矿井涌水量R/S灰色预测模型

基于矿井涌水量序列具有灰色和分形的特征,建立R/S灰色预测模型,以克服R/S方法无法进行定量预测以及灰色模型对于随机波动大的长时间序列预测效果差的缺点。以成庄煤矿为例,针对2008年1月—2013年12月矿井涌水量进行R/S分析,确定Hurst指数和平均循环周期,并在一个周期内进行灰色预测。结果表明:成庄矿涌水量序列的Hurst指数为0.839,涌水量有持续增加的趋势,其平均循环周期为18个月;与2014年1—4月实测涌水量对比,R/S灰色预测模型的预测精度为92.56%,高于灰色预测模型,为中长期时间序列的矿井涌水量预测提供了更有效的新方法。     

矿井涌水量重标极差法等维预测模型

目前,矿井涌水量预测方法较多,但预测效果并不十分理想.为了提高预测的精度和速度,鉴于重标极差法对复杂系统演变分析和预测具有的独特优势,建立基于MATLAB的重标极差法涌水量等维预测模型,采用试算法确定涌水量时间序列的后续最佳取值.利用平顶山天安煤业股份有限公司八矿的涌水量资料对模型进行验证,结果表明:该矿涌水量时间序列的Hurst指数H=0.968,涌水量序列均具有很强的持续性;平均循环周期为17个月;建立的模型预测精度达到了98.43％,说明此模型对该矿涌水量的预测十分有效.利用MATLAB软件编写的重标极差法预测涌水量的程序,避开了繁琐的计算,提高了预测速度和精度.     

矿井涌水量灰色GM(1,2)预测模型

基于矿井涌水量序列具有明显的随机性和灰色特征,建立涌水量GM(1,2)预测模型,以克服灰色GM(1,1)模型对于随机波动大的长序列预测效果差的缺点。以王行庄煤矿为例,针对2012年7月至2013年12月王行庄煤矿18个月的涌水量资料,考虑与之密切相关的L7-8灰岩含水层水位降深,建立了矿井涌水量GM(1,2)预测模型;预测了2014年1—4月的涌水量;并与GM(1,1)预测模型进行模型精度与预测精度的比较。结果表明:GM(1,2)模型的预测精度达到了97.44%,GM(1,1)模型的预测精度为92.60%,GM(1,2)模型明显提高了矿井涌水量的预测精度。     

矿井涌水量的中长期混沌预测

针对目前采煤矿井涌水量预测模型误差较大的问题,利用混沌理论对矿井涌水量进行混沌特征辨识,在此基础上,建立矿井涌水量中长期混沌预测模型。以平煤十二矿为例,对矿井涌水量序列(时间尺度为月)进行分析,其中最大Lyapunov指数为0.161 1,大于0,说明该序列具有混沌特征。计算了时间延迟(τ=12月)和嵌入维数(m=9),对涌水量序列进行相空间重构,建立了矿井涌水量中长期混沌预测模型(预测周期为6个月)。与实测结果对比,模型的预测精度达到了99.37%。该预测模型为矿山多季度安全生产计划的制定及水害防治提供了科学依据。     

疏系数自回归模型及其在矿井涌水量预测中的应用

作者分析了诸如矿井涌水量等地质时间序列数据的特点以及现有的一些预测预报方法的局限性,引进了一种适合地质特点的数学模型——疏系数自回归模型,并利用该模型处理了大同矿务局某矿的月平均日涌水量数据。从计算结果可以看出,预测的精度满足了生产矿井的实际需要。     

基于GM(1,1)模型的矿井底板涌水量预测

开采二1煤层的许多矿井都受到底板承压水的威胁,由于矿井底板涌水量受地质与水文地质条件和人为开采活动的综合影响,是具有大量不确定因素的灰色系统.采用灰色理论GM(1,1)模型将各个涌水量影响因素赋予"灰色"的概念,用灰数据映射方法来处理随机因素并发现其中隐含的规律,建立了矿井底板涌水量的预测方法并通过了残差合格模型的检验.应用结果表明,该方法可以对矿井底板涌水量做出定量预测,能够为采矿生产过程中排水系统的设计、疏放和注浆加固方案的制定提供决策依据.     

