本發(fā)明屬于瓦斯涌出量預(yù)測(cè)，具體涉及一種基于量子進(jìn)化粒子群的絕對(duì)瓦斯涌出量預(yù)測(cè)模型。

背景技術(shù)：

1、礦井下瓦斯的富集是煤礦生產(chǎn)的重要災(zāi)害之一，因此利用絕對(duì)瓦斯量的多種相關(guān)影響因素建立絕對(duì)瓦斯涌出量預(yù)測(cè)模型能夠有效防止此類瓦斯災(zāi)害。

2、目前國(guó)內(nèi)外相關(guān)學(xué)者針對(duì)絕對(duì)瓦斯涌出量問(wèn)題提出了眾多結(jié)合神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的預(yù)測(cè)方法。例如，一種改進(jìn)的萬(wàn)有引力算法(improved?gravitational?searchalgorithm，igsa)訓(xùn)練優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的模型，提高了模型的預(yù)測(cè)精度和收斂速度；bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)隧道煤與瓦斯突出危險(xiǎn)性的方法；利用局部均值分解法(local?mean?decomposition，lmd)方法對(duì)瓦斯涌出量的歷史數(shù)據(jù)進(jìn)行分解獲取pf分量，對(duì)每個(gè)分量利用支持向量機(jī)(support?vector?machines，svm)函數(shù)擬合方法進(jìn)行外推測(cè)量；利用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical?mode?decomposition，emd)方法分解瓦斯涌出時(shí)序數(shù)據(jù)，獲得多個(gè)本征模態(tài)函數(shù)(imf)，對(duì)每個(gè)imf分別建立基于粒子群算法(particle?swarmoptimization，pso)優(yōu)化后的svm預(yù)測(cè)模型；通過(guò)變分模態(tài)分解(variational?modaldecomposition，vmd)方法將絕對(duì)瓦斯涌出量分解為若干固有模態(tài)分量并分析其局部特征，根據(jù)每個(gè)固有模態(tài)分量建立相關(guān)向量機(jī)(relevance?vector?machine，rvm)，并通過(guò)差分進(jìn)化(differential?evolution，de)優(yōu)化模型參數(shù)以提高預(yù)測(cè)精度；一種加權(quán)改進(jìn)的最小二乘支持向量機(jī)(least?squares?support?vector?machines,lssvm)預(yù)測(cè)模型，其解決了lssvm本身缺乏的魯棒性和稀疏性問(wèn)題。

3、由于絕對(duì)瓦斯涌出量相關(guān)影響因素復(fù)雜多變且存在非線性問(wèn)題，上述支持向量機(jī)以及深度學(xué)習(xí)參數(shù)難以整定和收斂速度慢的問(wèn)題一直沒(méi)有得到良好的解決，模型預(yù)測(cè)精度均未獲得明顯的提升，且近年來(lái)出現(xiàn)了大量先進(jìn)的優(yōu)化算法以及各種處理時(shí)間序列的方法，但在與瓦斯涌出量預(yù)測(cè)的結(jié)合上尚未取得較好的效果。

技術(shù)實(shí)現(xiàn)思路

1、基于上述技術(shù)問(wèn)題，本發(fā)明提供一種基于量子進(jìn)化粒子群的絕對(duì)瓦斯涌出量預(yù)測(cè)模型，通過(guò)多個(gè)絕對(duì)瓦斯涌出量相關(guān)影響因素進(jìn)行多重時(shí)間序列重構(gòu)，利用量子粒子群算法對(duì)基于徑向基函數(shù)的svm模型進(jìn)行超參數(shù)優(yōu)化建立絕對(duì)瓦斯涌出量預(yù)測(cè)模型，且本發(fā)明的絕對(duì)瓦斯涌量預(yù)測(cè)模型具有更好的收斂性和更高的預(yù)測(cè)精度，有效地提高了礦井下絕對(duì)瓦斯涌出量預(yù)測(cè)的準(zhǔn)確性。

2、其具體技術(shù)方案為：

3、一種基于量子進(jìn)化粒子群的絕對(duì)瓦斯涌出量預(yù)測(cè)模型，包括如下步驟：

4、s1：利用多重相空間重構(gòu)法重建瓦斯涌出量相關(guān)影響因素的時(shí)間序列，并作為預(yù)測(cè)模型的輸入；

5、s2：利用量子粒子群算法優(yōu)化預(yù)測(cè)模型超參數(shù)；

6、s3：建立絕對(duì)瓦斯涌出量預(yù)測(cè)模型，具體如下：

7、

8、式中核函數(shù)k(xi,x)選取ref函數(shù)；

9、

10、式中σ2為絕對(duì)瓦斯涌出量預(yù)測(cè)模型的核函數(shù)寬度；

11、s4：對(duì)絕對(duì)瓦斯涌出量預(yù)測(cè)模型量子超參數(shù)優(yōu)化；

12、s5：對(duì)建立的絕對(duì)瓦斯涌出量預(yù)測(cè)模型進(jìn)行檢驗(yàn)。

13、另外，本發(fā)明提供的上述技術(shù)方案中的一種基于量子進(jìn)化粒子群的絕對(duì)瓦斯涌出量預(yù)測(cè)模型還可以具有如下附加技術(shù)特征：

