基于神经网络的煤矿事故数量预测研究

发布时间：2022-02-22 12:43

　　煤矿事故的预测可以有效地为煤矿事故预防提供支持。为研究煤矿事故数量的发生规律,以2000—2018年发生的事故数量为样本,采用每3年数据预测下一年数据的方式构建数据组,共得到16组数据。将16组数据分为训练组和测试组,引入基于遗传算法改进的BP神经网络（GA-BP）和小波神经网络分别建立预测模型,并对2种方法预测的结果进行分析。结果表明,GA-BP神经网络对煤矿事故的预测值更接近实际数值。因此,采用GA-BP构建的预测模型对2019年和2020年煤矿事故数量进行预测,分别为199起和176起。 

【文章来源】：煤炭与化工. 2020,43(09)

【文章页数】：5 页

【部分图文】：

小波神经网络拓扑结构

相对误差和均方误差被用来判断网络预测的效果，相对误差计算方法为预测值减去实际的绝对值与实际值的比值；均方误差（Mean Squared Error,MSE）是指预测值与实际值之差平方的期望值。相对误差与均方误差越小说明建立的预测模型精度越高，模型越能反应实际情况。由表2可知，除2018年采用GA-BP预测的相对误差大于小波神经网络外，采用GA-BP预测其它两年数值的相对误差和MSE数值均小于小波神经网络，GA-BP与小波神经网络预测相对误差的平均值分别为1.83%和3.67%。图3为实际值与GA-BP神经网络预测值和小波神经网路预测值的曲线对比图。由图3可知，小波神经网络整体拟合优于GA-BP神经网络，但GA-BP神经网络对于所选择测试样本预测更接近于实际值。小波神经网络更适用于样本内预测，因此采用GA-BP神经网络对样本外的数据进行预测。本文采用的是滚动输入法来进行预测，在短期内的预测相对准确，所以仅对2019年和2020年发生的煤矿事故进行预测。GA-BP神经网络预测2019年和2020年的煤矿事故数量分别是199起和176起。

预测值与真实值

【参考文献】：
期刊论文
[1]基于神经网络的除尘器故障诊断[J]. 张力,李江生,李建龙,陈怡潇.  矿业安全与环保. 2020(01)
[2]基于小波神经网络的PM2.5浓度预测模型[J]. 章雅楠,孙建平.  电力科学与工程. 2020(01)
[3]2000—2017年我国煤矿重特大水灾事故规律分析[J]. 吴金刚,毛俊睿,柴沛.  煤矿安全. 2019(10)
[4]基于TimeSeries-Markov模型的煤矿瓦斯事故起数预测[J]. 王玉丽,袁梅,李闯,许石青,杨萌萌,徐林.  中国矿业. 2017(12)
[5]基于GMM模型的煤矿顶板事故致死人数预测[J]. 李闯,袁梅,王玉丽,许石青,杨萌萌.  工业安全与环保. 2017(08)
[6]基于改进无偏灰色马尔科夫模型的煤矿事故死亡人数预测[J]. 栗婧,宋天宝,王亚然.  煤炭技术. 2017(08)
[7]煤矿事故预测的马尔可夫SCGM（1,1）c模型的建立与应用[J]. 兰建义,乔美英,周英.  安全与环境学报. 2016(05)
[8]基于无偏灰色马尔科夫模型的煤矿事故死亡人数预测[J]. 李红霞,车丹丹,李琰.  煤矿安全. 2016(01)
[9]我国煤矿事故死亡人数组合预测及行业比较[J]. 李贤功,万猛,周晶,樊坤坤.  矿业安全与环保. 2015(04)
[10]煤矿事故预测的指数平滑-BP神经网络混合模型研究[J]. 武晓旭,龚孔成,贾明涛.  中国安全生产科学技术. 2014(09)



本文编号：3639466