利用时间序列分析法预测工作面瓦斯涌出规律

根据瓦斯涌出的特征,分析了目前常用瓦斯预测方法的适用条件,在假定瓦斯浓度只受时间和历史数据影响的情况下,运用时间序列分析方法对工作面瓦斯浓度的变化规律进行了预测,结果表明,利用时间序列分析方法预测工作面瓦斯涌出规律是合理有效的。     

铀矿石价格的ANFIS时间序列预测研究

以铀矿资源为例，采用融合模糊逻辑的推理功能与神经网络的学习功能的自适应模糊推理系统（ANFIS）技术，并结合时间序列技术建立铀矿产品价格的ANFIS时间序列模型，在不同的时间段内采取相应的投资策略，实现矿山企业投资决策的优化管理与优化控制，充分利用了矿产资源，实现了资源价值的最大化。     

基于神经网络的时间序列对煤矿安全性的预测

将人工神经网络的BP模型用于多变量时间序列预测，并将预测结果与单一指标的时间序列预测结果相对比，突出了人工神经网络在多变量时间序列预测方面的优势。     

时间序列技术在预测瓦斯压力中的应用

通过分析瓦斯压力“成长”过程，运用时间序列分析的方法，建立压力曲线模型，准确地预测了钻孔最终真实瓦斯压力值。该法对封孔不和其他原因造成后期漏气而导致测压失败的现象，尤为有用。     

基于BP神经网络与时间序列的滑坡变形预测分析

多种非线性的组合可提高滑坡位移预测的精度。采用BP神经网络模型与时间序列模型来预测滑坡的位移,充分发挥两非线性方法的优点,利用BP神经网络预测滑坡位移中的稳定趋势项部分,并利用时间序列模型预测滑坡位移的残差部分,实现了滑坡位移预测的目的。通过实际工程数据,证明了综合采用两非线性方法可将预测误差控制在3%以内,具有很强的实用性。     

基于W-RBF的瓦斯时间序列预测方法

对煤矿监测监控系统采集到的瓦斯历史数据进行特征分析,通过小数据量法判定瓦斯时间序列为混沌时间序列.利用混沌时间序列的特性确定RBF神经网络的输入节点个数.提出了基于W-RBF的瓦斯时间序列预测方法.该方法将小波的多分辨率特性与RBF神经网络相结合,以提高预测精度.仿真结果表明,该方法不仅能预测出瓦斯时间序列的变化趋势,还可以保证预测值的精度,预测值与真实值对比,绝对误差最大为0.1%,且92个采样点的预测值与真实值相一致.     

基于时间序列分析法的建筑变形监测技术研究

简介了时间序列分析法及其建模步骤,并利用VB语言编制了建筑物沉降变形监测数据处理与预测的计算程序.利用编制的程序对某建筑的沉降资料进行处理并预测,绘制出沉降过程曲线,等值线分布图等.     

基于神经网络时间序列的煤炭自燃预测研究

依据神经网络建模的原理,提出了一种基于神经网络的时间序列预测方法,并通过在山东枣庄矿业集团公司柴里煤矿进行的预测分析,验证了预测方法的有效性。为解决煤炭自燃的预测提供了一条良好的思路和方法,具有较大的理论意义和应用价值。     

基于加权LS-SVM时间序列短期瓦斯预测研究

针对神经网络的瓦斯预测模型存在的泛化性能差且存在易陷入局部最优的缺点,提出了基于最小二乘支持向量机(LS-SVM)时间序列瓦斯预测方法.由于标准最小二乘支持向量机(LS-SVM)要求样本误差分布服从高斯分布,且标准LS-SVM丧失鲁棒性与稀疏性等特点,提出了基于加权LS-SVM的瓦斯时间序列预测的方法,从而提高了标准L...     

