基于等维新息GM(1,1)模型群的煤炭产量预测研究

以煤炭产量预测研究为目的,建立了GM(1,1)模型、GM(1,1)残差模型和等维新息GM(1,1)模型,并对我国1999年至2010年的煤炭产量进行了数据拟合和预测。应用后验差检验,3种模型均是一级合格模型;根据相对误差检验,GM(1,1)模型和GM(1,1)残差模型的数据拟合精度属于四级,是不合格模型;而等维新息GM(1,1)模型群的最大相对误差仅为0.46%,平均相对误差为0.40%,是适用于煤炭产量预测分析的高精度模型。应用等维新息GM(1,1)模型群对我国近5年煤炭产量进行预测,结果表明:煤炭产量将以平均每年超过3亿t的速度增长,到2015年将超过47亿t。     

基于AGB组合模型的采煤机运行状态预测方法研究

针对单-预测模型用于预测采煤机运行状态预测精度差、适用性差的问题,深入研究了时间序列ARIMA预测模型、灰色GM(1,1)模型以及BP神经网络预测模型的结构原理,提出了一种基于AGB组合模型的采煤机运行状态预测方法。该方法首先获得各模型的预测结果,并对各模型计算出的方差作为AGB组合模型的输入,使用方差-协方差权重法对各模型的权重进行计算,最后对组合模型的预测结果进行求解分析。实验结果表明,基于AGB组合模型的预测方法对于采煤机运行状态的预测结果残差方差为0.001 3,平均相对误差为2.81%,均低于单-模型预测结果。     

我国铁矿资源基础安全评价研究

采用定性和定量分析相结合的方法, 运用灰色Verhulst评价模型对我国今后铁矿资源的需求量进行了分析预测。结果表明, 该模型评价的结果平均相对误差为0.064, 置信度达93.6%, 且从2007到2022年15年间预测的铁矿资源年平均增长率为4%, 相对于我国年平均7%的经济增长率来说这一评价结果可信度较高, 具有一定的实用价值。     

基于ARMA-BP变异系数组合模型的矿山沉陷预计

针对单项非线性预测模型预测矿山开采地表沉陷精度低、稳定性差的问题,采用变异系数法组合互补性好的ARMA模型与BP神经网络模型,实验结果:预计值均方根误差为3. 2,平均相对误差0. 11%,结果表明组合模型在精度和稳定性方面具有较大优势。     

基于灰色神经网络的我国原煤产量预测

文章采用灰色神经网络进行我国煤炭产量预测模型的建模,灰色神经网络具有灰色系统模型的可以用少量样本数据来建模与神经网络精度高的特性,克服在进行煤炭产量预测样本数据少的问题,仿真结果表明,此种模型预测结果的相对误差是1.57%,只使用灰色模型预测结果的相对误差是9.8%,采用此模型提高了预测的准确性和精度。     

基于灰色理论的回采工作面瓦斯涌出量动态预测研究

瓦斯涌出量的准确预测直接关系到煤矿企业的宏观决策及系统布局。为了提高回采工作面瓦斯涌出量的预测精度,提出了采用灰色预测法对瓦斯涌出量动态预测进行研究,以车集矿2316回采工作面为例,通过重组瓦斯监测数据构建了灰色GM（1,3）动态预测模型,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。研究结果表明,数据重组后的GM（1,3）模型的动态预测值平均相对误差为5.65%,后验差检验比值c<0.35,小误差概率p>0.95,预测精度达到了1级,在对2316工作面后期的瓦斯涌出量动态预测结果与实测值十分接近,平均相对误差仅有2.26%,变化趋势也高度吻合,灰色GM（1,N）预测模型能够实现对工作面瓦斯涌出量的实时、动态、准确预测。     

基于灰色理论的硫化铜精矿品位预测模型

针对小样本数据条件下预测硫化铜精矿品位的问题,提出了基于灰色理论的铜精矿品位预测模型。该模型通过试验所得的小样本数据,动态改变建模数据的初始值和背景值,结合灰色理论建立了硫化铜精矿品位的GM(1,1)预测模型,统计预测模型的平均相对误差。结果表明:基于灰色理论的预测模型精度较高,最小的平均相对误差为1. 88%,模型的预测效果较好,可作为预测铜精矿品位的一种新方式。     

聚合物溶液的流变行为对油井流入动态曲线的影响

考虑了聚合物溶液在孔隙介质中因剪切降解、吸附、滞留和稀释等引起的地层流体流变性变化 ,建立了考虑流变参数变化和井底附近地层渗透率变化的聚合物驱油井流入动态预测模型 ,用有限差分方法对其进行求解 ,并分析了流变参数变化和渗透率变化对油井产量的影响。利用该模型 ,对大庆油田某聚合物驱区块中 2口油井的流入动态进行预测 ,将预测结果与实测结果进行对比 ,其平均相对误差 <10 %。     