基于相空间重构和支持向量机的矿井涌水量预测

针对矿井涌水量典型的非线性特征,应用相空间重构与支持向量机耦合方法进行预测。将矿井涌水量的时间序列作相空间重构,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。实例计算表明:与其他维数相比,当嵌入维数为4时,矿井涌水量的预测精度最高,说明引入最小嵌入维数是正确的。为检验该方法预测的可靠性,分别采用最小二乘法、指数函数法、相空间重构与支持向量机耦合法对实际矿井涌水量观测值进行回归预测。结果表明,非线性方法的预测效果比线性方法更佳。不同核函数预测结果证实RBF是最优的。     

一种改进的GM(1,1)模型在交通量预测中的应用

建立了GM（1,1）循环残差修正模型,并与经典GM（1,1）进行比较,考察改进模型的预测效果。结合经典GM（1,1）模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过Matlab软件编程实现了该模型,并将其应用于常熟市某无检测器交叉口每五分钟测得的交通流量预测。将本模型应用于交通流量预测建模上,其结果明显好于经典GM（1,1）模型,且预测效果更好。本模型基于经典GM（1,1）模型建立了GM（1,1）循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。     

近似非齐次指数序列的离散GM(1,1)模型的建立及其优化

分析了GM(1,1)模型的缺陷,指出其白化响应式并不是灰微分方程的真正解。建立了近似非齐次指数序列的离散GM(1,1)模型,证明了其可以完全拟合非齐次指数序列。建立了加权背景值下的近似非齐次指数序列的离散GM(1,1)模型,实例证明不同的权值下,其预测精度是不一样的,同时由于该模型默认经过初始值点,这与最小二乘法的思想不符,因此在优化权值的同时优化初始值。实例验证结果表明优化的近似非齐次指数序列的离散GM(1,1)模型提高了预测精度。     

基于CEEMD_GRU模型的矿井涌水量预测

为了提高矿井涌水量的预测精度,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与门控循环单元(gated recurrent unit,GRU)相结合的矿井涌水量预测模型(CEEMD_GRU).首先,通过CEEMD算法将一维涌水量数据分解为多个本征模态函数(intrinsic mode function,IMF)分量和一个残差余量,本征模态函数分量反映涌水量数据在不同时间尺度的波动特征,残差余量反映数据长期变化的趋势特征;然后,针对各分量分别建立GRU神经网络模型,将对一维数据的研究转换为对其分解后多维子分量的研究,训练学习各分量的时序变化规律并进行预测;最后,将预测结果融合得到最终涌水量预测值.将CEEMD_GRU与反向传播(back propagation,BP)、支持向量机(support vector machine,SVM)、GRU神经网络进行了对比实验,结果表明,基于CEEMD_GRU的均方根误差平均降低了60.8％,该研究为进一步提高矿井涌水量预测精度提供了思路.     

GM(1,1)循环残差修正模型及其应用研究

建立了GM（1,1）循环残差修正模型,并与经典GM（1,1）进行比较,考察改进模型的预测效果。结合经典GM（1,1）模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过M atlab软件编程实现了该模型,并将其应用于2009-2010年入境游客量的预测。将本模型应用于2003年至2008年入境游客量预测建模上,其结果明显好于经典GM（1,1）模型,且预测效果更好。基于经典GM（1,1）模型建立了GM（1,1）循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。     

基于CEEMD-Elman耦合模型的年降水量预测

科学、准确的降水量预测对区域水资源管理、防洪减灾以及水环境保护具有重要的指导意义。降水是一个受多种因素影响的复杂系统,致使其演变具有多维性、随机性与不确定性。"分解—预测—重构"是非线性时间序列预测的重要方式之一,在EMD与EEMD的基础上改进的CEEMD,不仅能将非平稳序列分解为几个平稳性较好的固有模态(IMF),而且可以有效降低时间序列的重构误差;结合Elman神经网络的较强非线性拟合能力,构建基于CEEMD-Elman的降水量预测耦合模型,并将其应用于郑州市年降水量的预测。结果表明:CEEMD-Elman耦合模型预测的平均绝对误差、均方根误差、平均相对误差均较小,其模型要优于EEMD-Elman模型、EMD-Elman模型和Elman模型,具有较好的适应性。     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

集成灰色GM(1,1)模型研究

分析了GM(1,1)模型的构造原理,指出初始值和背景值是GM(1,1)模型建模的关键,利用最小二乘法原理和GM(1,1)模型传统预测公式改进了初始值,并利用GM(1,1)模型建模条件建立了新背景值计算公式,从而建立了既适应低增长指数序列.又适应高增长指数序列的集成GM(1,1)模型,实例计算结果表明集成GM(1,1)模型的模拟精度较原始GM(1,1)模型和单方面改进的GM(1,1)模型有较大提高且适应范围更广,为提高模型建模精度和适应范围提供了一个新的途径.     

