[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

说明书

本发明公开了一种基于LSTM‑LightGBM变权组合模型的瓦斯浓度预测方法，包括：获取煤矿瓦斯浓度相关数据，并进行预处理；构建LSTM和LightGBM两种模型获得对应的预测值；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；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。该方法在多个煤矿应用中，可以获得较为精准的预测值。

技术领域

本发明涉及煤矿瓦斯安全领域。尤其涉及一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法。

背景技术

能源是经济发展的原动力也是国家经济的命脉，煤炭在我国的能源战略地位中占据较高的地位，这也是由我国的资源赋存特点导致的，同时也决定了解决中国的能源问题必须以煤炭为主。但是在煤炭开采进程当中，存在很多安全性问题，据不完全统计，瓦斯事故占据所有的煤矿事故的88％。瓦斯事故是威胁煤矿井下安全生产的主要因素，对瓦斯浓度进行实时准确的监测是预防瓦斯事故的重要手段。在每次发生事故之前都有不同程度的预兆出现，所以如果可以探究其的内在规律并且对瓦斯的浓度有相对精确的预测，那么对于及时撤出人员减少人员伤亡将具有重要意义。

当前对瓦斯浓度预测的研究通常采用历史瓦斯数据，利用支持向量回归模型、XGBoost模型、随机森林模型、BP神经网络以及LSTM网络等单机器传统学习模型预测未来短期的瓦斯浓度。通过对构建的多个单机器学习模型瓦斯浓度预测值的比较，LSTM网络在解决了传统循环神经网缺陷的基础上，对处理非线性时间序列数据方面有更好的泛化能力，LightGBM相比于XGBoost在多个基准测试和公共数据集实验中运行更快也更准确。为了进一步提高瓦斯预测的精度，有学者尝试将多个单机器学习模型进行组合来预测瓦斯浓度。组合预测模型的预测结果相较于单机器学习模型的预测结果更加精确，但是大部分组合模型都是将第一次的预测结果投放到另一个模型当中进行二次预测，或者将两个模型的预测结果进行求和取平均值。类似这种的组合模型并没有将两种单机器模型进行真正的“融合”。

因此，针对提高瓦斯预测的精度问题，还存在改进的空间。

发明内容

本发明的主要目的在于提供一种至少部分解决上述技术问题的基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法。

为实现上述目的，本发明采取的技术方案为：

一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法，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。

进一步地，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。