煤與瓦斯突出危險(xiǎn)性預(yù)測

李燕，南新元，藺萬科

（新疆大學(xué) 電氣工程學(xué)院,新疆 烏魯木齊 830047）

0 引言

煤與瓦斯突出是煤巖體破碎后大量瓦斯向巷道空間快速涌出的復(fù)雜現(xiàn)象。隨著煤礦開采的不斷深入，煤與瓦斯突出發(fā)生的頻率越來越高，是當(dāng)前煤礦開采過程中的重大破壞性事故之一[1-2]。因此，快速準(zhǔn)確地預(yù)測煤與瓦斯突出危險(xiǎn)性，是保障煤礦安全生產(chǎn)的關(guān)鍵措施之一。

近年來，眾多研究者從不同角度對煤與瓦斯突出的預(yù)測方法進(jìn)行了探索。付華等[3]利用等距映射算法結(jié)合加權(quán)支持向量機(jī)（Support Vector Machine,SVM）對煤與瓦斯突出進(jìn)行預(yù)測，提高了預(yù)測速度，但由于缺少對SVM 自身參數(shù)的優(yōu)化，預(yù)測精度不高。Liu Haibo 等[4]針對SVM 預(yù)測煤礦工作面瓦斯突出分辨率低的問題，通過粒子群算法對SVM 的核參數(shù)進(jìn)行優(yōu)化，提高了預(yù)測精準(zhǔn)度，但該算法容易陷入局部最優(yōu)解，導(dǎo)致響應(yīng)速度過慢。Wu Yaqin 等[5]為解決神經(jīng)網(wǎng)絡(luò)對煤與瓦斯突出預(yù)測性能低的問題，將神經(jīng)網(wǎng)絡(luò)與SVM 相結(jié)合建立煤與瓦斯突出預(yù)測模型，該模型比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測性能，但數(shù)據(jù)量過大，導(dǎo)致訓(xùn)練速度緩慢。鄭曉亮等[6]提出利用數(shù)據(jù)挖掘多重填補(bǔ)-SVM 算法預(yù)測煤與瓦斯突出，解決了數(shù)據(jù)嚴(yán)重缺失的問題，但該算法忽略了對主控因素的篩選，運(yùn)算時間較長。韓永亮等[7]為提升極限學(xué)習(xí)機(jī)對煤與瓦斯突出預(yù)測的精度，將遺傳算法與SVM 相結(jié)合，提高了預(yù)測準(zhǔn)確度，但該算法的泛化性能不高，魯棒性較差。

針對上述算法存在的缺陷，本文提出了一種改進(jìn)灰狼算法（Improved Grey Wolf Optimizer,IGWO）優(yōu)化SVM 的煤與瓦斯突出危險(xiǎn)性預(yù)測方法。首先，利用灰色關(guān)聯(lián)熵權(quán)法去除冗余數(shù)據(jù)，提取主控因素；然后，通過越界處理機(jī)制和嵌入萊維飛行的隨機(jī)差分變異策略的結(jié)合對灰狼算法（Grey Wolf Optimizer,GWO）進(jìn)行改進(jìn)，利用IGWO 對SVM 的參數(shù)進(jìn)行優(yōu)化；最后，將主控因素輸入到IGWO-SVM 中分類，實(shí)現(xiàn)煤與瓦斯突出危險(xiǎn)性預(yù)測。仿真結(jié)果表明：與基于鯨魚算法-支持向量機(jī)（Whale Optimization Algorithm-SVM,WOA-SVM）、灰狼算法-支持向量機(jī)（GWOSVM）和粒子群-支持向量機(jī)（Particle Swarm Optimization-SVM,PSO-SVM）的預(yù)測方法相比，基于IGWO-SVM 的預(yù)測方法具有更高的預(yù)測精度和更快的預(yù)測速度，預(yù)測準(zhǔn)確率達(dá)到96.67%，預(yù)測速度為5.58 s。

1 理論基礎(chǔ)

1.1 熵權(quán)法

熵權(quán)法是一種通過信息熵評價不同指標(biāo)效用價值后進(jìn)行賦權(quán)的方法[8]。指標(biāo)的信息熵越小，其權(quán)重越高，在總體評價中的影響越大。因此，采用信息熵確定指標(biāo)權(quán)重是判別不同指標(biāo)是否具有效用價值的有效方法。熵權(quán)法計(jì)算步驟如下:

