基于梯度提升决策树的瓦斯浓度在线预测
2023-11-13郭风景贾澎涛孙刘咏廖永强
中国煤炭 2023年10期
郭风景,王 斌,贾澎涛,孙刘咏,廖永强
(1.陕西陕煤蒲白矿业有限公司,陕西省渭南市,715517;2.陕西建新煤化有限责任公司,陕西省延安市,727300;3.西安科技大学计算机科学与技术学院,陕西省西安市,710054)
0 引言
煤矿瓦斯浓度预测的目的是在充分挖掘历史数据的基础上,获取可靠的灾害前兆信息,对瓦斯灾害进行超前预报或预警,从而避免事故的发生。随着人工智能技术的广泛应用,许多学者将机器学习算法应用于瓦斯浓度预测,取得了较好的预测效果。综合来看,这些瓦斯浓度预测方法主要分为基于单一传统机器学习的方法、基于集成学习的方法和基于深度学习的方法3类。
基于单一传统机器学习的瓦斯浓度预测方法主要有灰色关联分析与高斯过程回归方法[1]、偏最小二乘回归分析方法[2]、差分自回归移动平均(ARIMA)方法[3]、BP神经网络方法[4-8]、支持向量回归方法[9-10]等。这些研究在瓦斯浓度预测方面做出了有益的探索,但是单一机器学习方法受方法本身的局限,预测精度还有待进一步提高,预测的泛化能力也有待改进。
为了克服单一方法的不足,一些学者采用集成学习方法预测瓦斯浓度。集成学习方法通过组合多个基学习器进行预测,从而达到“取长补短”的目的。付华等[11]在不等权泛平均运算模型研究的基础上,提出了集成自回归和径向基函数模型的矿井瓦斯浓度预测方法;贾澎涛等[12]基于瓦斯浓度与环境因素相关性分析,提出了瓦斯灾害选择集成回归学习模型;……
登录APP查看全文
