基于STL-EEMD-GA-SVR 的采煤工作面瓦斯涌出量預(yù)測(cè)方法及應(yīng)用

林海飛，劉時(shí)豪，周 捷，徐培耘，雙海清

(1.西安科技大學(xué) 安全科學(xué)與工程學(xué)院，陜西 西安 710054；2.西安科技大學(xué) 煤炭行業(yè)西部礦井瓦斯智能抽采工程研究中心，陜西 西安 710054)

瓦斯是影響礦井安全生產(chǎn)的主要因素之一，隨著煤炭開(kāi)采深度及強(qiáng)度增大，礦井瓦斯涌出量也逐漸增加[1-3]。瓦斯涌出量的準(zhǔn)確預(yù)測(cè)可為制定瓦斯防治措施提供重要依據(jù)[4-5]。針對(duì)瓦斯涌出量預(yù)測(cè)，傳統(tǒng)的礦山統(tǒng)計(jì)法、分源預(yù)測(cè)法、瓦斯地質(zhì)統(tǒng)計(jì)法和類比法等尚未考慮瓦斯涌出是一個(gè)動(dòng)態(tài)非線性系統(tǒng)[6-8]。

為解決該問(wèn)題，基于機(jī)器學(xué)習(xí)算法、數(shù)據(jù)挖掘等技術(shù)的瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)方法得到了快速發(fā)展。此類預(yù)測(cè)方法主要分為考慮多參數(shù)指標(biāo)和時(shí)間序列兩類。根據(jù)影響瓦斯涌出量諸多參數(shù)建立起的多參數(shù)指標(biāo)預(yù)測(cè)方法[9-15]，大多數(shù)煤礦只能提供瓦斯涌出量歷史數(shù)據(jù)，對(duì)于影響瓦斯涌出量的煤層厚度、鄰近層瓦斯含量等相關(guān)數(shù)據(jù)難以詳盡[16]，加之對(duì)影響參數(shù)取舍不同，使得建立的預(yù)測(cè)模型與實(shí)際情況仍有一定差距。因此，諸多學(xué)者開(kāi)展了瓦斯涌出量時(shí)間序列的預(yù)測(cè)研究分析。陶云奇等[17]將改進(jìn)的灰色模型與馬爾柯夫模型結(jié)合建立了中嶺煤礦瓦斯涌出量預(yù)測(cè)模型；高莉等[18]利用混沌時(shí)間序列特性構(gòu)建了小波-徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；單亞鋒[19]、程健[20]等通過(guò)對(duì)時(shí)間序列進(jìn)行相空間重構(gòu)構(gòu)建了瓦斯涌出的混沌預(yù)測(cè)模型；在以上研究基礎(chǔ)上引入信號(hào)分解中的經(jīng)驗(yàn)?zāi)B(tài)分解方法，預(yù)先對(duì)瓦斯涌出量時(shí)序數(shù)據(jù)進(jìn)行分解處理，而后運(yùn)用支持向量機(jī)、粒子群-支持向量機(jī)、果蠅-極限學(xué)習(xí)機(jī)等模型對(duì)其預(yù)測(cè)，進(jìn)一步提升了瓦斯涌出量預(yù)測(cè)精度[8,21-24]。