（1）假設(shè)有m個待評價項(xiàng)目和n個評價因子。建立原始判別矩陣，rij為第j(j=1,2,···,n)個評價因子下第i(i=1,2,···,m)個待評價項(xiàng)目的評價值。

正向因子公式為

逆向因子公式為

（3）原始判別矩陣標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化后的矩陣為

（4）確定評價因子的熵值Sj、熵權(quán) ωj。

1.2 灰色關(guān)聯(lián)熵權(quán)法

灰色關(guān)聯(lián)度是分析各因素間變化趨勢的一種方式?；疑P(guān)聯(lián)度相比于其他理論，在小樣本和信息不確定的研究上占據(jù)很大優(yōu)勢，它通過對比參考對象和比較對象變化曲線間的差別來衡量兩者的相關(guān)程度[9]?；疑P(guān)聯(lián)度的計(jì)算步驟如下：

假設(shè)有b個影響因素和e個參考對象?？闪斜容^序列如下：，其中y為參考對象序號，k為影響因素序號，hy(k)為第y個序號中的第k個影響因素值。可列參考序列如下：，hy(0) 為第y個參考對象序號中的參考對象值。

（1）數(shù)據(jù)歸一化處理。通過數(shù)據(jù)歸一化處理降低各種因素間可能存在量綱不同而導(dǎo)致的差異性。

（2）求絕對差值。假設(shè)hy(0)和hy(k)在 第y個參考對象序號的絕對差值為 Δ，則。

（3）灰色關(guān)聯(lián)度系數(shù)ξy(k)計(jì)算。

（4）灰色關(guān)聯(lián)度計(jì)算。利用平均值法求解灰色關(guān)聯(lián)度 γy。

實(shí)際上，每個指標(biāo)在體系中占據(jù)的權(quán)重是各異的。如果采用常見的專家賦值法對權(quán)重進(jìn)行確定，容易受到人為主觀判別影響。因此，為能夠更加精確地反映真實(shí)情況，使用灰色關(guān)聯(lián)度時需要對各指標(biāo)的權(quán)重進(jìn)行科學(xué)合理計(jì)算，故本文在灰色關(guān)聯(lián)度的計(jì)算上加入熵權(quán)，提出灰色關(guān)聯(lián)熵權(quán)法，其計(jì)算公式為

1.3 GWO

GWO 利用4 種等級的灰狼通過不斷更新當(dāng)前位置，從而找到全局最優(yōu)位置后對獵物進(jìn)行圍捕[10]。4 種等級的灰狼分別為領(lǐng)頭狼 α、次級狼 β、第3 級狼δ和基層狼θ。GWO 主要包括以下步驟：

（1）包圍獵物。當(dāng)狼 α，β，δ發(fā)現(xiàn)獵物的位置之后，帶領(lǐng)狼 θ展開對獵物的圍捕，通過不斷搜索去更新當(dāng)前位置[11]。灰狼群體進(jìn)行圍捕的公式為

式中：D為獵物與灰狼之間的距離；Xp(t)為獵物在第t次迭代時的位置；X(t)為 灰狼個體在第t次迭代時的位置；A、C為系數(shù)向量。

式中：a為距離控制因子，在種群進(jìn)行不斷迭代時，其數(shù)值由2 線性遞減為0；r1，r2為[0,1]區(qū)間內(nèi)均勻分布的隨機(jī)數(shù)；T為最大迭代次數(shù)。

當(dāng) |A|＞1時，灰狼離開目前正在捕捉的獵物，去找尋其他更容易抓捕的獵物；當(dāng) |A|＜1時，灰狼對當(dāng)前獵物展開攻擊。

（2）位置更新。在狼群包圍獵物之后，狼 θ將會在狼 α，β，δ的指導(dǎo)下對獵物進(jìn)行捕捉，直至最后捕獲獵物，灰狼個體的位置會不斷進(jìn)行更新。

式中：Dα，Dβ，Dδ分別為灰狼個體與狼 α，β，δ的距離；Xα，Xβ，Xδ分別為狼 α，β，δ 所在位置；X1，X2，X3分別為狼 α，β，δ 對 θ 狼指導(dǎo)后更新的位置；X(t+1)為灰狼個體更新后的位置。

