[发明专利]一种基于LSTM算法的煤矿涌水量预测的方法和系统

权利要求书

1.一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于该方法通过以下步骤实现：

1)、分析筛选煤矿涌水相关因素构建煤矿涌水特征矩阵；

2)、对煤矿涌水特征矩阵进行数据处理，

包括特征矩阵变量相关性筛选和特征矩阵变量归一化处理；

3)、构建基于LSTM算法的煤矿涌水量预测模型，构建LSTM网络结构，进行预测模型的训练，所述LSTM网络结构具有记忆单元、输入门、遗忘门和输出门，其中，

LSTM输入门用于输入当前的因素指标数值，

LSTM遗忘门用于输入历史的因素指标参数；

4)、模型预测评估和模型使用，

将测试集的煤矿用水量标签的特征矩阵变量数据输入到训练好的模型中，将预测涌水量与实际值对比，验证该方法的预测的精度；达到预定精度后，模型用于新产生的没有标签的煤矿涌水因素特征矩阵进行涌水量预测。

2.根据权利要求1所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于所述煤矿涌水相关因素包括：含水层厚度、含水层渗透系数、含水层水压、含水层富水性、有效隔水层厚度、含水层上脆性岩厚度、含水层与有效隔水层的厚度比、岩心采取率、钻孔取芯率、导水裂隙带发育高度到充水含水层底界的距离和构造断裂。

3.根据权利要求2所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于所述煤矿涌水相关因素还包括大气降雨量、水位降深、日采空面积与采空区累计面积、日推采长度与总推进长度。

4.根据权利要求1或2或3所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于收集所述所述煤矿涌水相关因素，按时间顺序排序构建煤矿涌水特征矩阵。

5.根据权利要求1所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于所述特征矩阵变量相关性筛选，采用Pearson相关性分析来计算数据的线性相似度，以筛选出合适的特征变量：Pearson相关系数的绝对值越接近，两个变量之间的相关程度越高；Pearson相关系数越接近0，两个变量之间的相关程度越弱。

6.根据权利要求1所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于采用ReLU激活函数；损失函数采用均方误差函数；优化器为Adam优化算法；采用Dropout方法防止过拟合。

7.根据权利要求1或6所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于将煤矿历史的涌水特征矩阵和涌水量标签按7:3比例分为训练集和测试集，将训练集输入到模型中进行训练。

8.根据权利要求7所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于在训练过程中，当前隐藏层的状态由前一时刻的隐藏层状态以及当前时刻的输入而决定。

9.根据权利要求1所述的一种基于LSTM算法的煤矿涌水量预测的方法，其特征在于对于距离当前时间过长的数据，LSTM遗忘门选择性去除。

10.一种基于LSTM算法的煤矿涌水量预测系统，其特征在于包括数据采集模块、数据处理模块、模型训练模块和模型评估使用模块，

数据采集模块用于分析筛选煤矿涌水相关因素构建煤矿涌水特征矩阵；

数据处理模块用于对煤矿涌水特征矩阵进行数据处理，包括特征矩阵变量相关性筛选单元和特征矩阵变量归一化处理单元；

模型训练模块用于构建基于LSTM算法的煤矿涌水量预测模型，构建LSTM网络结构，进行预测模型的训练，所述LSTM网络结构具有记忆单元、输入门、遗忘门和输出门，其中，

LSTM输入门用于输入当前的因素指标数值，

LSTM遗忘门用于输入历史的因素指标参数；

模型评估使用模块用于将测试集的煤矿用水量标签的特征矩阵变量数据输入到训练好的模型中，将预测涌水量与实际值对比，验证该方法的预测的精度；达到预定精度后，模型用于新产生的没有标签的煤矿涌水因素特征矩阵进行涌水量预测。