【技术实现步骤摘要】
本申请涉及一种spark streaming框架驱动下的瓦斯浓度实时预测方法，属于瓦斯监测。
技术介绍
1、近年来，随着信息技术及自动化控制的高速发展，煤矿开采过程中的安全监控监测逐渐向智能化方向发展，传统的监测监控系统已无法满足煤矿发展的需求，矿井瓦斯预测预警研究也取得较多成果。主要通过学习机器学习算法进行瓦斯的预测和预警。
2、而基于学习算法的预测，需要依托于训练集数据，由此对训练集数据需要具有较高时效性，若数据时效性不足则预测结果的精准性也将会降低，导致对瓦斯预测预警的研究过程中对数据的提取存在一定的滞后性。因此，如何能够在预测过程中既能保证数据提取的时效性也能保证算法学习规律的时效性是当下亟需重点关注的研究方向。而现有研究针对综采面瓦斯浓度预测的研究相对较少。影响综采面瓦斯浓度因素较多，各因素之间呈现出复杂的非线性关系，仅研究单一因素对瓦斯浓度的影响较为片面，应将多种影响因素综合考虑。在瓦斯浓度预测方面，传统的机器学习算法如支持向量机在面对综采面多种复杂因素影响下的瓦斯浓度预测问题时，预测准确率有待进一步提高，且难以...
【技术保护点】
1.一种Spark Streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种Spark Streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，所述瓦斯浓度预测模型的构建过程为：
3.根据权利要求2所述的一种Spark Streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，实时的瓦斯浓度数据的预处理过程为：
4.根据权利要求3所述的一种Spark Streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，所述数据RDD的窗口长度根据不同数据流进行调整，以实现
【技术特征摘要】
1.一种spark streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种spark streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，所述瓦斯浓度预测模型的构建过程为：
3.根据权利要求2所述的一种spark streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，实时的瓦斯浓度数据的预处理过程为：
4.根据权利要求3所述的一种spark streaming框架驱动下的瓦斯浓度实时预测方法，其特征在于，所述数据rdd的窗口长度根据不同数据流进行调整，以实...
【专利技术属性】
技术研发人员：闫振国，黄玉鑫，王延平，刘忠杰，秦志鑫，张龙成，曹豫其，王溢阳，武奥环，韩凯，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。