R语言时间序列分析在瓦斯浓度预测中的应用研究
发布时间：2021-05-20 01:06
煤炭企业瓦斯事故的发生,不仅给正常的生产作业造成严重的影响,甚至还可能导致人员伤亡。目前,煤矿均配备了矿井安全监测监控系统,对瓦斯等气体信息进行实时监测,而对该平台获取的大量数据进行统计分析,能为预控瓦斯超限提供决策依据。本文在R语言环境下,研究ARIMA模型、TAR模型的相关理论知识及其构建过程,基于实测数据进行建模分析,并对两种模型的预测效果进行对比分析,主要研究工作包括如下几个方面:研究R语言环境下有关时间序列分析的理论知识及其模型构建方法,以工作面产生的具体数据为例,通过平稳性检验、差分化、确定模型参数、模型检验等一系列手段构建ARIMA预测模型,通过非线性检验、参数估计、拟合检验等步骤构建TAR瓦斯浓度预测模型,且两种模型均表现出较好的预测效果。基于陈家山煤矿427综采工作面监测到的上隅角瓦斯数据,分别选取出样本数据和测试数据,并进行模型应用分析。分别应用ARIMA模型和TAR模型对瓦斯浓度进行预测分析,得出预测值的范围分别落在0.14%～0.23%、0.127%～0.261%区间,属于实际值的分布区域范围内,变化趋势也基本与原始值基本吻合。对比分析两种模型的预测结果,发现T...
【文章来源】：西安科技大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 选题背景及研究意义
1.1.1 选题背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 监测数据处理及应用研究现状
1.2.2 瓦斯浓度预测方法研究现状
1.2.3 基于ARIMA模型的预测方法研究现状
1.2.4 基于TAR模型的预测方法研究现状
1.3 研究内容和技术路线
1.3.1 研究内容
1.3.2 技术路线
2 时间序列模型理论分析
2.1 时间序列基本理论
2.2 ARIMA模型
2.2.1 模型分类
2.2.2 ARIMA模型理论分析
2.3 TAR模型
2.3.1 模型介绍
2.3.2 TAR模型理论分析
2.4 本章小结
3 ARIMA预测模型构建
3.1 获取平稳时间序列
3.1.1 时间序列的平稳性判断
3.1.2 非平稳时间序列差分化
3.2 确定模型参数
3.3 检验模型是否成立
3.3.1 白噪声检验
3.3.2 正态性检验
3.4 模型预测
3.5 本章小结
4 TAR预测模型构建
4.1 非线性检验
4.2 TAR模型参数估计
4.2.1 确定模型阶数
4.2.2 确定延迟参数
4.3 模型拟合效果检验
4.4 模型预测
4.5 本章小结
5 预测模型实例应用分析
5.1 矿井概况
5.1.1 煤矿概述
5.1.2 综采工作面概述
5.1.3 工作面通风方式
5.1.4 工作面监测监控系统
5.2 数据预处理
5.2.1 获取被观测时间序列
5.2.2 绘图分析
5.2.3 异常值分析
5.3 ARIMA模型预测结果分析
5.4 TAR模型预测结果分析
5.5 ARIMA与TAR模型预测结果对比分析
5.5.1 预测步长对比
5.5.2 预测结果误差对比
5.6 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于ARMA模型的煤矿瓦斯灾害预测研究[J]. 黄元申,陈强,魏玮. 工业控制计算机. 2013(09)
[2]矿井瓦斯浓度自适应预测及其预警应用[J]. 董丁稳,刘洁,王红刚. 中国安全科学学报. 2013(05)
[3]工作面多变量瓦斯体积分数时间序列预测模型[J]. 董丁稳,李树刚,常心坦,林海飞. 采矿与安全工程学报. 2012(01)
[4]基于混沌理论和神经网络的瓦斯浓度预测研究术[J]. 赵金宪,于光华. 机电一体化. 2010 (02)
[5]时间序列数据挖掘在瓦斯监测中的应用[J]. 马强. 长治学院学报. 2009(02)
[6]On-line least squares support vector machine algorithm in gas prediction[J]. ZHAO Xiao-hu,WANG Gang,ZHAO Ke-ke,TAN De-jian School of Information & Electronic Engineering,China University of Mining & Technology,Xuzhou,Jiangsu 221008,China. Mining Science and Technology. 2009(02)
[7]基于门限自回归模型下物价指数时间序列分析[J]. 周敏,熊华. 应用概率统计. 2008(06)
[8]我国经济周期阶段性划分与经济增长走势分析[J]. 刘金全,郑挺国. 中国工业经济. 2008(01)
[9]Prediction of Gas Emission Based on Infor-mation Fusion and Chaotic Time Series[J]. GAO Li ,YU Hong-zhen College of Information and Electrical Engineering, China University of Mining & Technolog ,Xuzhou, Jiangsu 221008,China. Journal of China University of Mining & Technology（English Edition）. 2006(01)
[10]非线性时间序列分析STAR模型及其在经济学中的应用[J]. 王俊,孔令夷. 数量经济技术经济研究. 2006(01)
博士论文
[1]基于地质数据挖掘和信息融合的煤与瓦斯突出预测方法[D]. 梁跃强.中国矿业大学(北京) 2018
硕士论文
