[发明专利]一种随机森林与灰狼优化的煤体瓦斯含量预测方法

说明书

本发明公开了一种随机森林与灰狼优化的煤体瓦斯含量预测方法，该算法包含两个阶段，分别为随机森立预测模型的构建和灰狼优化算法的使用，目的使用灰狼优化算法来对随机森林预测模型相关参数进行最优值的选择确定，从而增强媒体瓦斯含量预测模型的识别和预测效果。其中瓦斯基础数据经过缺失值填充及特征选取两个步骤进行初始化。不同地域的煤体地质特征不同，特征选取可以对不同地域的矿井煤体数据进行针对性选取，从而增强瓦斯含量预测的精准度，因此该方法适用于不同地域的矿井。该方法可以实现瓦斯含量的有效预测，提高了工作效率，同时可以指导煤炭开采过程中瓦斯灾害预防措施的实施，对于瓦斯灾害事故的防治与煤炭的精准开采具有重要意义。

技术领域

本发明涉及煤体瓦斯含量预测领域，特别是涉及一种基于随机森林与灰狼优化的煤体瓦斯含量预测方法。

背景技术

煤层煤体瓦斯含量是煤矿瓦斯防治的一项重要参数，是矿井瓦斯涌出量预测和安全治理的重要依据。构建有效的煤层瓦斯含量预测模型可以实现对瓦斯含量的精准评估，同时可以指导煤炭开采过程中瓦斯灾害预防措施的实施，对于瓦斯灾害事故的防治与煤炭的精准开采具有重要意义。然而，对于煤体瓦斯含量的预测耗时耗力，因此开发出一种煤体瓦斯含量预测方法来改善瓦斯含量的预测精度是非常有必要的。

目前关于煤体瓦斯含量预测问题已经有了一系列研究，煤体瓦斯含量的预测研究大多是基于传统的数值分析计算方法，还有一部分是基于机器学习算法；其中，传统的预测方法主要包括直接法与间接法，在地质条件较为简单的情况下可以取得较好的效果；基于机器学习的方法对于复杂多变且影响因素较多的地质条件具有较好的预测效果，已经在煤矿瓦斯领域取得了良好的效果。

由于煤层瓦斯赋存分布具有区域连续性、分形分布性等特征，因此一些学者对煤层瓦斯含量进行反演推算和预测。许多研究者通过钻屑瓦斯解析指标来逆向推算煤层瓦斯含量，或者利用大量的工作面瓦斯涌出量数据反演煤层原始瓦斯含量，以及通过分析矿井瓦斯赋存特征和地质规律，来分析并预测煤层瓦斯含量。还有一些研究是利用相关的回归分析建模工具，来建立瓦斯预测模型，进而预测瓦斯含量。

继传统的预测方法后，许多学者开始利用机器学习算法来进行煤体瓦斯预测；相关的算法包括支持向量机算法及其变体形式，如最小二乘支持向量机算法等，以及BP神经网络及优化后的BP神经网络，如使用模糊数学算法及遗传算法等优化技术来优化BP神经网络；以往的研究多是通过单一的机器学习算法或者是使用优化技术结合机器学习算法来对煤体瓦斯含量进行预测，算法单一，且传统的单一机器学习算法的缺点在于其往往只能得到一个有偏好的模型，即在某些方面的表现比较好，在其他方面的表现不尽人意，因此，基于集成学习的煤体瓦斯含量预测算法应运而生。

发明内容

针对上述现有状况，提出了一种随机森林与灰狼优化的煤体瓦斯含量预测方法，包括两个阶段，分别为随机森林回归模型的建立阶段以及使用灰狼优化算法对于随机森林模型进行参数寻优的阶段，目的是采用灰狼优化算法来对随机森林模型进行参数寻优，寻找到最佳的随机森林参数，从而提升煤体瓦斯含量的预测性能，可提升煤体瓦斯含量预测的精度，且可以应用在不同地质条件的矿井煤层，为煤体瓦斯灾害的精准预测及预防提供了帮助，同时对于煤矿的精准开采具有重大意义。

为实现上述目的，一种随机森林与灰狼优化的煤体瓦斯含量预测方法提出的方案具体步骤如下：

S1：获取煤体瓦斯基础数据；

S2：将煤体瓦斯基础数据进行预处理，包括缺失值填充、特征选取两个步骤；

S3：将预处理好的瓦斯数据送入随机森林预测模型；

S4：在随机森林预测模型中，采用CART树构建随机森林，对瓦斯数据进行预测；

S5：使用灰狼优化算法对随机森林预测模型进行参数寻优；

S6：得到参数寻优后的随机森林模型，并利用参数寻优后的随机森林模型进行最终预测；