基于Python的瓦斯浓度ARIMA预测模型构建及其应用

发布时间：2022-01-10 04:27

　　针对矿井瓦斯浓度预测研究现状,提出一种基于Python的瓦斯浓度时间序列预测方法。该方法采集、处理了矿井瓦斯浓度历史数据,形成适用于数据挖掘的平稳时间序列;基于该序列,调用Python自带的ARIMA模块函数,构建瓦斯浓度预测模型;利用建立的预测模型对瓦斯浓度进行预测,并对比分析瓦斯浓度历史数据与预测数据的误差大小,进行模型预测效果评价;最后,利用满足精度要求的预测模型,预测瓦斯浓度变化趋势。以贵州某矿为例,采集2018年3月5日至2018年3月7日的瓦斯数据作为样本数据,并调用Python的ARIMA模块建立预测模型,开展瓦斯浓度预测研究。结果表明,该方法实现了瓦斯浓度预测的可视化,并使瓦斯浓度预测均方根误差低为234%,预测精度较高,可为降低矿井瓦斯事故提供一定的技术支撑。 

【文章来源】：华北科技学院学报. 2020,17(02)

【文章页数】：7 页

【部分图文】：

Python工具包示意图

由表1得，1%的Critical value值远大于Test Statistic值，由此表明，在99%的置信度下处理后的序列稳定，满足ARIMA预测的基本要求。图3 瓦斯浓度平稳处理效果图

图2 瓦斯浓度原始监测数据图当瓦斯浓度时间序列变为平稳序列后，就需利用自相关图与偏自相关图确定参数p、q。图4、图5分别为瓦斯浓度时间序列的自相关图与偏自相关图，其中，置信区间为上下灰色虚线之间的区域。通过观察ACF、PACF第一次穿过上置信区间的横坐标值，p取1,q取1。

【参考文献】：
期刊论文
[1]基于云计算的煤矿瓦斯浓度短期预测[J]. 刘晓悦,刘婉晴,郭强.  控制工程. 2018(08)
[2]基于混沌时间序列的煤矿工作面瓦斯浓度预测研究[J]. 赵亮.  煤矿机械. 2017(07)
[3]基于改进BP神经网络的矿井瓦斯浓度预测算法[J]. 姚青华,邱本花.  煤炭技术. 2017(05)
[4]我国煤矿深部开采现状及灾害防治分析[J]. 蓝航,陈东科,毛德兵.  煤炭科学技术. 2016(01)
[5]基于马尔科夫残差修正的瓦斯浓度预测[J]. 韩婷婷,吴世跃,王鹏军.  工矿自动化. 2014(03)
[6]基于耦合算法的煤矿瓦斯涌出量预测模型研究[J]. 付华,姜伟,单欣欣.  煤炭学报. 2012(04)
[7]近10年我国煤矿瓦斯灾害事故规律研究[J]. 李润求,施式亮,念其锋,蒋敏.  中国安全科学学报. 2011(09)
[8]基于灰色自记忆原理的煤矿瓦斯浓度预测[J]. 黄东,谢学斌,黄晓阳,王伟.  科技导报. 2010(17)
[9]基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真[J]. 姜雷.  矿业安全与环保. 2010(04)

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



本文编号：3580051