2 IGWO 優(yōu)化SVM 的煤與瓦斯突出預(yù)測算法

2.1 IGWO

GWO 的主要靈感來源于狼群嚴(yán)格的社會領(lǐng)導(dǎo)層級和群體狩獵行為。領(lǐng)頭狼 α是狼群狩獵活動的主要決策者，次級狼 β和第3 級狼 δ則 輔助 α狼作出決定，基層狼 θ負(fù)責(zé)執(zhí)行狼 α，β，δ的決定并對獵物進(jìn)行圍捕。在GWO 的位置更新過程中，狼 α，β，δ對狼群個體引導(dǎo)能力是相等的，這樣會造成狼群個體在尋優(yōu)過程中易陷入局部最優(yōu)和尋優(yōu)速度慢的缺陷。為了改善該缺陷，本文引入越界處理機(jī)制和嵌入萊維飛行的隨機(jī)差分變異策略對GWO 進(jìn)行改進(jìn)，提出了一種IGWO。

2.1.1 越界處理機(jī)制

目前GWO 對處于邊界外的種群個體采用丟棄或者將其拉回邊界的方法。如果使用丟棄方法處理越界種群個體，則會減少種群多樣性；采用拉回邊界方法處理越界個體，則會導(dǎo)致邊界附近出現(xiàn)個體聚集的現(xiàn)象。為此，本文引入精英策略對越界灰狼的位置進(jìn)行調(diào)整更新，可以使越界個體的位置向最優(yōu)個體位置逼近，增加最優(yōu)解的個數(shù)。

當(dāng)當(dāng)前 越界灰狼位 置X*≥Xmax或X*≤Xmin（Xmax為狼群位置的上限，Xmin為狼群位置的下限）時，越界灰狼的更新位置公式為

式中：L為當(dāng)前搜索過程中適應(yīng)度最好的個體與其臨近個體間的歐氏距離；d為種群個體維數(shù)。

2.1.2 嵌入萊維飛行的隨機(jī)差分變異

通過對GWO 原理分析可知，當(dāng)前個體的位置在尋優(yōu)過程中會隨著最優(yōu)個體的位置與自身距離的變化不斷進(jìn)行更新，即當(dāng)前個體位置會越來越靠近最優(yōu)個體的位置。用這種方法更新個體位置具有較大的缺陷：如果當(dāng)前個體靠近的位置不是全局最優(yōu)，而是局部最優(yōu)時，會導(dǎo)致大量個體聚集在局部最優(yōu)附近，將會造成算法未達(dá)到最優(yōu)效果就停止收斂的現(xiàn)象。為解決該問題，本文吸取了萊維飛行的隨機(jī)差分變異策略的優(yōu)點(diǎn)，將嵌入萊維飛行的隨機(jī)差分變異策略融合到GWO 中，該策略可以防止個體在更新位置時由于早熟收斂而陷入局部最優(yōu)的問題，并且加快了種群收斂速度。

嵌入萊維飛行的隨機(jī)差分變異計(jì)算公式為

式中：τ為[0,1]之間的隨機(jī)數(shù)；X′為被隨機(jī)選中個體的位置；Levy為萊維飛行步長服從重尾的指數(shù)概率分布。

Levy 服從參數(shù)為s的分布公式為

式 中：s為隨機(jī)步長；μ為約束因 子；λ為調(diào)節(jié)參數(shù)，λ ∈(0,2]，一般取 λ=1.5。

從圖1 可看出，當(dāng)種群迭代到第120 次時，IGWO就已經(jīng)達(dá)到了最優(yōu)適應(yīng)度，而GWO，PSO 和WOA在種群迭代到最大次數(shù)時都無法達(dá)到最優(yōu)適應(yīng)度。IGWO 無論是在收斂速度還是收斂精度上都比GWO，PSO 和WOA 更優(yōu)。從圖2 可看出，IGWO 的收斂速度最快，當(dāng)種群迭代到第50 次時就已經(jīng)達(dá)到了最優(yōu)適應(yīng)度，具有很好的局部搜索和全局搜索能力。GWO 的收斂速度次之，當(dāng)種群迭代到第180 次時達(dá)

