[发明专利]一种基于小波变换和ARMA-SVM的涌水量预测方法

说明书

技术领域:

本发明属于矿床水文地质勘探技术领域，涉及一种涌水量预测方法，特别 是一种基于小波变换和自回归移动平均模型-支持向量机(ARMA-SVM)的涌水 量预测方法。

背景技术：

矿井涌水量是单位时间内涌入矿坑(包括井、巷和开采系统)的水量，它 是确定矿床水文地质条件复杂程度及矿井建设和合理开发的重要指标，也是矿 井生产部门制定采掘方式，确定满足所需排水能力且经济的排水设施的主要依 据，对矿井防治水工作具有十分重要的意义。矿井涌水量的预测是一项比较复 杂和困难的工作，目前矿井涌水量预测常用方法大致分为两大类：第一类为确 定性的数学模型方法，包括水均衡法、解析法和数值法等，第二类为统计分析 方法，包括水文地质比拟法、相关分析法、时间序列分析法、神经网络方法、 支持向量机法和灰色系统法等。确定性的数学模型方法要求获得足够多的水文 地质勘探数据，准确概化边界条件，难以准确建模或准确建模的地质勘探成本 过高；统计分析方法则受到实测资料累计程度和推广性差等条件的限制。

统计分析方法中的时间序列方法着重研究具有随机性的动态数据，从频域 和时域的角度对矿山涌水量时间序列的变化规律进行定量分析；对于那些已建 成、影响因素难以确定或量化，且随后的采掘活动对其涌水量基本无影响的井 巷系统，可将其历史观测台账数据看成时间序列，该涌水系统的涌水量历史观 测值就是该“涌水系统”在不同时间、不同条件下的响应值，是该系统历史行为的 客观记录，因而包含了该系统结构特征及运行规律，可以通过对该系统历史时 间序列的分析研究来认识它的结构特征，如波动的周期、振幅、趋势，揭示其 运行规律，进而用以预测。对于稳定的时间序列，用自回归移动平均(ARMA) 模型预测效果较好，但是在实践中遇到的涌水量时间序列一般是各种因素交织 在一起的结果，大多是一个非平稳的时间序列；目前对于非平稳时间序列的预 测，一般采用差分自回归移动平均(ARIMA)模型进行分析与预测，其基本思 想是用差分消除序列中的趋势项和周期项，而对平稳项用ARMA模型进行分析 与预测，这种方法最大的缺点是其结果丢掉了最重要的信息即趋势项和周期项， 对预测精度产生不利影响；对于非平稳涌水量时间序列预测，为了提高预测精 度，除了模型的选择外，关键取决于如何提取时间序列中的低频和高频成分并 进行建模，以及如何避免对高频信息的过拟合。现有技术中尚未见有对矿井涌 水量非平稳时间序列预测方法的公开，《电网技术》第34卷第一期《基于小波 分解和最小二乘支持向量机的短期风速预测》文章中写道，利用二进小波分解 与重构和支持向量机建模能提高对风速预测的准确性，但该文章的描述仅仅针 对发电领域风速预测，无法适用于矿井涌水量预测方法的改善。

发明内容：

本发明的目的在于克服现有涌水量预测技术中存在的缺陷，寻求提供一种 涌水量预测方法，为了解决涌水量非平稳时间序列的预测问题，考虑到二进正 交小波分解对非平稳性时间序列的适应性，对低频的分离作用及支持向量机较 好的泛化能力，提供一种基于小波变换和ARMA-SVM的涌水量预测方法，以 提高预测精度。

为了实现上述目的，本发明的涌水量预测技术方案包括以下步骤：

(1)获取涌水量原始时间序列：收集矿井确定时间段内观测记录的涌水量 台账资料并进行分析，确定可靠的数据和必须剔除的数据；

(2)选取样本：选取时间序列的前n个观测样本数据作为建模样本，后 m-n个观测样本数据作为检验样本，n为随机选取的建模样本个数，m为样本总 数；

(3)二进小波分解与重构：对建模样本的原始时间序列进行二进小波分解 与重构，提取原始时间序列中的高频信息和低频信息；二进小波分解与重构采 用马拉特(Mallat)算法，包括如下步骤：

①信号分解，将c₀作为待分解的离散信号，则有：

c_j+1＝Hc_j,d_j+1＝Gc_j   (j＝0,1,…,J)；