基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统技术方案

本申请提供了一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统。该方法包括：对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标；基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS

Optimization of LSTM gas concentration prediction method and system based on cuckoo search algorithm

【技术实现步骤摘要】
基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统


[0001]本申请涉及瓦斯浓度预测
，特别涉及一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统。

技术介绍

[0002]煤矿瓦斯灾害是威胁煤矿安全生产的重大灾害之一，瓦斯灾害直接妨碍了煤矿的正常生产，阻碍了煤炭工业的持续、稳定、健康发展，加强瓦斯灾害防治是确保煤炭能源的稳定、可靠供应，促进国民经济全面、健康发展的重要保障。
[0003]目前，随着国家对煤矿安全生产的重视和煤矿企业自身发展的需要，对瓦斯浓度准确预测对于瓦斯突出的灾害预报和预防都具有重要意义。传统的瓦斯预测方法是根据含瓦斯煤体性质及其赋存条件的量化指标，比如煤层性质指标、瓦斯指标、地应力指标或综合指标，来预测其中的单个或多个指标是否超过临界值，但是传统预测方法的预测精度难以达到煤矿安全生产的要求。
[0004]因此，需要提供一种针对上述现有技术不足的改进技术方案。

技术实现思路

[0005]本申请的目的在于提供一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统，以解决或缓解上述现有技术中存在的问题。
[0006]为了实现上述目的，本申请提供如下技术方案：
[0007]本申请提供了一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，包括：步骤S101、对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；步骤S102、确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标；步骤S103、基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS
‑
LSTM预测模型；步骤S104、根据所述煤矿井下的瓦斯浓度监测数据，对所述CS
‑
LSTM预测模型进行准确性评价。
[0008]优选的，在步骤S101中，所述对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据，包括：基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补；根据插补后的瓦斯浓度数据，按照公式：
[0009][0010]得到标准化瓦斯浓度数据；其中，x
*
表示标准化瓦斯浓度数据，f(x)表示插补后的瓦斯浓度数据。
[0011]优选的，所述基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补，包括：基于样条插值法，根据获取的煤矿井下瓦斯浓度数据，按照预设插补模型，对瓦斯浓度数据中的缺失数据进行插补；预设插补模型为：
[0012][0013]其中，x1，x2表示获取的煤矿井下瓦斯浓度数据中缺失值前的两个相邻数据点，x3，x4表示获取的煤矿井下瓦斯浓度数据中缺失值后的两个相邻数据点，且x1，x2，x3，x4均满足f(x)＝a
i
x2+b
i
x+c
i
，i＝1，2，3；x＝(x1，x2，x3，x4)。
[0014]优选的，在步骤S102中，确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标，包括：确定所述LSTM预测模型的LSTM层层数及其相应神经元个数、全连接层层数及其相应神经元个数为所述LSTM预测模型的优化参数组合；确定均方误差为所述LSTM预测模型的准确性评价指标。
[0015]优选的，在步骤S103中，基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS
‑
LSTM预测模型，包括：基于所述布谷鸟搜索算法，根据所述LSTM预测模型的优化参数组合，计算所述LSTM预测模型的准确性评价指标的倒数，并将所述LSTM预测模型的准确性评价指标的倒数的最大值对应的所述LSTM预测模型的优化参数组合输入所述LSTM预测模型，得到所述CS
‑
LSTM预测模型。
[0016]优选的，在步骤S104中，所述根据所述煤矿井下的瓦斯浓度监测数据，对所述CS
‑
LSTM预测模型进行准确性评价，包括：分别按照公式：
[0017][0018][0019]计算所述煤矿井下的瓦斯浓度的平均绝对误差MAE和均方根误差RMSE，对所述CS
‑
LSTM预测模型进行准确性评价；其中，n表示所述瓦斯浓度监测数据的数量；x
j
为所述煤矿井下的所述瓦斯浓度监测数据；x
j
′
表示所述CS
‑
LSTM预测模型得到的瓦斯浓度预测值。