利用正態(tài)分布對隨機(jī)步長進(jìn)行計(jì)算，計(jì)算公式為

式中v為約束因子，μ，v均服從與N(0,1)的正態(tài)分布為尺度參數(shù)。

式中 Γ為標(biāo)準(zhǔn)的Gamma 函數(shù)積分運(yùn)算。

2.2 IGWO 性能估計(jì)

利用PSO，WOA，GWO，IGWO 4 種算法對單峰函數(shù)Sphere 及多峰函數(shù)Griewank 進(jìn)行測試[12-14]，驗(yàn)證IGWO 的優(yōu)越性。選擇單峰測試函數(shù)的原因是為了檢驗(yàn)算法收斂快慢程度，而多峰測試函數(shù)則是為了驗(yàn)證本文算法是否會陷入局部最優(yōu)。仿真測試參數(shù)設(shè)置如下：最大迭代次數(shù)為500，種群個數(shù)為30。對以上算法進(jìn)行20 次仿真，獲得的測試曲線結(jié)果如圖1、圖2 所示。到最優(yōu)適應(yīng)度；WOA 的收斂速度略微慢于GWO，當(dāng)種群迭代到第230 次時才達(dá)到最優(yōu)適應(yīng)度，并且WOA 在種群迭代次數(shù)為50～150 時陷入了局部最優(yōu)；對于PSO，當(dāng)種群迭代到最大次數(shù)時也無法達(dá)到最優(yōu)適應(yīng)度，且該算法在迭代次數(shù)為120～250 時陷入局部最優(yōu)。

圖1 Sphere 函數(shù)優(yōu)化曲線Fig.1 Sphere function optimization curves

圖2 Griewank 函數(shù)優(yōu)化曲線Fig.2 Griewank function optimization curves

2.3 基于IGWO-SVM 的煤與瓦斯突出預(yù)測

由于SVM 的預(yù)測精度和學(xué)習(xí)能力直接受到核參數(shù)g和 懲罰參數(shù)c的制約。為提升SVM 的分類能力，本文采用IGWO 優(yōu)化SVM 的核參數(shù)和懲罰參數(shù)。利用IGWO-SVM 與灰色關(guān)聯(lián)熵權(quán)法結(jié)合對煤與瓦斯突出進(jìn)行預(yù)測，預(yù)測流程如圖3 所示。

圖3 IGWO-SVM 預(yù)測流程Fig.3 Prediction process of IGWO-SVM

（1）利用灰色關(guān)聯(lián)熵權(quán)法對影響煤與瓦斯突出的各因素按照熵權(quán)進(jìn)行排序，篩選出主控因素，將其分為訓(xùn)練樣本和測試樣本，并進(jìn)行歸一化處理。

（2）算法參數(shù)初始化，在規(guī)定范圍內(nèi)隨機(jī)產(chǎn)生狼群位置，即隨機(jī)的g和c的初始值。

（3）將當(dāng)前SVM 的預(yù)測精度作為適應(yīng)度函數(shù)，以提高預(yù)測精度為優(yōu)化目標(biāo)，計(jì)算所有灰狼個體的適應(yīng)度。

（4）對在邊界外的狼群采用越界處理機(jī)制進(jìn)行位置更新，對在邊界內(nèi)的狼群采用嵌入萊維飛行的隨機(jī)差分變異策略進(jìn)行位置更新。

（5）根據(jù)位置更新記錄灰狼個體適應(yīng)度，最優(yōu)適應(yīng)度灰狼個體分別為 α，β，δ。

（6）重復(fù)步驟（4）和步驟（5），直至達(dá)到最大迭代次數(shù)，輸出適應(yīng)度最優(yōu)的灰狼位置作為SVM 的參數(shù)進(jìn)行訓(xùn)練，然后用測試集進(jìn)行煤與瓦斯突出預(yù)測。

3 算法仿真

3.1 煤與瓦斯突出主控因素的篩選

煤與瓦斯突出是多種因素共同導(dǎo)致的一種非線性復(fù)雜動力過程[15]。根據(jù)煤與瓦斯突出機(jī)理的綜合作用假說及相關(guān)文獻(xiàn)的查閱[16-18]可知，煤層埋深的增加會伴隨著瓦斯壓力及瓦斯含量的增大，而瓦斯含量和瓦斯壓力的增大會引起瓦斯放散指數(shù)增加，易導(dǎo)致煤與瓦斯突出危險(xiǎn)性增強(qiáng)，故選擇瓦斯壓力、瓦斯含量及瓦斯放散初速度作為煤與瓦斯突出的影響因素。