基于时间序列和灰色预测的原煤产量预测

煤炭资源不可再生,是保障国家国民经济发展的基石,因此原煤产量预测意义重大。提取2016-2019年中国原煤产量的月度数据,利用时间序列的按月移动平均和灰色预测法2种方法来预测2020年的原煤产量,预测结果是时间序列的按月移动平均法预测效果比灰色预测法的预测效果更好。以上2种方法对原煤产量的预测都具有实际意义,有效的预测可为国家未来的发展提出有效建议和相关保障措施。     

非线性时间序列神经网络预测方法的研究及应用

岩土边坡时间序列数据蕴含着边坡系统演化的信息,边坡系统在演化过程中既表现出确定性、必然性的一面,同时又具有随机性、混沌性、无序性的一面。利用人工神经网络,提出了多变量前向网络的多准则学习算法;通过一维时序的扩充和延拓,计算相空间吸引子维数,根据吸引子维数的大小确定神经网络拓扑结构的输入层节点的个数。最后,根据实例,建立了时间序列预报模型,并与传统的预测方法（灰色模型）作了比较。     

用时间序列模型预测矿山最佳经营参数

把矿山的经营参数作为互相关联的随机变量,并用随机过程理论建立时间序列预测模型,利用以往的数值预测现在的经营参数,为矿山适时选择最佳生产经营参数提供参考。     

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。     

基于时间序列模型的铀矿价格分析与预测

铀矿价格是其投资风险中最重要的不确定性因素,其价格预测的准确与否直接关系到企业投资的成败。根据1989-2009年铀矿价格数据,利用MATLAB数值分析软件建立时间序列模型,通过ES模型和DMA模型的预测数据与实际数据的比较,论证分析几种铀矿价格预测模型的科学性和实用性。结果表明：①平滑系数越大,标准误差越小;②4种不同方法中,三次指数平滑预测法效果最好,其模型计算结果与实际值基本一致;③在仅考虑价格时间序列本身因素的条件下,铀矿价格呈现逐渐增长的长期发展趋势。     

基于Fuzzy时间序列模型矿井瓦斯涌出量预测研究

在分析传统的矿井瓦斯涌出量预测方法的基础上,应用Fuzzy时间序列模型,对祁东煤矿的瓦斯涌出量进行预测.实验证明,该模型的计算精度符合实际.     

基于BPNN与ANFIS的铀矿产品价格时间序列预测比较研究

矿业项目投资决策系统涉及到矿产品价格、生产成本、市场需求及风险利率水平等主要变量,其中,矿石价格起主导作用,且其波动性呈非线性特征,难以用经典的时间序列理论来预测,因而难以实现矿业投资决策系统的最优化。以铀矿资源为例,采用BP神经网络与自适应模糊推理系统（ANFIS）技术,并结合时间序列技术分别建立铀矿产品价格的BP神经网络和ANFIS时间序列模型,并对铀矿产品价格的预测进行了比较分析,研究结果表明,铀矿石价格的ANFIS时间序列比BP神经网络时间序列具有较好的预测效果。     

时间序列分析在建筑物变形监测中的应用

该文从时间序列分析的原理出发,介绍了时间序列分析的方法及时间序列模型的统计特性及其在变形监测数据处理中的应用。详细论述了如何利用时间序列进行模型的识别、参数估计及序列预测的过程。并结合上海市重点项目外滩历史性建筑的变形监测,验证了时间序列分析对变形监测的数据拟合和预测具有良好的效果,能精确地反映监测点的变化规律。     

基于ARIMA模型的矿区重金属污染时间序列预测

矿区重金属污染具有时间序列的特征,因此可以采用时间序列ARIMA模型对重金属污染进行预测。对南方某铜硫矿,在1995年1月—2008年6月重金属月监测数据的基础上,运用ARIMA模型建立了矿区尾矿库废水总排放口Zn浓度的预测模型,结果表明,ARIMA(1,1,2)模型能较好地拟合2008年1月—2008年6月重金属污染变化规律,经实际计算结果验证所建模型,误差在5%左右,经检验其精度满足要求。预测结果显示,该矿区未来重金属Zn仍然处在污染状态。