但基于經(jīng)驗(yàn)?zāi)B(tài)分解構(gòu)建的預(yù)測(cè)模型，分解過(guò)程中若瓦斯涌出量時(shí)序數(shù)據(jù)極值點(diǎn)分布不均勻會(huì)出現(xiàn)模態(tài)混疊、端點(diǎn)效應(yīng)等問(wèn)題，進(jìn)而影響預(yù)測(cè)精度；同時(shí)，瓦斯涌出量時(shí)序數(shù)據(jù)作為眾多影響因素的綜合表征，需進(jìn)一步從時(shí)序數(shù)據(jù)本身來(lái)挖掘其潛在規(guī)律。因此，筆者以陜西黃陵某礦采煤工作面347 個(gè)日監(jiān)測(cè)絕對(duì)瓦斯涌出量數(shù)據(jù)為例，應(yīng)用基于局部加權(quán)回歸的周期趨勢(shì)分解(Seasonal-Trend decomposition procedure based on Loess，STL)和集成經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)進(jìn)行數(shù)據(jù)分解，通過(guò)遺傳算法(Genetic Algorithms，GA)參數(shù)尋優(yōu)后的支持向量回歸機(jī)(Support Vector Regression,SVR)構(gòu)建了可以挖掘數(shù)據(jù)本身潛在規(guī)律的STL-EEMD-GA-SVR預(yù)測(cè)模型(簡(jiǎn)稱SEGS)，并與EEMD-GA-SVR、GA-SVR和高斯過(guò)程回歸(Gaussian Process Regression,GPR)模型預(yù)測(cè)效果進(jìn)行對(duì)比分析，以期為瓦斯涌出量的精準(zhǔn)預(yù)測(cè)提供有效方法。

1 瓦斯涌出量預(yù)測(cè)模型建立

1.1 基于局部加權(quán)回歸的周期趨勢(shì)分解(STL)

時(shí)序數(shù)據(jù)通常可被分解為趨勢(shì)項(xiàng)、周期項(xiàng)和不規(guī)則波動(dòng)項(xiàng)3 部分[25]。工作面日產(chǎn)量、日推進(jìn)度、煤層和圍巖瓦斯含量、地面大氣壓、地質(zhì)構(gòu)造、開(kāi)采深度及風(fēng)量等都會(huì)對(duì)瓦斯涌出量產(chǎn)生影響[26]，其中開(kāi)采深度、煤層和圍巖瓦斯含量等對(duì)工作面瓦斯涌出量產(chǎn)生趨勢(shì)性影響；日產(chǎn)量、日推進(jìn)度及風(fēng)量等對(duì)工作面瓦斯涌出量產(chǎn)生周期性影響；地質(zhì)構(gòu)造變化、大氣壓力變化、周期來(lái)壓等對(duì)工作面瓦斯涌出量產(chǎn)生突變影響，這些因素影響都可表征于瓦斯涌出量時(shí)序數(shù)據(jù)。直接使用原始數(shù)據(jù)，會(huì)使數(shù)據(jù)利用不充分，因此，采用STL分解算法對(duì)瓦斯涌出量時(shí)序數(shù)據(jù)進(jìn)行分解處理[27-28]。

STL 包括加法和乘法2 種模型[29]，均可將時(shí)序數(shù)據(jù)分解為趨勢(shì)項(xiàng)Tt、周期項(xiàng)St和不規(guī)則波動(dòng)項(xiàng)It：

加法模型適用于相對(duì)穩(wěn)定數(shù)據(jù)分解，乘法模型適用于趨勢(shì)項(xiàng)隨時(shí)間呈現(xiàn)波動(dòng)變化的數(shù)據(jù)分解。由于所分析瓦斯涌出量數(shù)據(jù)整體時(shí)序圖呈相對(duì)穩(wěn)定狀態(tài)，因此，選用加法STL 時(shí)間序列對(duì)數(shù)據(jù)進(jìn)行分解。

STL 關(guān)鍵參數(shù)設(shè)定：控制趨勢(shì)效應(yīng)變化速度的t.window 設(shè)為13，控制周期效應(yīng)變化速度的s.window設(shè)為“period”，Loess 過(guò)程使用魯棒擬合即robust=T。

1.2 集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)

瓦斯涌出量時(shí)序數(shù)據(jù)經(jīng)STL 分解后，會(huì)得到波動(dòng)較大、尖峰較多的不規(guī)則波動(dòng)項(xiàng)，此類數(shù)據(jù)不利于模型訓(xùn)練學(xué)習(xí)。EEMD 方法通過(guò)在待分解信號(hào)中加入白噪聲，可有效抑制經(jīng)驗(yàn)?zāi)B(tài)分解混疊現(xiàn)象[30-31]。因此，采用EEMD 方法將瓦斯涌出量分解為具有不同特征尺度、尖峰和波動(dòng)更緩的時(shí)序分量數(shù)據(jù)。EEMD 分解原理如下：

