[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

说明书

本发明公开一种基于长短时记忆神经网络的煤矿突水预测方法，的煤矿突水预测该方法将长短时记忆神经网络引入煤矿突水预测中，首先采用基于封装式(Wrapper)评价策略的特征选择方法，对数据做预处理，提取特征数据，去除冗余特征对后续预测算法的影响；通过MSRA初始化方法，将权重矩阵初始化为均值为0，方差为2/(输入个数)的一种高斯分布，使预测方法拥有更合理的初始化权重，提高方法收敛速度；采用LSTM方法学习动态突水数据的变化规律，及该规律对突水的影响，且学习过程中使用Dropout技术防止方法过拟合；随着迭代次数的增加，预测方法的权重矩阵不断被更新，从而提高了预测方法的精度、稳定性及鲁棒性。

技术领域

本发明涉及煤矿突水预测技术领域，具体是一种基于长短时记忆神经网络的煤矿突水预测方法。

背景技术

煤矿突水预测，主要是通过研究突水机理，并对以往发生的突水事故进行分析，归纳出诱发突水事故的危险因素和主要环节，分析出最容易引起水害的诱因，确定一套适合解决突水问题的指标体系，并对突水事故的风险采用一种深度学习方法进行识别、分析、评价、判断，依据历史突水事故的数据确定突水危险的等级。

已有突水预测方法包括反向传播神经网络(BPNN)、支持向量机(SVM)等。BPNN通过在网络结构中反向传播误差的方法修正权重矩阵，从而达到学习突水数据特征，预测突水情况；SVM通过将突水数据映射到高位空间中，构造分类超平面，学习特征，预测突水情况，其能够较好的解决小样本、高维数、非线性问题，并且可以有效避开局部极小点，速度快且准确率高。

在解决实际突水问题时，BPNN方法存在收敛速度慢和目标函数存在局部极小点的问题,会影响预测精度；SVM在训练样本数据较大时，需要耗费大量的机器内存和运算时间，且不适合解决多分类问题。在采动等外因的作用下，某一回采点影响突水的因素会随时间不断变化，BPNN、SVM均无法学习动态突水数据的对突水预测的影响。

发明内容

为了解决传统突水预测方法无法学习动态突水数据的问题，本发明提出了一种基于长短时记忆神经网络的煤矿突水预测方法，该方法将长短时记忆神经网络(LSTMs)引入突水预测中，基于LSTMs能够较好的处理时间序列数据、学习动态突水特征、有效地处理变长数据和过滤噪声数据，在预测精度及稳定性方面均优于BPNN方法、SVM方法。

本发明所采用的技术方案是：

一种基于长短时记忆神经网络的煤矿突水预测方法，包括如下步骤：

步骤一，从矿区采集原始数据，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，再对从矿区采集的原始数据进行预处理，预处理时，对原始数据进行特征选择，即从p维的突水特征中选出跟突水息息相关的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维的实际突水结果作为样本集合，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LSTM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，可以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，将从矿区采集的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；