[发明专利]一种采场巷道收敛量的非线性加权回归预测模型

说明书

技术领域

本发明属于采场巷道收敛量技术领域，具体涉及一种采场巷道收敛量的非线性加权回归预测模型。

背景技术

井下矿山采场巷道的冒顶片帮是威胁地下矿山安全的重大隐患，对巷道的稳定性进行评价、预测和控制一直以来都是矿山安全管理的重点。

巷道围岩收敛量是衡量判断巷道稳定性的主要依据，影响巷道围岩收敛量的因素众多，如地应力大小、围岩特性、巷道断面参数以及支护方式等，现阶段我国大多数矿山地质条件不明，并且在施工及生产过程中，还存在许多不可预知的因素影响到巷道稳定性，如地下水涌出、爆破震动等。所以，很难利用岩石力学理论从巷道围岩收敛机理上进行精确预测。因此，通过历史统计数据进行巷道围岩变形趋势预测是一项重要的工作，是评价巷道稳定性的有效依据。大量学者开始利用数理统计，通过分析巷道收敛数据自身的规律来预测未来收敛值，主要的方法有解析法、线性回归分析法、时间序列分析法、神经网络分析法以及灰色理论预测法等：     解析法是比较传统的预测方法，随着计算机技术的发展，已经逐步被其他方法取代；

回归分析预测法技术比较成熟，但条件假定严格，将预测对象的影响因素分解，考察各因素的变化情况，从而估计预测对象未来的数量状态，故回归分析预测法具有一定的局限性，而且回归模型误差较大，外推特性差；

时间序列预测法是根据预测对象过去的变化规律来预测其未来的变化，对时间序列的长期趋势因素、季节变动因素、周期变动因素和不规则变动因素的4种变动因素有侧重地进行预处理，从而派生出具体的预测方法，所派生出的预测方法往往只强调了系统的一个侧面，缺乏对系统演化较全面的描述，在中长期预测实践中会产生较大偏差；

灰色系统预测法应用数据生成手段，弱化了系统的随机性，使紊乱的原始序列呈现某种规律，规律不明显的变得较为明显，灰导数和背景值的引入简化了计算，但由于利用了不是对应于同一点的函数值和导数值去辨识微分方程中的参数，导致误差较大；

神经网络法可对存在非线性关系和不确定性系统进行安全预测，适用于短中期预测，

但是操作过程较为复杂，且神经网络法的推理线路固定不够灵活。

上述预测方法在实施过程中的共同点是将历史统计数据资料的作用均等对待，即远期的统计数据和近期的统计数据在对未来状态的预测中作用是一样的，从而导致预测结果准确度不高。

发明内容

本发明旨在克服现有巷道收敛量的预测方法的缺陷，提供一种准确度高的采场巷道收敛量的非线性加权回归预测模型。

为实现上述目的，本发明的技术方案包括以下步骤：

第一步、建立采场巷道收敛量的时间序列                                                

        （1）

    式（1）中：是当时，采场巷道收敛量的值；

是当时，采场巷道收敛量的值；

是在时刻时，采场巷道收敛量的值；

是当时，采场巷道收敛量的值。

第二步、建立采场巷道收敛量的非线性加权回归预测一般模型

首先，选择皮尔函数为权函数，赋予在时刻时的采场巷道收敛量的值的权重；

                         （2）

式（2）中：是时间参数；

  是自然对数，；

是皮尔函数的参数，分别通过试值法确定，确定后的需满足；其中：是采场巷道收敛量值的权重，是采场巷道收敛量值的权重。

其次，建立采场巷道收敛量的一般非线性回归预测模型

                                                （3）

式（3）中：是一般非线性回归预测模型残差序列；

是时间参数；

是一般非线性回归预测模型回归参数，分别由下式确定：

                   （4）

式（4）中：是在时刻时的采场巷道收敛量的值；

是的平均值；

是时间序列的样本个数；

是时间参数；

是的平均值。

然后，利用加权最小二乘法，由式（3）可得采场巷道收敛量的非线性加权回归预测一般模型

                             （5）

式（5）中：是非线性加权回归预测一般模型残差序列；

是时间参数；