(1) 將符合正態(tài)分布的白噪聲信號(hào)加到原始信號(hào)中：

式中：X(t)為原始信號(hào)；ωj(t)為白噪聲信號(hào)；X'(t)為生成的新信號(hào)序列；j=1,2,···,M，M為測(cè)試次數(shù)。

(2) 新信號(hào)序列進(jìn)行EMD 分解，得到IMFs(Intrinsic Mode Functions，IMFs)分量：

式中：n為經(jīng)EMD 分解得到的IMFs 分量個(gè)數(shù)；ci,j(t)為在第j次實(shí)驗(yàn)分解中的第i個(gè)IMFs 分量；rnj(t)為分解得到的殘差余量。

(3) 重復(fù)上述(1)、(2)步，每次加入不同正態(tài)分布的白噪聲。

(4) 對(duì)各IMFs 分量求均值得到最終IMFs 分量：

EEMD 關(guān)鍵參數(shù)設(shè)定[32]：白噪聲標(biāo)準(zhǔn)差設(shè)為0.2，白噪聲次數(shù)設(shè)為100。

1.3 GA-SVR 模型

SVM 在處理小樣本、非線性以及高維識(shí)別問(wèn)題上優(yōu)于其他機(jī)器學(xué)習(xí)算法[33]。SVR 則是在SVM 基礎(chǔ)上通過(guò)引入不敏感損失函數(shù)實(shí)現(xiàn)了回歸功能，其具體實(shí)現(xiàn)步驟如下：

(1) 假設(shè)高維空間的回歸函數(shù)為：式中：ω為權(quán)值向量；ψ(x)為非線性映射函數(shù)；b為偏置值。

(2) 引入線性不敏感損失函數(shù)ε，松弛變量ξi，并求解以下最優(yōu)化問(wèn)題：

式中：C為懲罰因子；l為樣本集個(gè)數(shù)。

(3) 對(duì)式(7)引入拉格朗日函數(shù)，求解得到最終回歸函數(shù)：

SVR 獨(dú)立預(yù)測(cè)時(shí)，其懲罰因子C和核函數(shù)gamma為經(jīng)驗(yàn)設(shè)定，難以保證模型參數(shù)最優(yōu)。GA 作為一種具有良好并行性、魯棒性和全局尋優(yōu)能力的自適應(yīng)全局隨機(jī)搜索優(yōu)化算法[34]，可有效解決此問(wèn)題。為此引入GA 對(duì)SVR 關(guān)鍵參數(shù)全局尋優(yōu)，以期建立最優(yōu)GASVR 模型。

GA 優(yōu)化SVR 關(guān)鍵參數(shù)設(shè)定：最大遺傳迭代次數(shù)100，種群大小40，交叉概率0.3，變異概率0.01，代溝0.95；懲罰因子C尋優(yōu)范圍為[0.01,10]，gamma 參數(shù)尋優(yōu)范圍為[0.01,1 000]，交叉驗(yàn)證參數(shù)v為3。

1.4 瓦斯涌出量預(yù)測(cè)模型構(gòu)建流程

根據(jù)以上分析，構(gòu)建瓦斯涌出量SEGS 預(yù)測(cè)模型流程如圖1 所示，具體步驟如下。

圖1 瓦斯涌出量預(yù)測(cè)模型總框架Fig.1 Overall framework of gas emission prediction mode

(1) 數(shù)據(jù)處理。對(duì)缺失、異常樣本集數(shù)據(jù)進(jìn)行線性插補(bǔ)。

(2) 時(shí)序數(shù)據(jù)分解。STL 分解算法將線性插補(bǔ)后數(shù)據(jù)分解成趨勢(shì)項(xiàng)、周期項(xiàng)和不規(guī)則波動(dòng)項(xiàng)；EEMD分解算法在此基礎(chǔ)上將不規(guī)則波動(dòng)項(xiàng)再次分解，獲得各IMFs 分量及RES 殘差余量。

