基于ABC‑ACC算法的瓦斯涌出量预测方法及预测模型构建方法技术

为有效地预测煤矿绝对瓦斯涌出量，本发明专利技术提供了基于ABC‑ACC算法的瓦斯涌出量预测方法及预测模型构建方法，包括：确定对于绝对瓦斯涌出量的N个影响因素；根据上述影响因素，确定下列绝对瓦斯涌出量的预测模型：，其中Y为绝对瓦斯涌出量预测值，N为绝对瓦斯涌出量影响因素的数目，zi是第i个影响绝对瓦斯涌出量影响因素变量值，w0为常数项，wi为预测模型中各项系数；对下列平方差公式进行最小化寻优，优化的目标函数f(ψ)为适应度函数：，为第j个样本绝对瓦斯涌出量期望值，为第j个样本绝对瓦斯涌出量真实值，M为训练的样本数，ψ为适应度函数f(ψ)达到最小值时所获得的所述预测模型中各影响因素的最优权重系数集合。实验结果表明，本发明专利技术的绝对瓦斯涌出量预测模型具有很高的准确性以及优秀的适配度。

【技术实现步骤摘要】

本专利技术涉及煤矿安全领域，更具而言，本专利技术涉及基于人工蜂群ABC-蚁群聚类ACC算法的瓦斯涌出量预测方法及预测模型构建方法。
技术介绍
瓦斯绝对涌出量预测对降低煤矿灾难发生，保障煤矿生命财产安全、提高企业经济效益有着重要的现实意义[1-2]。由于人工智能算法具有泛化性、自适应性的特征，近来吸引了相关专家和学者注意。在《煤炭学报》2014年39(7)期第1296-1301页的“基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究一文”以及《煤炭学报》2012年37(4)期第654-658页的“基于耦合算法的煤矿瓦斯涌出量预测模型研究一文”公开了借助蚁群聚类(ACC)及混沌免疫粒子群算法(CIPSO)对煤矿绝对瓦斯涌出量进行了预测的方法。然而，在ACC算法中，算法是通过完全正反馈方式更新蚂蚁的搜索路径，这种正反馈机制使得算法收敛非常快。对任何算法，算法的搜索能力与收敛速度是相互矛盾的统一体。算法的过快收敛特性，即早熟现象导致ACC算法没有强劲的持续搜索能力，影响绝对瓦斯涌出量预测的准确性。影响绝对瓦斯涌出量的因素很多也很复杂[7-9]，并且各煤矿绝对瓦斯涌出量影响因素差异较大[10-11]。吕伏等人对影响因素运用主成份回归分析法对其筛选的基础上[12]，预测了煤矿绝对瓦斯涌出量。然而这种预测方法可能会遗失潜在的重要影响因素。参考文献：[1]董康乾，徐经苍，邓世龙，等.董家河煤矿22518综采工作面瓦斯防治技术与效果检验[J].西安科技大学学报，2015，(2)：170-174.[2]]高保彬，李回贵，于水军.灰色马尔可夫模型在瓦斯涌出量预测中的应用[J].煤炭工程，2013，45(12)：84-87.[3]付立东，张金锁，冯雪.GA-SA模型预测中国能源需求[J].系统工程理论与实践，2015，35(3)：780-789.[4]付华，谢森，徐耀松，等.基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究[J].煤炭学报，2014，39(7)：1296-1301.[5]付华，姜伟，单欣欣.基于耦合算法的煤矿瓦斯涌出量预测模型研究[J].煤炭学报，2012，37(4)：654-658.[6]潘金贵，顾铁成，李成法，等译.算法导论(原书第二版)[M].北京：机械工业出版社，2006.[7]魏引尚，刘云飞.基于Monte Carlo方法的回采工作面瓦斯涌出量预测[J].煤炭工程，2015，47(3)：83-85.[8]李宝富，张永俊，张兵奇，等.近距离煤层开采瓦斯涌出量预测及其影响因素分析[J].煤炭工程，2013，45(6)：83-85.[9]何利文，李夕兵，林杭，等.基于耦合映像格子模型的瓦斯涌出系统建模与仿真[J].中南大学学报(科学自然版)，2012，43(12)：4801-4806.[10]王晓峰.金地井田煤层瓦斯分布特征及工作面瓦斯涌出量预测[J].煤矿安全，2012，43(5)：77-79.[11]王怀勐，朱炎铭，罗跃，等.林西矿瓦斯赋存特征及其地质因素分析[J].煤炭科学技术，2011，39(2)：89-93.[12]吕伏，梁冰，孙维吉，等.基于主成分回归分析法的回采工作面瓦斯涌出量预测[J].煤炭学报，2012，37(1)：113-116.[13]D.Karaboga，B.Basturk.A powerful and Efficient algorithm for numerical function optimization：Artificial Bee Colony(ABC)Algorithm[J].Journal of Global Optimization，2007，39(3)：459-471.[14]王晓路.基于蚁群算法优化SVM的瓦斯涌出量预测[J].煤炭技术，2011，30(5)：81-82.
技术实现思路
本专利技术的目的在于为了克服上述现有技术的问题，提供一种具有很高的准确性以及优秀的适配度的瓦斯涌出量预测方法及预测模型构建方法。为达到上述目的，本专利技术采用的技术方案是：一种基于ABC算法的瓦斯涌出量预测模型的构建方法，其特征在于，包括以下步骤：(1)确定对于绝对瓦斯涌出量的N个影响因素；(2)根据上述影响因素，确定下列绝对瓦斯涌出量的预测模型： Y = w 0 + Σ i = 1 N w i Z i , ]]>其中Y为绝对瓦斯涌出量预测值，N为绝对瓦斯涌出量影响因素的数目，Zi是第i个影响绝对瓦斯涌出量影响因素变量值，w0为常数项，wi为预测模型中各项系数；(3)对下列平方差公式进行最小化寻优，优化的目标函数f(ψ)为适应度函数： f ( ψ ) = 1 M Σ j = 1 M ( Y j exp e c t e d - Y j a c t u a l ) 2 ]]>为第j个样本绝对瓦斯涌出量期望值，为第j个样本绝对瓦斯涌出量真实值；M为训练的样本数，ψ为适应度函数f(ψ)达到最小值时所获得的所述预测模型中各影响因素的最优权重系数集合。优选地，上述步骤(3)进一步包括：(a)通过概率建立候选解并构建禁忌表；(b)利用ABC算法在候选解上持续优化并得到当前最好的解；(c)判断是否满足蚂蚁数，如果不满足，则返回到步骤(a)；否则更新信息素，信息素挥发，比较并保存较好的解；(d)判断算法是否收敛，如果收敛，则得到最优权重系数集合；否则返回到步骤(a)。优选地，所述基于人工蜂群ABC-蚁群聚类ACC算法的瓦斯涌出量预测模型的构建方法还包括以下的验证步骤：使用模型适配度测量方法，用以下公式表示： S 2 = 1 - Σ i = 1 K ( Y i 本文档来自技高网...

