基于瓦斯浓度时间序列的大数据预测

发布时间：2021-04-14 15:01

　　本文在煤矿安全监控系统产生的海量监控数据支撑之下,结合前辈研究的瓦斯浓度预测模型,将大数据技术应用到煤矿瓦斯浓度预测之中。论文主要包括以下研究成果:搭建了瓦斯浓度时间序列大数据存储系统。并通过分析煤矿安全监控系统网页结构以及瓦斯浓度数据结构,设计了用于采集瓦斯浓度时间序列大数据的网络爬虫,以及用于存储瓦斯浓度时间序列大数据的HBase表结构。并用之进行了瓦斯浓度大数据的采集与存储。在分析了采集到的瓦斯浓度时间序列大数据的特征之后,设计了使用大数据计算框架MapReduce进行瓦斯浓度短期预测的方案。MapReduce首先整理出每个监测点的瓦斯浓度时间序列,然后输出到reduce函数,并在其中使用时间序列预测模型ARIMA,进行瓦斯浓度预测。通过这种方式,可以得出每个监测点未来一天瓦斯浓度的最大值及变化趋势。以马尔科夫理论为基础,设计了使用MapReduce进行瓦斯浓度实时预测的方案。在以往关于瓦斯浓度预测的研究中,马尔科夫理论仅仅以辅助优化的角色存在。而本文将马尔科夫理论作为实时预测的主要预测模型。针对瓦斯浓度监测数据的有限状态取值空间,MapReduce计算瓦斯浓度数据的马尔科夫一步... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究新意与难点
    1.4 研究内容与方法
2 瓦斯浓度数据采集与存储
    2.1 HDFS搭建
    2.2 HBase搭建
    2.3 数据采集
    2.4 数据存储
    2.5 程序设计
    2.6 本章小结
3 瓦斯浓度短期预测
    3.1 MapReduce计算框架
    3.2 ARIMA模型简介
    3.3 短期预测
    3.4 结果分析
    3.5 本章小结
4 瓦斯浓度实时预测
    4.1 马尔科夫过程简介
    4.2 实时预测原理
    4.3 一步概率矩阵计算
    4.4 结果分析
    4.5 本章小结
5 瓦斯浓度危险性评价
    5.1 K-Means聚类简介
    5.2 超限危险性评价原理
    5.3 浓度超限概率聚类
    5.4 聚类结果分析
    5.5 本章小结
6 总结与展望
    6.1 主要研究成果
    6.2 问题与展望
附录
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]二次优化的灰色马尔科夫模型预测煤矿工作面瓦斯浓度[J]. 葛路军,庞叶青.  煤. 2017(11)
[2]基于Spark Streaming流回归的煤矿瓦斯浓度实时预测[J]. 吴海波,施式亮,念其锋.  中国安全生产科学技术. 2017(05)
[3]基于灰色-马尔科夫理论的煤矿瓦斯浓度预测[J]. 翟波.  城市地理. 2017(10)
[4]基于改进ABC-GRNN模型的煤矿瓦斯浓度预测研究[J]. 付华,刘汀,张胜强,丁冠西.  控制工程. 2017(04)
[5]智能化大数据安全监管及系统实现[J]. 陈天莹,陈剑锋.  通信技术. 2017(02)
[6]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响.  煤矿安全. 2016(11)
[7]基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法[J]. 付华,代巍.  传感技术学报. 2016(06)
[8]MapReduce大数据分析在煤矿的应用研究[J]. 刘玉海.  软件. 2016(05)
[9]基于EMD-LSSVM的瓦斯浓度动态预测模型[J]. 魏林,白天亮,付华,尹玉萍.  安全与环境学报. 2016(02)
[10]基于动态神经网络的瓦斯浓度实时预测方法[J]. 张昭昭,乔俊飞,余文.  控制工程. 2016(04)



本文编号：3137525