(3) 模型預(yù)測(cè)。將STL 和EEMD 分解數(shù)據(jù)分為訓(xùn)練集、預(yù)測(cè)集并作歸一化處理，利用訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練獲得最佳GA-SVR 模型，運(yùn)用預(yù)測(cè)集數(shù)據(jù)使用GA-SVR 模型進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行反歸一化處理，獲得各分解分量預(yù)測(cè)結(jié)果。

(4) 分量疊加。將各分量預(yù)測(cè)結(jié)果進(jìn)行疊加求和，獲得最終瓦斯涌出量預(yù)測(cè)結(jié)果。

(5) 模型效果評(píng)價(jià)。選用平均絕對(duì)誤差(EMA)、平均絕對(duì)百分比誤差(EMAP)、均方根誤差(ERMS)和判定系數(shù)(R2)對(duì)預(yù)測(cè)模型效果評(píng)估。其公式如下：

式中：αt為瓦斯涌出量原始數(shù)據(jù)，m3/min；為瓦斯涌出量預(yù)測(cè)數(shù)據(jù)，m3/min；t=1,2,···,W，d。

2 瓦斯涌出量數(shù)據(jù)處理

2.1 數(shù)據(jù)獲取及檢測(cè)

以陜西黃陵某礦采煤工作面為研究對(duì)象。該工作面主采2 號(hào)煤層，煤厚平均3.0 m，煤層傾角平均2°，瓦斯含量0.61～7.70 m3/t，采用本煤層鉆孔、高位鉆孔和上隅角埋管等方法抽采工作面瓦斯。收集該工作面2020-05-16—2021-04-27 瓦斯風(fēng)排量和抽采量數(shù)據(jù)，得到絕對(duì)瓦斯涌出量數(shù)據(jù)，見(jiàn)表1。

表1 瓦斯涌出量數(shù)據(jù)Table 1 Gas emission data

為保證模型預(yù)測(cè)精度，構(gòu)建模型之前需對(duì)收集數(shù)據(jù)進(jìn)行異常值及缺失值檢測(cè)。將±1.5IQR(IQR 表示四分位距)之外數(shù)據(jù)點(diǎn)作為異常值，以此為標(biāo)準(zhǔn)繪制如圖2 所示箱線圖。由圖中可知，所搜集數(shù)據(jù)均在正常區(qū)間范圍。針對(duì)缺失值通過(guò)語(yǔ)句shuju[!complete.cases(shuju),]獲得，見(jiàn)表2 共6 組。

表2 瓦斯涌出量缺失數(shù)據(jù)Table 2 Missing data of gas emission

圖2 異常值判別箱線圖Fig.2 Outlier discriminant boxplot

2.2 數(shù)據(jù)插補(bǔ)

時(shí)間序列模型一般需保證時(shí)序數(shù)據(jù)的完整性，若直接剔除缺失值，容易導(dǎo)致數(shù)據(jù)周期錯(cuò)位。為保證數(shù)據(jù)完整性，需作數(shù)據(jù)插補(bǔ)處理。目前常用插補(bǔ)方法有均值插補(bǔ)、線性插補(bǔ)、多重插補(bǔ)和EM 插補(bǔ)[35]等。為優(yōu)選出所收集數(shù)據(jù)的最佳填補(bǔ)方法，本文將原始數(shù)據(jù)中不包含缺失值的涌出量數(shù)據(jù)(2020-05-16—2020-08-23)作為試驗(yàn)完整樣本，在隨機(jī)缺失情景[36]利用均值插補(bǔ)、線性插補(bǔ)和多重插補(bǔ)進(jìn)行插補(bǔ)實(shí)驗(yàn)，并將插補(bǔ)結(jié)果與實(shí)際值進(jìn)行均方誤差[37]比較，以此評(píng)估各方法插補(bǔ)精度。各插補(bǔ)方法均方誤差見(jiàn)表3。

