采空区煤低温氧化预测模型研究

CO是煤低温氧化预测的关键参数。基于采空区内的实测数据,采用遗传算法对支持向量回归模型进行参数寻优,建立煤低温氧化预测的模型;在保持测试集和训练集相同的情况下,建立了标准SVR模型、随机森林模型和神经网络模型,以MAE、MAPE与RMSE、R^(2)为指标,与GA-SVR模型的预测结果进行对比。结果表明:SVR、RF、BPNN和GA-SVR模型训练集预测结果的平均绝对百分误差为2.4814%、2.4917%、2.0852%和1.3683%;测试集的平均绝对百分误差为14.2920%、14.0555%、16.0402%和6.5266%,相应的拟合优度为0.7382、0.7562、0.6455和0.9345。GA-SVR模型的预测效果最好,说明GA-SVR模型具有更好的泛化性和鲁棒性。利用GA算法优化SVR模型参数能够提高预测精度和准确度。