煤的堅(jiān)固性系數(shù)是煤體抵抗破壞能力的指標(biāo)，其大小主要取決于煤的物理性質(zhì)，煤的受破壞程度越大，堅(jiān)固性系數(shù)越低，它是煤與瓦斯突出發(fā)生的重要參數(shù)之一，故選其作為影響因素。

隨著開采深度的不斷增加，煤體承受的地應(yīng)力作用也會越強(qiáng)，進(jìn)而導(dǎo)致煤體內(nèi)部的瓦斯內(nèi)能升高，煤層發(fā)生瓦斯突出的概率就越大，因此開采深度也是影響煤與瓦斯突出的重要因素之一。

由以上分析可知，影響煤與瓦斯突出的因素主要包括瓦斯壓力（G1，MPa）、瓦斯含量（G2，m3/t）、瓦斯放散初速度（G3，mmHg）、煤的堅(jiān)固性系數(shù)（G4）、煤的破壞類型（G5）、開采深度（G6，m）。

本文通過收集整理相關(guān)文獻(xiàn)所列山西西坡礦、沙曲礦和寺河礦等礦井的樣本數(shù)據(jù)[19-21]，得到了90 組現(xiàn)場測試數(shù)據(jù)，部分樣本數(shù)據(jù)見表1。依據(jù)煤與瓦斯突出危險(xiǎn)性等級，可將其分為3 類：無突出危險(xiǎn)、一般突出危險(xiǎn)、嚴(yán)重突出危險(xiǎn)，分別用1，2，3 表示。根據(jù)煤的破壞程度，可將其分為5 類：非破壞煤、破壞煤、強(qiáng)破壞煤、粉碎煤、全粉煤，分別用Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ表示。

從表1 可看出，各個影響因素?cái)?shù)據(jù)的量綱差異比較大，故需對其進(jìn)行無量綱化處理。除此之外，為減少影響因素之間的數(shù)據(jù)冗余現(xiàn)象，應(yīng)從樣本數(shù)據(jù)中提取主控因素，進(jìn)而提高預(yù)測效率。本文應(yīng)用灰色關(guān)聯(lián)熵權(quán)法對上述影響因素進(jìn)行篩選，以突出危險(xiǎn)性等級作為參考數(shù)列，以瓦斯含量、瓦斯壓力等作為比較數(shù)列，運(yùn)用Matlab 軟件進(jìn)行數(shù)值仿真，結(jié)果見表2。從表2 可看出，以上影響因素的關(guān)聯(lián)度從大到小的排序如下 ：開采深度（G6）＞瓦斯放散初速度（G3）＞瓦斯壓力（G1）＞瓦斯含量（G2）＞煤的破壞類型（G5）＞煤的堅(jiān)固性系數(shù)（G4），關(guān)聯(lián)度的順序反映了影響因素對煤與瓦斯突出作用的強(qiáng)弱，關(guān)聯(lián)度順序越靠前，則相應(yīng)的影響因素對煤與瓦斯突出的作用就越強(qiáng)。因此，本文選取瓦斯壓力（G1）、瓦斯含量（G2）、瓦斯放散初速度（G3）和開采深度（G6）作為預(yù)測煤與瓦斯突出危險(xiǎn)性等級的主控因素。

表1 部分樣本數(shù)據(jù)Table 1 Part of sample data

表2 灰色關(guān)聯(lián)度Table 2 Grey relation degree

3.2 不同算法仿真結(jié)果對比

根據(jù)灰色關(guān)聯(lián)熵權(quán)法篩選出的主控因素，從90 組樣本數(shù)據(jù)中隨機(jī)選出60 組數(shù)據(jù)作為訓(xùn)練樣本，包括突出樣本40 組，非突出樣本20 組，測試樣本則取剩余30 組數(shù)據(jù)。為分析本文提出的優(yōu)化算法在煤與瓦斯突出危險(xiǎn)性預(yù)測上的準(zhǔn)確度和可靠性，將相同的樣本組分別在 IGWO-SVM、PSO-SVM、WOA-SVM 及GWO-SVM 4 種算法上進(jìn)行對比試驗(yàn)，不同算法的預(yù)測結(jié)果如圖4－圖7 所示。