基于灰色马尔科夫模型的煤炭产量预测

煤炭资源是我国经济建设中的重要能源,准确预测我国煤炭产量有助于国家能源政策的制定.为此,在单一的灰色GM(1,1)预测模型的基础上,与马尔科夫预测模型组合形成灰色GM(1,1)-马尔科夫组合预测模型,以相对误差、均方差比值和小概率误差3个指标对模型的精度做检验.结果表明,组合预测模型优于单一预测模型,组合预测模型不仅反映了煤炭产量短中期呈上升趋势,又突显了该模型能较优地处理波动性序列的优点,能够有效地预测2019年和2020年煤炭产量.     

基于FWA-Logistic方法的概率积分动态参数预测

求取精准可靠的概率积分参数在开采沉陷移动变形预测中至关重要,在非线性模型广泛应用于参数预测的背景下,开展了融合FWA和Logistic模型的概率积分动态参数预测方法(FWA-Logistic方法)。结合Logistic模型的应用情况,考虑到非线性最小二乘求取模型参数的波动性较大,且不合理的初值选取会导致求参结果发散,因此引入了一种FWA算法;综合FWA算法原理、Logistic模型和概率积分动态参数变化规律,提出了FWA-Logistic方法。试验结果表明,拟合样本参数q、tanβ、θ的效果较好,拟合中误差分别为0.028、0.100和0.023°;预测各期参数q、tanβ、θ的平均相对误差分别为2.87%、2.02%、0.03%;最大相对误差约为4.39%。为验证预测参数的实用性,基于预测的各期的概率积分动态参数,代入动态概率积分模型进行地表主断面下沉预计;与实测相比,预计下沉误差在-343～208mm之间,中误差分别为47.66mm、113.60mm、86.67mm、89.23mm。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

基于最优加权组合模型的煤炭消费预测分析

为了研究最优的煤炭消费预测模型,为我国能源结构优化提供依据,基于差分自回归移动平均(ARIMA)、灰色预测(GM)和人工神经网络(ANN)模型构建了8个组合预测模型,对我国煤炭消费量进行预测分析,应用评价指标R、MAE、MAPE和RMSE对预测模型精度进行比较,筛选出最优组合模型并预测分析未来10年我国煤炭消费趋势。研究结果表明:(1)最优加权组合模型均方根误差、平均绝对误差、平均相对误差等参数均较小,预测效果明显优于单项和简单组合预测模型;(2)构建了权重为(0.73,0.09,0.18)的我国煤炭消费预测最优加权组合模型ARIMA-GM-ANN。(3)将煤炭消费增长趋势分为"缓慢上升期"、"急速增长期"、"下降期"和"平稳期"四个阶段,2013年煤炭消费量达峰,约43.14亿t,2020年以后,煤炭消费量稳定在35.5亿t左右。     

基于季节-WNN组合模型的煤矿事故预测

为了对矿山生产领域安全状况演化趋势进行准确预测,考虑实际生产中的季节性因素,本文构建季节-WNN组合模型对生产事故进行预测。其中,采用X-12-ARIMA模型对安全事故时序进行季节调整,将其分成平稳时间序列和季节因子序列。季节因子序列每年呈现相同规律,用WNN模型预测平稳时间序列,再按照乘法模型还原为真实预测序列。本文以我国煤矿生产安全为背景,将2015—2019年煤矿月度死亡人数作为观测值进行建模,预测2020年月度煤矿事故死亡人数,并将其与2020年煤矿事故月度死亡人数的真实值进行验证,将几种典型的预测模型与本文所构建模型进行对比分析。结果表明：我国煤矿事故存在显著的季节性特征,季节-WNN组合模型的平均相对误差为1.1%,预测精度显著优于单一的预测模型,且与我国煤矿事故实际走势较为吻合,具有良好的预测效果。预测模型可为安全事故的预测提供方法和指导,也可为煤矿安全生产监管决策提供依据。     

水资源和水环境双重约束下的河北省产业结构调整研究

基于投入产出表构建河北省水资源、水环境和社会经济可持续发展动态最优化模型,并利用LINGO软件进行模拟实验,研究受水资源和水环境双重约束的不同情景下的经济增长情况。研究表明,在最优情景（综合情景）中,产业结构调整、财政补贴利用再生水和南水北调水及引进先进的污水处理技术的政策组合,可以有效促进河北省水资源、水环境和经济的可持续发展;2025年比2015年化学需氧量（COD）减排10%,2007-2025年经济增长率平均为7.51%,2025年三次产业产值结构比例优化为12∶32∶54,2025年河北省农业、工业、居民生活用水和生态景观用水的比例优化为59%、21%、12%和8%,地下水、地表水、再生水和调入水的比例优化为63%、16%、7%和13%。为了保障各项政策的实施,2015-2025年河北省政府水资源供给的最优财政补贴为78.13亿元,其中补贴新建污水处理厂52.25亿元,补贴再生水利用管网建设25.88亿元。     

