CNN-GRU模型预测高炉煤气产生量

为了更好的利用海量数据中蕴藏的隐藏规律，对数据更好的挖掘，提高对钢铁企业高炉煤气产生量的预测精度，针对钢铁企业实际生产作业所采集到的非平稳非线性的数据，这里提出一种将卷积神经网络（CNN）和门结构循环单元（GRU）网络相结合的预测模型。模仿词向量方法，将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入，采用CNN对输入进行特征提取，将得到的特征向量构造为时间序列，并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法，对唐山某钢铁企业的实际生产中数据进行预测实验，结果表明，这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。