灰色马尔科夫模型对煤自然发火预测的研究

传统灰色模型GM(1,1)对于随机波动性较大的数据序列拟合较差,预测精度较低,为了弥补这一缺陷,更准确预测煤层自然发火的趋势与危险性,将GM(1,1)模型和马尔科夫模型有机结合,构建了灰色马尔科夫模型。用灰色马尔科夫模型对柴里煤矿实测CO发生量进行预测,与传统GM(1,1)模型的预测结果比较,灰色马尔科夫模型的拟合精度更好,平均相对误差更小,简便、实用,能够为矿井煤自燃火灾的防治工作提供科学的理论依据。     

基于时间序列分析的无为县降水量预测模型的研究

以无为县为研究区域,利用1957~2016年降水量资料,采用时间序列分析的方法,研究了降水量预测模型。结果表明,无为县年降水量随机性强,相关性弱,采用5年叠加的方法增强序列的相关性,得到了平稳的新序列,对新序列选用ARMA(1,2)模型拟合,精度较高,拟合效果良好,利用该模型对未来的值进行预测,发现无为县5年叠加降水量自2017年至2019年处于下降通道。     

预测交通流量时间序列的组合动态建模方法

为了预测交通流量,提出一种预测交通流量的组合动态建模方法。考虑交通流量的特征,将流量时间序列分解成周期项、趋势项和混沌扰动项。采用季节性指数平滑法预测周期项和趋势项之和。该计算过程取周期为一天和一周,并用带遗忘因子的递推最小二乘法确定权重,采用邻域法预测混沌项。对实际交通流量序列的预测结果表明,交通流量与前一天和前一周的状态均存在相关性,且季节性指数平滑预测后的残差是混沌的。一周的不同统计间隔的交通流量序列预测的平均相对误差在9%以下。     

灰色模型在城市中长期用水量预测中的应用

为进行科学合理的供水系统规划,给出一种基于记录时间较短、历史数据较少的用水量序列的GM(1,1)预测方法.该预测方法把原始用水量序列累加处理生成新序列后,用指数关系式拟合,通过构造参数矩阵,确定辩识参数,建立灰色模型的微分方程;求解灰色模型的时间响应函数,生成累减矩阵,进行累减运算即得用水量序列的预测值.MAPE精度分析结果表明GM(1,1)用水量预测方法精度较高.该预测方法应用于D市的中长期用水量预测,为D市供水规划提供有效依据.     

铀尾矿氡析出率的Hurst指数与分形特征

铀尾矿氡的析出是一个重要的环境问题.通过室内实验测定了铀尾矿氡析出率随时间的变化,结果表明尾矿中氡析出率随时间呈现明显的非周期振荡变化.应用R/S方法对所获得的氡析出率时间序列数据进行了分形分析,其整个时间序列数据的Hurst指数为0.83,分维值为1.17.移动Hurst指数在大多数情况下位于0.5-0.8之间,实验后期的Hurst指数部分位于0.5以下,表明铀尾矿氡析出率长期趋势不满足随机游走理论,氡析出率具有长期记忆性,但是短期记忆性不显著.尾矿中氡的析出是一个确定性的混沌动力学过程.     

灰色系统理论在韩王矿最大涌水量预测中的应用

矿井最大涌水量的科学预测是煤矿水害防治的前提条件.本文应用灰色控制系统理论,对韩王矿近十几年来矿井涌水量进行分析、整理,建立了GM(1,1)预测模型,对韩王矿最大涌水量进行了预测,预测精度较高,不失为矿井最大涌水量科学计算的有效方法,为矿井最大涌水量科学计算提供了可知的依据.