由表3 可知，線性插補(bǔ)的插補(bǔ)精度最高。為此，本文選用線性插補(bǔ)方法插補(bǔ)缺失值，插補(bǔ)結(jié)果見(jiàn)表4。

表3 隨機(jī)缺失插補(bǔ)誤差對(duì)比Table 3 Comparison of interpolation error for random missing values

表4 線性插補(bǔ)填補(bǔ)數(shù)據(jù)Table 4 Linear interpolation fill data values

3 瓦斯涌出量預(yù)測(cè)及效果檢驗(yàn)

3.1 瓦斯涌出量數(shù)據(jù)的時(shí)序分解

經(jīng)線性插補(bǔ)后的數(shù)據(jù)自2020-05-16—2021-04-27 共計(jì)347 組。針對(duì)瓦斯涌出量時(shí)序數(shù)據(jù)作STL 分解，經(jīng)分解得到趨勢(shì)項(xiàng)、周期項(xiàng)和不規(guī)則波動(dòng)項(xiàng)，如圖3 所示。

圖3 STL 分解后采煤工作面瓦斯涌出量Fig.3 Gas emission data of mining workface after STL decomposition

由圖3 可知，趨勢(shì)項(xiàng)和周期項(xiàng)可以提取出大部分有效信息：趨勢(shì)項(xiàng)反映了瓦斯涌出量在搜集時(shí)間段內(nèi)的整體變化特征，通過(guò)此分解序列可知該工作面瓦斯涌出量初期較小，之后瓦斯涌出量在50～60 m3/min 波動(dòng)，具有一定的線性特征；周期項(xiàng)符合待分析時(shí)間序列平穩(wěn)性的要求，規(guī)律性強(qiáng)，有利于GA-SVR 模型的訓(xùn)練學(xué)習(xí)。不規(guī)則波動(dòng)項(xiàng)主要為一些未被趨勢(shì)或周期效應(yīng)解釋的變化，剩余信息較少，從分解圖中可知其具有較強(qiáng)的波動(dòng)性和隨機(jī)性，波動(dòng)和尖峰較多，不利于構(gòu)建時(shí)間序列預(yù)測(cè)模型。

為降低不規(guī)則波動(dòng)項(xiàng)的波動(dòng)和尖峰影響采用EEMD分解算法對(duì)其進(jìn)行平穩(wěn)化處理，結(jié)果如圖4 所示。

圖4 不規(guī)則波動(dòng)項(xiàng)EEMD 分解Fig.4 EEMD decomposition of irregular fluctuation term

由圖4 可知，不規(guī)則波動(dòng)項(xiàng)經(jīng)EEMD 分解得到7 個(gè)IMFs 分量和1 個(gè)RES 殘差余量。分解后的各分量數(shù)據(jù)相較于最初數(shù)據(jù)，其振動(dòng)周期逐漸增加、波動(dòng)趨勢(shì)逐漸減緩，平穩(wěn)性明顯優(yōu)化。

為評(píng)估EEMD 分解后的數(shù)據(jù)是否會(huì)造成不規(guī)則波動(dòng)項(xiàng)中突變信息的丟失。將不規(guī)則波動(dòng)項(xiàng)與EEMD分解分量疊加值作對(duì)比(圖5、表5)。

由圖5、表5 可知，經(jīng)EEMD 分解分量疊加后的數(shù)據(jù)曲線與不規(guī)則波動(dòng)項(xiàng)曲線呈重合態(tài)；數(shù)據(jù)分解損失量較小，平均分解損失量為0.000 4 m3/min。EEMD分解分量在保留原始數(shù)據(jù)信息的情況下，降低了原始數(shù)據(jù)復(fù)雜度，提升了平穩(wěn)性，更有助于預(yù)測(cè)模型學(xué)習(xí)其特征進(jìn)而提高預(yù)測(cè)精度。