基于灰色GM(1,1)新陈代谢模型的矿井瓦斯涌出量动态预测

矿井工作面瓦斯涌出是一个动态不确定的过程,因此最新瓦斯涌出数据的研究至关重要,本文将灰色GM(1,1)模型瓦斯涌出量预测结果加入原始数列,对原始数据序列的信息进行更新,建立了矿井瓦斯涌出量GM(1,1)新陈代谢动态预测模型,采用残差检验法对该模型精度进行检验,其平均相对误差为3.861%,预测精度明显优于GM(1,1)模型,提高了灰色GM(1,1)模型预测瓦斯涌出量的精度。     

基于ARIMA时间序列的瓦斯涌出量预测研究

矿井瓦斯涌出量预测对于煤矿的安全生产至关重要。为精确预测煤矿瓦斯涌出量,以ARIMA时间序列模型为基础,分析预测了煤矿瓦斯涌出量,并以乌东煤矿为例,建立乌东煤矿西区瓦斯涌出量预测指标体系,利用ARIMA模型进行瓦斯涌出量预测。结果表明:预测值与实际值对比,ARIMA瓦斯涌出量预测最大相对误差3. 62%,最小相对误差1. 84%,平均相对误差0. 13%,ARIMA预测模型可以有效预测煤矿瓦斯涌出量,为煤矿安全生产提供重要依据和参考。     

基于最优加权组合模型的煤炭消费结构预测

为了研究全国以及火电、冶金、建材和化工行业煤炭消费量,基于无偏灰色(GM)、差分自回归移动平均(ARIMA)、逻辑斯蒂(LOGISTIC)和人工神经网络(ANN)模型,分别构建了各行业组合预测模型,并运用相关系数、平均绝对误差、平均相对误差和均方根误差评价指标检验组合模型拟合精度,筛选出各行业最优组合模型并预测2020—2030年各行业消费趋势。研究表明：最优加权组合模型的R、MAE、MAPE和RMSE等检验指标均优于单项模型|分别构建了权重为(0.32,0.68)的我国煤炭消费总量预测模型GM-ARIMA、权重为(0.28,0.14,0.58)的火电行业预测模型GM-LOGISTIC-ARIMA、权重为(0.40,0.60)的冶金行业预测模型GM-LOGISTIC、权重为(0.32,0.68)的建材行业预测模型ANN-ARIMA、权重为(0.79,0.21)的化工行业预测模型ANN-ARIMA|预测未来我国煤炭消费总量和火电行业消费量呈小幅增长趋势,2030年分别达到41.67亿t和22.10亿t;冶金和建材行业消费量呈稳定趋势,2030年分别达到6.60亿t和5.04亿t;化工行业消费量呈快速增长趋势,2030年达到3.78亿t。     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

基于数据挖掘的天然气市场收益率预测

以2000—2018年美国天然气价格为研究对象，基于动态时间规整算法（DTW）、模拟退火算法（SA）、支持向量机模型（SVM）构建DTW\|SVM\|SA天然气价格预测组合模型，并在不同预测步长下将其与对照模型的预测结果进行对比，分别从预测精度和预测误差两方面对模型的预测性能进行评估。结果表明：利用模拟退火算法可以优化SVM模型的自由参数和混合模型的权重参数；DTW-SVM-SA组合预测模型在天然气价格收益率预测方面表现出良好的泛化能力，对比其他模型，其在不同步长上的预测精度均有显著提升，预测误差均有降低，是一种有效的天然气价格预测模型。DTW-SVM-SA组合预测模型不仅能够为政府进行宏观调控提供参考，而且可以帮助企业尤其是能源相关企业更好地预测和管理价格变动的风险。     

基于小波分析与GM(1,1)-ARMA(p,q)组合的矿井防尘用水量预测

为了提高矿井防尘用水量预测的精确度,提出了基于小波分析理论与灰色预测模型(GM(1,1))、自回归滑动平均模型(ARMA(p,q))组合的预测模型。运用小波分析将用水量时间序列做不同尺度分解,并将低频信号和高频信号采用GM(1,1)和ARMA(p,q)进行预测,最终经小波重构得到预测结果。以林南仓矿为研究背景,使用该组合模型预测2014年各月份的用水量,通过与实际数据对比,残差检验相对误差不超过2.5%。结果表明:矿井防尘用水量在总体上逐年缓慢增加,每年内呈周期性的变化;基于小波分析与GM(1,1)-ARMA(p,q)组合的预测模型具有较高的预测精度。