從圖4 可看出，30 個樣本中有1 個樣本預(yù)測結(jié)果為1，實(shí)際測試集分類結(jié)果為2；有2 個樣本預(yù)測結(jié)果為2，實(shí)際測試集分類結(jié)果為3；有2 個樣本預(yù)測結(jié)果為3，其中1 個實(shí)際測試集分類結(jié)果為1，另一個實(shí)際測試集分類結(jié)果為2，其余25 個預(yù)測結(jié)果正確，GWO-SVM 的預(yù)測準(zhǔn)確率為83.33%。

圖4 GWO-SVM 預(yù)測結(jié)果Fig.4 Prediction result of GWO-SVM

從圖5 可看出，30 個樣本中有1 個樣本預(yù)測結(jié)果為3，實(shí)際測試集分類結(jié)果為2，其余29 個預(yù)測結(jié)果正確，IGWO-SVM 的預(yù)測準(zhǔn)確率為96.67%。

圖5 IGWO-SVM 預(yù)測結(jié)果Fig.5 Prediction result of IGWO-SVM

從圖6 可看出，30 個樣本中有5 個樣本預(yù)測結(jié)果為2，其中有2 個實(shí)際測試集分類結(jié)果為1，3 個實(shí)際測試集分類結(jié)果為3；有1 個樣本預(yù)測結(jié)果為1，實(shí)際測試集分類結(jié)果為3，剩下24 個預(yù)測結(jié)果正確，WOA-SVM 的預(yù)測準(zhǔn)確率為80.00%。

圖6 WOA-SVM 預(yù)測結(jié)果Fig.6 Prediction result of WOA-SVM

從圖7 可看出，30 個樣本中有5 個樣本預(yù)測結(jié)果為2，其中有2 個實(shí)際測試集分類結(jié)果為1，3 個實(shí)際測試集分類結(jié)果為3；有3 個樣本預(yù)測結(jié)果為3，實(shí)際測試集分類結(jié)果為1，其余22 個預(yù)測結(jié)果正確，PSO-SVM 的預(yù)測準(zhǔn)確率為73.30%。

圖7 PSO-SVM 預(yù)測結(jié)果Fig.7 Prediction result of PSO-SVM

由4 種算法的預(yù)測結(jié)果可得：IGWO-SVM 在預(yù)測煤與瓦斯突出危險(xiǎn)性方面精確度較高。

4 種算法預(yù)測時間對比如圖8 所示，在預(yù)測耗時上，IGWO-SVM 運(yùn)行時間只有5.58 s，而其他3 種預(yù)測算法運(yùn)行時間都超過了15 s。IGWO-SVM 在預(yù)測性能上有了較大的提升。

圖8 4 種算法預(yù)測時間對比Fig.8 Comparison of prediction time of four algorithms

4 結(jié)論

（1）利用灰色關(guān)聯(lián)熵權(quán)法分析各個影響因素對煤與瓦斯突出的影響程度，根據(jù)關(guān)聯(lián)度排序提取瓦斯壓力、瓦斯含量、瓦斯放散初速度和開采深度作為煤與瓦斯突出主控因素。

（2）通過越界處理機(jī)制和嵌入萊維飛行的隨機(jī)差分變異策略結(jié)合對GWO 進(jìn)行改進(jìn)，利用測試函數(shù)對IGWO 的性能進(jìn)行估計(jì)，通過與PSO，WOA 和GWO 對比驗(yàn)證了IGWO 的優(yōu)越性。

（3）在提取煤與瓦斯突出主控因素的基礎(chǔ)上，運(yùn)用IGWO 對SVM 的參數(shù)進(jìn)行優(yōu)化，使用IGWO-SVM對煤與瓦斯突出危險(xiǎn)性等級進(jìn)行預(yù)測，將IGWO-SVM和GWO-SVM，WOA-SVM，PSO-SVM 算法進(jìn)行仿真對比，結(jié)果表明：基于IGWO-SVM 的煤與瓦斯突出危險(xiǎn)性預(yù)測方法具有更高的預(yù)測精度和較快的預(yù)測速度，預(yù)測精度達(dá)到96.67%，預(yù)測速度為5.58 s。