14、在上述技術(shù)方案中，在步驟s2中，具體步驟如下：

15、量子進(jìn)化粒子群瓦斯涌出量算法如下：

16、vij(t+1)＝ωvij(t)+

17、c1r1j(t)(pij(t)-xij(t))-

18、c2r2j(t)(pgj(t)-xij(t))

19、式中vij(t)表示在t時(shí)刻第i個(gè)粒子在第j維的空間速度；c1和c2為粒子加速因子；r1j(t)和r2j(t)為隨機(jī)函數(shù)；

20、由聚集速度和聚集點(diǎn)信息更新下一代聚集點(diǎn)：

21、xij(t+1)＝xij(t)+vij(t+1)

22、假定進(jìn)化粒子在n維量子尋優(yōu)空間中有m個(gè)代表瓦斯涌出潛在問(wèn)題解的粒子群體：

23、xi(t)＝[xi,1(t),xi,2(t),…,xi,n(t)]，

24、i＝1,2,…,m

25、進(jìn)化粒子個(gè)體最優(yōu)聚集點(diǎn)pbest根據(jù)目標(biāo)函數(shù)的適應(yīng)度值f[xi(t)]不斷更新：

26、

27、繼而計(jì)算出粒子群平均最優(yōu)聚集點(diǎn)cbest以及全局最優(yōu)聚集點(diǎn)gbest：

28、

29、對(duì)進(jìn)化粒子i的j個(gè)維度計(jì)算得到一個(gè)隨機(jī)瓦斯聚集點(diǎn)：

30、pi,j(t)＝φj(t)·pi,j(t)+[1-φj(t)]·gj(t)，φj(t)∈u(0,1)

31、最后根據(jù)進(jìn)化粒子方程得到新的瓦斯聚集點(diǎn)：

32、

33、式中β為控制參數(shù)。

34、在上述技術(shù)方案中，在步驟s3中，具體通過(guò)如下步驟得到絕對(duì)瓦斯涌出量預(yù)測(cè)模型：

35、建立模型函數(shù)：

36、f(x)＝wt·x+b，i＝1,2,...,n

37、式中wt和b分別為模型的法向量和截距，x是絕對(duì)瓦斯涌出量相關(guān)影響因素特征重構(gòu)時(shí)間序列；

38、為使風(fēng)險(xiǎn)最小化，將回歸問(wèn)題的不等式約束解轉(zhuǎn)化為等式約束解：

39、

40、yi[wtφ(xi)+b]＝1-ei

41、式中，γ為lssvm瓦斯涌出量模型的正則化參數(shù)，φ(xi)是xi在高維空間中映射所得；

42、

43、式中，拉格朗日乘子α起到模型支持的作用；

44、最終建立lssvm瓦斯涌出量模型函數(shù)：

45、

46、式中核函數(shù)k(xi,x)選取ref函數(shù)：

47、

48、式中σ2為lssvm瓦斯涌出量模型的核函數(shù)寬度。

49、在上述技術(shù)方案中，在步驟s4中，具體包括如下步驟：

50、s1：選取平均相對(duì)誤差作為目標(biāo)函數(shù)：

51、

52、式中yi為瓦斯相關(guān)影響因素測(cè)試樣本的真實(shí)值，為每次迭代完成后輸出的預(yù)測(cè)結(jié)果，n為訓(xùn)練樣本的個(gè)數(shù)；

53、s2：隨機(jī)生成n個(gè)兩超參數(shù)組合，賦予進(jìn)化粒子初始瓦斯聚集點(diǎn)：

54、

55、通過(guò)計(jì)算各自的適應(yīng)度值f[xi(0)]，并確定進(jìn)化粒子個(gè)體最優(yōu)聚集點(diǎn)和全局最優(yōu)聚集點(diǎn)

56、s3：計(jì)算出新一代的超參數(shù)組合

57、重復(fù)上述迭代過(guò)程，得到t代超參數(shù)組合直到迭代次數(shù)達(dá)到最大值imax或每代適應(yīng)度值再無(wú)變更，至此得到參數(shù)的最優(yōu)組合

58、s4：根據(jù)最優(yōu)模型超參數(shù)γs和建立qpso-lssvm瓦斯涌出量預(yù)測(cè)模型，利用重構(gòu)絕對(duì)瓦斯涌出量數(shù)據(jù)集訓(xùn)練樣本進(jìn)行模型訓(xùn)練。

59、本發(fā)明的一種基于量子進(jìn)化粒子群的絕對(duì)瓦斯涌出量預(yù)測(cè)模型，與現(xiàn)有技術(shù)相比，有益效果為：

60、本發(fā)明通過(guò)多個(gè)絕對(duì)瓦斯涌出量相關(guān)影響因素進(jìn)行多重時(shí)間序列重構(gòu)，利用量子粒子群算法對(duì)基于徑向基函數(shù)的svm模型進(jìn)行超參數(shù)優(yōu)化建立絕對(duì)瓦斯涌出量預(yù)測(cè)模型，且本發(fā)明的絕對(duì)瓦斯涌量預(yù)測(cè)模型具有更好的收斂性和更高的預(yù)測(cè)精度，有效地提高了礦井下絕對(duì)瓦斯涌出量預(yù)測(cè)的準(zhǔn)確性。