表5 分解損失量Table 5 Decomposition loss

圖5 不規(guī)則波動(dòng)項(xiàng)與EEMD 分解分量疊加值對(duì)比Fig.5 Comparison of irregular fluctuation term with superposed value of decomposition components by EEMD

3.2 瓦斯涌出量預(yù)測(cè)

為驗(yàn)證分解序列預(yù)測(cè)效果，將分解數(shù)據(jù)按一定比例分為訓(xùn)練集與預(yù)測(cè)集，共劃分3 種情景(情景一：訓(xùn)練集100 組，預(yù)測(cè)集247 組；情景二：訓(xùn)練集200 組，預(yù)測(cè)集147 組；情景三：訓(xùn)練集277 組，預(yù)測(cè)集70 組)。

運(yùn)用訓(xùn)練集數(shù)據(jù)實(shí)現(xiàn)GA 對(duì)各分量SVR 模型超參數(shù)尋優(yōu)，其尋優(yōu)值見(jiàn)表6。以此確定各分量最佳模型參數(shù)，完成GA-SVR 預(yù)測(cè)模型的構(gòu)建。

表6 GA 各分量SVR 模型超參數(shù)尋優(yōu)值Table 6 Optimal value of hyperparameters for each SVR component model of GA

為驗(yàn)證構(gòu)建模型預(yù)測(cè)效果，選用預(yù)測(cè)集數(shù)據(jù)對(duì)采煤工作面未來(lái)一段時(shí)期的絕對(duì)瓦斯涌出量進(jìn)行預(yù)測(cè)。

由于文章篇幅所限，論文以情景三為例，對(duì)采煤工作面未來(lái)70 d 的瓦斯涌出量進(jìn)行預(yù)測(cè)，其各分量模型預(yù)測(cè)結(jié)果如圖6 所示，預(yù)測(cè)結(jié)果絕對(duì)誤差見(jiàn)表7。

由圖6、表7 可知，各分量預(yù)測(cè)模型預(yù)測(cè)效果較好，其預(yù)測(cè)曲線與實(shí)際曲線重疊度高、擬合優(yōu)度好，平均絕對(duì)誤差在0.000 7～0.724 7 m3/min 區(qū)間變化，維持在較低水平。

圖6 時(shí)序分解各分量模型預(yù)測(cè)結(jié)果Fig.6 Prediction results of each component model in time series decomposition

表7 各分量模型預(yù)測(cè)絕對(duì)誤差Table 7 Absolute error of each component model

最后，對(duì)各分量預(yù)測(cè)結(jié)果進(jìn)行疊加，重構(gòu)得到最終絕對(duì)瓦斯涌出量預(yù)測(cè)值(圖7)。由圖7 可知，重構(gòu)預(yù)測(cè)值曲線與實(shí)測(cè)值曲線近乎重合，擬合程度較高；其絕對(duì)誤差為0.061 5～1.114 9 m3/min，平均0.385 2 m3/min；相對(duì)誤差在0.13%～1.80%，平均0.73%，誤差較小。較好地預(yù)測(cè)了采煤工作面未來(lái)70 d 的瓦斯涌出量走向趨勢(shì)，驗(yàn)證了模型具有較高可行性。

圖7 時(shí)序分解模型預(yù)測(cè)結(jié)果Fig.7 Prediction results of time series decomposition model

3.3 預(yù)測(cè)模型對(duì)比分析

在3 種情景下對(duì)SEGS、EEMD-GA-SVR、GA-SVR和GPR 模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比(圖8、表8)。

由圖8、表8 可知，SEGS 模型預(yù)測(cè)效果最優(yōu)，驗(yàn)證了在EEMD 基礎(chǔ)上引入STL 的必要性。情景一、二、三中SEGS 的R2精度分別為0.81、0.92、0.99；其中，情景三中SEGS 模型的R2為0.99，優(yōu)于EEMDGA-SVR 模型的0.98、GA-SVR 模型的0.94。

