基于CEEMD_GRU模型的矿井涌水量预测

为了提高矿井涌水量的预测精度,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与门控循环单元(gated recurrent unit,GRU)相结合的矿井涌水量预测模型(CEEMD_GRU).首先,通过CEEMD算法将一维涌水量数据分解为多个本征模态函数(intrinsic mode function,IMF)分量和一个残差余量,本征模态函数分量反映涌水量数据在不同时间尺度的波动特征,残差余量反映数据长期变化的趋势特征;然后,针对各分量分别建立GRU神经网络模型,将对一维数据的研究转换为对其分解后多维子分量的研究,训练学习各分量的时序变化规律并进行预测;最后,将预测结果融合得到最终涌水量预测值.将CEEMD_GRU与反向传播(back propagation,BP)、支持向量机(support vector machine,SVM)、GRU神经网络进行了对比实验,结果表明,基于CEEMD_GRU的均方根误差平均降低了60.8%,该研究为进一步提高矿井涌水量预测精度提供了思路.

基于EMD和时序注意力机制的明渠流量预测模型

为了预防煤矿水害事故的发生,本文提出将经验模态分解(EMD)算法与时序注意力机制(TA-LSTM)结合的明渠流量预测模型,通过对明渠流量的实时预测来反映矿井涌水量的变化情况。模型首先通过EMD将明渠流量分解为多维子分量,充分提取明渠流量本身的波动特征和趋势特征;然后以长短时记忆网络(LSTM)为基础,融入注意力机制增强历史时间点对当前时刻的信息表达,构造时序注意力机制模型;最后通过该模型分别训练学习EMD分解后各分量的时序规律并进行预测,将各分量预测结果融合得到最终的明渠流量预测值。将此模型与现有其他模型进行了对比实验,其均方根误差和平均绝对百分比误差均小于其他模型。该研究为进一步预测矿井明渠流量提供了有效依据。