurst指数为0.839,涌水量有持续增加的趋势,其平均循环周期为18个月;与2014年1—4月实测涌水量对比,R/S灰色预测模型的预测精度为92.56%,高于灰色预测模型,为中长期时间序列的矿井涌水量预测提供了更有效的新方法。     

矿井涌水量的中长期混沌预测

针对目前采煤矿井涌水量预测模型误差较大的问题,利用混沌理论对矿井涌水量进行混沌特征辨识,在此基础上,建立矿井涌水量中长期混沌预测模型。以平煤十二矿为例,对矿井涌水量序列(时间尺度为月)进行分析,其中最大Lyapunov指数为0.161 1,大于0,说明该序列具有混沌特征。计算了时间延迟(τ=12月)和嵌入维数(m=9),对涌水量序列进行相空间重构,建立了矿井涌水量中长期混沌预测模型(预测周期为6个月)。与实测结果对比,模型的预测精度达到了99.37%。该预测模型为矿山多季度安全生产计划的制定及水害防治提供了科学依据。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

煤矿井下涌水量灰色灾变预测

利用灰色灾变理论,对韩王矿历年矿井涌水量资料进行了分析、整理.建立了煤矿井下涌水量灰色灾变时间预测模型,并对矿井灾害涌水量发生时间进行了预测.预测精度较高,结果符合实际要求,为煤矿井下水害防治提供了一种有效的方法.     

基于线性回归与重标极差R/S法的年平均流量变化趋势分析

采用重标极差R/S法寻找年平均流量序列的变异点,对序列进行分割,然后运用线性回归法分析年平均流量分割样本序列变化趋势,利用R/S法求出分形Hurst指数并分析序列的持久性或反持久性特征,最后综合两者的结果分析序列未来的变化趋势特征。并以某站年平均流量序列为例进行分析,结果表明:基于线性回归与重标极差R/S法的年平均流量变化趋势分析方法可行。     

疏系数自回归模型及其在矿井涌水量预测中的应用

作者分析了诸如矿井涌水量等地质时间序列数据的特点以及现有的一些预测预报方法的局限性,引进了一种适合地质特点的数学模型——疏系数自回归模型,并利用该模型处理了大同矿务局某矿的月平均日涌水量数据。从计算结果可以看出,预测的精度满足了生产矿井的实际需要。     

基于时序相关性的云平台多负载序列联合预测

为提高云平台负载预测的精度,提出了一种基于时序相关性的多负载序列联合预测方法.首先,为获得相似的负载序列,采用长短时记忆网络提取负载序列的时序特征,再利用层次聚类法,获得在时序特征空间相似的负载序列类;其次,对获得的每个负载序列类分别构建多任务学习模型,挖掘和利用负载序列间隐藏的共享领域知识,提高模型泛化能力和预测精度,并实现多个负载序列的联合预测.使用Google数据集的中央处理器负载监控日志进行验证,结果表明,时序特征聚类可有效提取和利用负载序列的全局时序特征,降低原始序列的噪声,获得特征上相似的序列;与常用的负载预测方法比,所提方法对不同变化规律的负载序列都具有更精确的预测效果.