[发明专利]一种基于长短时记忆神经网络的煤矿突水预测方法

权利要求书

1.一种基于长短时记忆神经网络的煤矿突水预测方法，其特征在于，包括如下步骤：

步骤一，获取矿区的原始数据，原始数据包含p维的突水特征以及与每个突水特征一一对应的1维的实际突水结果，再对原始数据进行预处理，预处理时，从p维的突水特征中选取跟突水相关的n维突水特征，其中，n≤p，再将n维的突水特征及每个突水特征对应的1维的实际突水结果集合组成样本集合，然后对样本集合进行分组，再将分组后的样本集合划分为训练集和测试集；

步骤二，构建基于长短时记忆神经网络的突水预测模型，并通过步骤一得到的训练集对突水预测模型进行训练；

步骤三，待突水预测模型训练完成后，用测试集测试模型的预测准确率，在实际预测时，向突水预测模型输入一条或多条n维的突水特征，得到一条或多条1维的预测结果，预测结果为突水或不突水；

所述步骤一中，对原始数据进行预处理过程如下：

步骤1.1，将原始数据中所有的突水特征组成一个p维的突水特征集合，将原始数据中所有的实际突水结果组成一个1维的实际突水结果集合；

步骤1.2：从p维的突水特征集合中删除第i个维度，其中，i＝1，2，...或p；将其余p-1个维度作为特征子集Mi，其中，i＝1，2，...或p；对p维的突水特征集合重复删除维度，每次删除的维度不同，则得到特征子集M1，M2，...和Mp；将p维的突水特征集合记为特征子集M0，将M0，M1，M2，...和Mp分别和对应的实际突水结果集合组成样本子集S0，S1，S2，...，Sp；对于样本子集S0，S1，S2，...和Sp，分别采用十折交叉验证方法计算BP神经网络模型对于该样本子集的平均误差，将S0，S1，S2，...和Sp对应的平均误差分别记为X0，X1，X2，...和Xp；

步骤1.3，分别比较X1，X2，...和Xp与X0的差距，当X1，X2，...和Xp中任意一个平均误差Xi与X0相差小于预设值m时，则认为单独删除第i维特征后，不影响整体误差，则将第i维数据视为冗余特征；

若不存在冗余特征，则执行步骤1.4；

若只存在1维冗余特征，则直接将该维特征从突水特征集合中剔除，接着执行步骤1.4；

若存在多维冗余特征，则从p维突水特征集合中删除最先得到的冗余特征，得到p-1维突水特征集合，将得到的p-1维特征集合作为下一轮循环的突水特征集合，令p＝p-1，重复执行步骤1.2和步骤1.3；

步骤1.4：将不存在冗余特征的n维的突水特征及每个突水特征对应的1维的实际突水结果集合组成样本集合，然后根据不同回采点和时间段对样本集合进行分组，再将分组后的样本集合划分为训练集和测试集，训练集与测试集互不相交。

2.根据权利要求1所述的煤矿突水预测方法，其特征在于，m的取值范围为1％～5％。

3.根据权利要求1所述的煤矿突水预测方法，其特征在于，所述步骤二中，基于长短时记忆神经网络的突水预测模型包括输入层、隐藏层和输出层，其中：

输入层：通过该层每次向突水预测模型中输入训练集中的一组样本数据中的突水特征；

隐藏层：隐藏层包含一个LSTM单元，LSTM单元的输入输出为隐藏层的输入输出；隐藏层的输入为一个n维向量和一个2维向量，n维向量来自于输入层，2维向量来自于上一时刻的隐藏层的输出；隐藏层有两个方向的输出，一个是给输出层的2维向量，另一个是给下一时刻隐藏层的2维向量；

输出层：输出层的输入为来自隐藏层的2维向量，对隐藏层学习的结果向量进行分类，输出为1维突水结果，通过将输出的突水结果与该样本数据中的实际突水结果相比较，计算误差。

4.根据权利要求3所述的煤矿突水预测方法，其特征在于，LSTM单元包括遗忘门、输入门、输出门和单元状态c，t表示当前时刻，t-1表示上一时刻，遗忘门和输入门控制单元状态c；遗忘门决定上一时刻的单元状态c_t-1有多少保留到当前时刻的单元状态c_t；输入门决定了当前时刻的输入x_t有多少保存到当前时刻的单元状态c_t；输出门来控制单元状态c_t有多少输出到当前时刻的输出h_t。