[1]基于时间序列分析的综采工作面瓦斯浓度预测研究[D]. 马彦龙.西安科技大学 2018
[2]基于门限自回归的国债期货跨品种套利策略研究[D]. 宋辰.上海外国语大学 2018
[3]门限自回归（TAR）模型及其在汇率波动问题中的研究[D]. 张亮.安徽工程大学 2012
[4]基于门限自回归的高新技术产业开发区生命周期评价模型及应用研究[D]. 王俊超.合肥工业大学 2010
[5]基于FIS的煤矿智能安检信息管理系统的研究[D]. 宋冬冬.河北农业大学 2008
本文编号：3196780
【文章来源】：西安科技大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 选题背景及研究意义
1.1.1 选题背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 监测数据处理及应用研究现状
1.2.2 瓦斯浓度预测方法研究现状
1.2.3 基于ARIMA模型的预测方法研究现状
1.2.4 基于TAR模型的预测方法研究现状
1.3 研究内容和技术路线
1.3.1 研究内容
1.3.2 技术路线
2 时间序列模型理论分析
2.1 时间序列基本理论
2.2 ARIMA模型
2.2.1 模型分类
2.2.2 ARIMA模型理论分析
2.3 TAR模型
2.3.1 模型介绍
2.3.2 TAR模型理论分析
2.4 本章小结
3 ARIMA预测模型构建
3.1 获取平稳时间序列
3.1.1 时间序列的平稳性判断
3.1.2 非平稳时间序列差分化
3.2 确定模型参数
3.3 检验模型是否成立
3.3.1 白噪声检验
3.3.2 正态性检验
3.4 模型预测
3.5 本章小结
4 TAR预测模型构建
4.1 非线性检验
4.2 TAR模型参数估计
4.2.1 确定模型阶数
4.2.2 确定延迟参数
4.3 模型拟合效果检验
4.4 模型预测
4.5 本章小结
5 预测模型实例应用分析
5.1 矿井概况
5.1.1 煤矿概述
5.1.2 综采工作面概述
5.1.3 工作面通风方式
5.1.4 工作面监测监控系统
5.2 数据预处理
5.2.1 获取被观测时间序列
5.2.2 绘图分析
5.2.3 异常值分析
5.3 ARIMA模型预测结果分析
5.4 TAR模型预测结果分析
5.5 ARIMA与TAR模型预测结果对比分析
5.5.1 预测步长对比
5.5.2 预测结果误差对比
5.6 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
附录
【参考文献】：
期刊论文
[1]基于ARMA模型的煤矿瓦斯灾害预测研究[J]. 黄元申,陈强,魏玮. 工业控制计算机. 2013(09)
[2]矿井瓦斯浓度自适应预测及其预警应用[J]. 董丁稳,刘洁,王红刚. 中国安全科学学报. 2013(05)
[3]工作面多变量瓦斯体积分数时间序列预测模型[J]. 董丁稳,李树刚,常心坦,林海飞. 采矿与安全工程学报. 2012(01)
[4]基于混沌理论和神经网络的瓦斯浓度预测研究术[J]. 赵金宪,于光华. 机电一体化. 2010 (02)
[5]时间序列数据挖掘在瓦斯监测中的应用[J]. 马强. 长治学院学报. 2009(02)
[6]On-line least squares support vector machine algorithm in gas prediction[J]. ZHAO Xiao-hu,WANG Gang,ZHAO Ke-ke,TAN De-jian School of Information & Electronic Engineering,China University of Mining & Technology,Xuzhou,Jiangsu 221008,China. Mining Science and Technology. 2009(02)
[7]基于门限自回归模型下物价指数时间序列分析[J]. 周敏,熊华. 应用概率统计. 2008(06)
[8]我国经济周期阶段性划分与经济增长走势分析[J]. 刘金全,郑挺国. 中国工业经济. 2008(01)
[9]Prediction of Gas Emission Based on Infor-mation Fusion and Chaotic Time Series[J]. GAO Li ,YU Hong-zhen College of Information and Electrical Engineering, China University of Mining & Technolog ,Xuzhou, Jiangsu 221008,China. Journal of China University of Mining & Technology（English Edition）. 2006(01)
[10]非线性时间序列分析STAR模型及其在经济学中的应用[J]. 王俊,孔令夷. 数量经济技术经济研究. 2006(01)
博士论文
[1]基于地质数据挖掘和信息融合的煤与瓦斯突出预测方法[D]. 梁跃强.中国矿业大学(北京) 2018
硕士论文
[1]基于时间序列分析的综采工作面瓦斯浓度预测研究[D]. 马彦龙.西安科技大学 2018
[2]基于门限自回归的国债期货跨品种套利策略研究[D]. 宋辰.上海外国语大学 2018
[3]门限自回归（TAR）模型及其在汇率波动问题中的研究[D]. 张亮.安徽工程大学 2012
[4]基于门限自回归的高新技术产业开发区生命周期评价模型及应用研究[D]. 王俊超.合肥工业大学 2010
[5]基于FIS的煤矿智能安检信息管理系统的研究[D]. 宋冬冬.河北农业大学 2008
本文编号：3196780
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3196780.html
