[发明专利]一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法

权利要求书

1.一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法，其特征在于，包括：

S10、获取煤矿瓦斯浓度相关数据，并进行预处理；将经预处理后的数据按照预设比例划分为训练集、验证集和测试集；

S20、采用所述训练集分别对LSTM和LightGBM两种模型进行训练，采用验证集用于调整参数以及监控两种模型；将测试集分别输入两种模型获得对应的预测值；

S30、将两种预测模型的预测值分别与真实值相比较，通过给两种模型赋予的权值来刻画预测的精准度；根据t-1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方式得到对应的预测值；

S40、计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，与步骤S30中的残差赋权进行比较，当改进后的权值使得误差变小时，则替换原始权值，否则权值保持不变；实现对目标区域的瓦斯浓度的预测。

2.根据权利要求1所述的方法，其特征在于，获取煤矿瓦斯浓度相关数据，并进行预处理；包括：

提取煤矿工作面中的所有测点的数据信息；

通过皮尔逊积相关系数刻画变量之间的相关性，选取与瓦斯浓度相关性较大的数据。

3.根据权利要求1所述的方法，其特征在于，根据t-1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方式得到对应的预测值，包括：

计算各模型在t-1时刻预测值与真实值的误差，计算误差的公式为：

其中，ω_i(t-1)为t-1时刻第i个模型的权重，f_i(x_t)为第i个模型的预测值，h(x_t)为组合模型的预测值，为t-1时刻第i个模型的预测误差平方和；

m为模型的数量；ω_i(t)为t时刻第i个模型的权重，作为第一权重。

4.根据权利要求3所述的方法，其特征在于，步骤S40中，计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，包括：

计算最优n值，使用前n时刻权重的平均值对初始时刻进行赋权，初始赋权的表达式为：

为改进后的t时刻第i个模型的权重，作为第二权重；n＜t；k∈[1,2,..n]。

5.根据权利要求4所述的方法，其特征在于，步骤S40中：与步骤S30中的残差赋权进行比较，当改进后的权值使得误差变小时，则替换原始权值，否则权值保持不变；实现对目标区域的瓦斯浓度的预测，包括：

S401、根据第一权重，计算t时刻各组合模型的预测值和真实值的误差绝对值，作为第一误差；

S402、根据第二权重，计算t时刻各组合模型的预测值和真实值的误差绝对值，作为第二误差；

S403、将所述第一误差和第二误差作比较，选择较小值对应的权重作为组合模型的权重，实现对目标区域的瓦斯浓度的预测。