【技术保护点】
一种基于人工蜂群ABC‑蚁群聚类ACC算法的瓦斯涌出量预测模型的构建方法，其特征在于，包括以下步骤：(1)确定对于绝对瓦斯涌出量的N个影响因素；(2)根据上述影响因素，确定下列绝对瓦斯涌出量的预测模型：Y=w0+Σi=1NwiZi,]]>其中Y为绝对瓦斯涌出量预测值，N为绝对瓦斯涌出量影响因素的数目，Zi是第i个影响绝对瓦斯涌出量影响因素变量值，w0为常数项，wi为预测模型中各项系数；(3)选择绝对瓦斯涌出量与影响因素真实数据作为样本，对下列平方差公式进行最小化寻优，优化的目标函数f(ψ)为适应度函数：f(ψ)=1MΣj=1M(Yjexpected-Yjactual)2]]>为第j个样本绝对瓦斯涌出量期望值，为第j个样本绝对瓦斯涌出量真实值，M为训练的样本数，ψ为适应度函数f(ψ)达到最小值时所获得的所述预测模型中各影响因素的最优权重系数集合。

【技术特征摘要】
1.一种基于人工蜂群ABC-蚁群聚类ACC算法的瓦斯涌出量预测模型的构建方法，其特征在于，包括以下步骤：(1)确定对于绝对瓦斯涌出量的N个影响因素；(2)根据上述影响因素，确定下列绝对瓦斯涌出量的预测模型： Y = w 0 + Σ i = 1 N w i Z i , ]]>其中Y为绝对瓦斯涌出量预测值，N为绝对瓦斯涌出量影响因素的数目，Zi是第i个影响绝对瓦斯涌出量影响因素变量值，w0为常数项，wi为预测模型中各项系数；(3)选择绝对瓦斯涌出量与影响因素真实数据作为样本，对下列平方差公式进行最小化寻优，优化的目标函数f(ψ)为适应度函数： f ( ψ ) = 1 M Σ j = 1 M ( Y j exp e c t e d - Y j a c t u a l ) 2 ]]>为第j个样本绝对瓦斯涌出量期望值，为第j个样本绝对瓦斯涌出量真实值，M为训练的样本数，ψ为适应度函数f(ψ)达到最小值时所获得的所述预测模型中各影响因素的最优权重系数集合。2.根据权利要求1所述的基于人工蜂群ABC-蚁群聚类ACC算法的瓦斯涌出量预测模型的构建方法，其特征在于：上述步骤(3)进一步包括：(a)通过概率建立候选解并构建禁忌表；(b)利用ABC算法在候选解上持续优化并得到当前最好的解；(c)判断是否满足蚂蚁数，如果不满足，则返回到步骤(a)；否则更新信息素，信息素挥发，比较并保存较好的解；(d)判断算法是否收敛，如果收敛，则得到最优权重系数集合；否则返回到步骤(a)。3.根据权利要求1到2中的任何一个所述的基于人工蜂群ABC-蚁群聚类ACC算法的瓦斯涌出量预测模型的构建方法，其特征在于：还包括以下的验证步骤：使用模型适配度测量方法，用以下公式表示： S 2 = 1 - Σ i = 1 K ...

【专利技术属性】
技术研发人员：付立东，张金锁，史晓楠，李爱国，靳红梅，聂靖静，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61