圖8 不同情景下模型預(yù)測(cè)結(jié)果對(duì)比Fig.8 Comparison of model prediction results under different scenarios

由表8 可知，訓(xùn)練集與預(yù)測(cè)集比例愈大，SEGS 模型優(yōu)勢(shì)愈明顯。情景三中SEGS 模型的EMAP值與其他模型最大差值為1.32%；情景三中SEGS 模型的指標(biāo)EMAP低于情景二中SEGS 模型的1.67、情景一中的2.93。

表8 各預(yù)測(cè)模型評(píng)價(jià)指標(biāo)對(duì)比Table 8 Comparison of evaluation indicators for each prediction model

為驗(yàn)證瓦斯涌出量時(shí)間序列峰值點(diǎn)預(yù)測(cè)模型的準(zhǔn)確性，依據(jù)圖8 所標(biāo)注峰值點(diǎn)繪制成圖9，各模型峰值點(diǎn)預(yù)測(cè)誤差對(duì)比見(jiàn)表9。由圖9、表9 可知：SEGS 模型的峰值點(diǎn)預(yù)測(cè)效果優(yōu)于對(duì)比模型。3 種情景下SEGS模型的峰值點(diǎn)相對(duì)誤差、絕對(duì)誤差均低于其他模型。

表9 各模型峰值點(diǎn)預(yù)測(cè)誤差對(duì)比Table 9 Comparison of prediction errors at peak points for each model

圖9 各模型峰值點(diǎn)預(yù)測(cè)絕對(duì)誤差Fig.9 Absolute error of peak point prediction for each model

綜合3 種情景、4 種模型的對(duì)比結(jié)果可知，SEGS模型在預(yù)測(cè)精度及峰值點(diǎn)預(yù)測(cè)上優(yōu)于其他3 種模型，證明了該預(yù)測(cè)模型在瓦斯涌出量預(yù)測(cè)領(lǐng)域的適用性。

4 結(jié)論

a.提出了采煤工作面瓦斯涌出量預(yù)測(cè)SEGS 模型，基于STL 和EEMD 將絕對(duì)瓦斯涌出量數(shù)據(jù)分解為趨勢(shì)項(xiàng)、周期項(xiàng)和不規(guī)則波動(dòng)項(xiàng)(IMFs 分量和殘差余量)，通過(guò)GA 參數(shù)尋優(yōu)后的SVR 建立了預(yù)測(cè)模型，該模型降低了數(shù)據(jù)復(fù)雜度，優(yōu)化了平穩(wěn)性，提高了預(yù)測(cè)精度。

b.通過(guò)對(duì)比分析多重、均值和線性插補(bǔ)方法精度，確定采用線性方法來(lái)進(jìn)行缺失數(shù)據(jù)插補(bǔ)，并對(duì)6 組缺失數(shù)據(jù)進(jìn)行處理，保證了數(shù)據(jù)結(jié)構(gòu)的完整性。

c.分析了3 種不同絕對(duì)瓦斯涌出量預(yù)測(cè)集情景下，SEGS 模型、EEMD-GA-SVR 模型、GA-SVR 模型和GPR 模型的預(yù)測(cè)效果，結(jié)果表明SEGS 模型整體預(yù)測(cè)精度最高、峰值點(diǎn)預(yù)測(cè)誤差最小(平均相對(duì)誤差分別為3.15%、2.33%、1.04%)，證實(shí)SEGS 模型可有效應(yīng)用于采煤工作面瓦斯涌出量預(yù)測(cè)。

d.受客觀條件所限，本文采集的數(shù)據(jù)樣本量有限，今后可針對(duì)其他礦井實(shí)際情況，進(jìn)一步驗(yàn)證SEGS 模型的普適性；一些與采煤工作面絕對(duì)瓦斯涌出量相關(guān)的特征(如瓦斯?jié)舛?、風(fēng)量等)尚未考慮，今后在數(shù)據(jù)允許的條件下可進(jìn)一步探究。