[0020]本申请实施例还提供一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测系统，包括：预处理单元，配置为对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；参数指标单元，配置为确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标；优化单元，配置为基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS
‑
LSTM预测模型；评价单元，配置为根据所述煤矿井下的瓦斯浓度监测数据，对所述CS
‑
LSTM预测模型进行准确性评价。
[0021]优选的，所述预处理单元包括插补子单元，配置为基于样条差值法，对瓦斯浓度数据中的缺失数据进行插补；标准化子单元，配置为根据插补后的瓦斯浓度数据，按照公式：
[0022][0023]得到标准化瓦斯浓度数据；其中，x
*
表示标准化瓦斯浓度数据，f(x)表示插补后的瓦斯浓度数据。
[0024]优选的，所述优化单元进一步配置为基于所述布谷鸟搜索算法，根据所述LSTM预测模型的优化参数组合，计算所述LSTM预测模型的准确性评价指标的倒数，并将所述LSTM预测模型的准确性评价指标的倒数的最大值对应的所述LSTM预测模型的优化参数组合输入所述LSTM预测模型，得到所述CS
‑
LSTM预测模型。
[0025]优选的，所述评价单元进一步配置为分别按照公式：
[0026][0027][0028]计算所述煤矿井下的瓦斯浓度的平均绝对误差MAE和均方根误差RMSE，对所述CS
‑
LSTM预测模型进行准确性评价；其中，n表示所述瓦斯浓度检测数据的数量；x
j
为所述煤矿井下的所述瓦斯浓度检测数据；x
j
′
表示所述CS
‑
LSTM预测模型得到的瓦斯浓度预测值。
[0029]有益效果：
[0030]本申请提供的技术方案中，通过对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；并确定预先构建的LSTM预测模型的优化参数组合以及LSTM预测模型的准确性评价指标；然后，基于布谷鸟搜索算法，根据LSTM预测模型的准确性评价指标和LSTM预测模型的优化参数组合，以此构建得到CS
‑
LSTM预测模型；最后，根据煤矿井下的瓦斯浓度监测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，其特征在于，包括：步骤S101、对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；步骤S102、确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标；步骤S103、基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS
‑
LSTM预测模型；步骤S104、根据所述煤矿井下的瓦斯浓度监测数据，对所述CS
‑
LSTM预测模型进行准确性评价。2.根据权利要求1所述的基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，其特征在于，在步骤S101中，所述对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据，包括：基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补；根据插补后的瓦斯浓度数据，按照公式：得到标准化瓦斯浓度数据；其中，x
*
表示标准化瓦斯浓度数据，f(x)表示插补后的瓦斯浓度数据。3.根据权利要求2所述的基与布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，其特征在于，所述基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补，包括：基于样条插值法，根据获取的煤矿井下瓦斯浓度数据，按照预设插补模型，对瓦斯浓度数据中的缺失数据进行插补；预设插补模型为：其中，x1，x2表示获取的煤矿井下瓦斯浓度数据中缺失值前的两个相邻数据点，x3，x4表示获取的煤矿井下瓦斯浓度数据中缺失值后的两个相邻数据点，且x1，x2，x3，x4均满足f(x)＝a
i
x2+b
i
x+c
i
，i＝1，2，3；x＝(x1，x2，x3，x4)。4.根据权利要求1所述的基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，其特征在于，在步骤S102中，确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标，包括：确定所述LSTM预测模型的LSTM层层数及其相应神经元个数、全连接层层数及其相应神经元个数为所述LSTM预测模型的优化参数组合；
确定均方误差为所述LSTM预测模型的准确性评价指标。5.根据权利要求1所述的基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，其特征在于，在步骤S103中，基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS
‑
LSTM预测模型，包括：基于所述布谷鸟搜索算法，根据所述LSTM预测模型的优化参数组合，计算所述LSTM预测模型的准确性评价指标的倒数，并将所述LSTM预测模型的准确性评价指标的倒数的最大值对应的所述LSTM预测模型的优化参数组合输入所述LSTM预测模型，得到所述CS
‑
LSTM预测模型。6.根据权利要求1...

【专利技术属性】
技术研发人员：李全贵，栗小雨，梁运培，胡千庭，毛树人，郑梦浩，李建波，周俊江，
申请(专利权)人：重庆大学，
类型：发明
国别省市：