[发明专利]一种用于典型事件预测预报的多征兆增信方法

权利要求书

1.一种用于典型事件预测预报的多征兆增信方法，其特征在于，包括以下步骤：

(1)设该典型事件为E，根据事件E的发生机理和相关领域特征，利用大数据分析方法发现与其有关的影响因素集合，S＝{s₁,s₂,…}；

(2)设S中每个影响因素对事件E的支持度集合P＝{p₁,p₂,…}，0＜p_i≤1,i＝1,2,…；

(3)设S中每个影响因素的显现程度为Q＝{q₁,q₂,…}，0≤q_i≤1,i＝1,2,…，若q_i＝0说明s_i无显现，若q_i＝1说明s_i已充分显现；

当煤矿的煤与瓦斯突出事件作为需预测的典型事件E，则有：E＝{煤与瓦斯突出}；其影响因素包括煤层厚度h，煤的硬度系数f，最大方向地应力σ，瓦斯含量x，瓦斯压力p，因此构建S＝{s1,s2,…,s5}＝{煤层厚度h，煤的硬度系数f，最大方向地应力σ，瓦斯含量x，瓦斯压力p}；

以上影响因素对事件E发生的显现程度取值为：

q₁＝min{h/10,1}

q₂＝1-min{f/3,1}

q₃＝min{σ/20,1}

q₄＝min{x/10,1}

q₅＝min{p/2,1}

(4)根据事件E的发生机理、相关领域特征和对事件E精确预测的难易程度，构建预测事件E发生概率F的计算模型：F＝F(s₁,p₁,q₁,s₂,p₂,q₂,…)；

(5)根据监测到的各种影响因素的显现程度Q＝{q₁,q₂,…}计算典型事件E发生的概率，从而给出事件E预测预报结果；

根据监测到的各种前兆因素显现程度进行典型事件发生概率的预测，从而给出预测预报结果，而且随着新的影响因素被发现，随时将新现象的显现程度加入到预测模型中，以提高预测结果的可信度；

F的构建过程如下：

(1)逐步计算支持度P₁,P₂,…,P_n

P₁＝p₁

P₂＝P₁+p₂-P₁×p₂

……

P_n＝P_n-1+p_n-P_n-1×p_n

对于上述递推公式，显然有结论：若p₁＝1,p₂＝1,…，则P₁＝1,P₂＝1,…；

(2)计算事件E的发生概率F_n

当n＝1时，取

F₁＝P₁×q₁；

否则，取

F₁＝q₁

执行后继计算：

F₂＝P₁×F₁+p₂×q₂+(1-P₁-p₂)×F₁×q₂

…

F_n＝P_n-1×F_n-1+p_n×q_n+(1-P_n-1-p_n)×F_n-1×q_n

由

F_n＝P_n-1×F_n-1+p_n×q_n+(1-P_n-1-p_n)×F_n-1×q_n

＝P_n-1×F_n-1+p_n×q_n+(1-P_n-1)×F_n-1×q_n-p_n×F_n-1×q_n

＝P_n-1×F_n-1+(1-P_n-1)×F_n-1×q_n+(1-F_n-1)×p_n×q_n

≥P_n-1×F_n-1

可以得出上式只有在P_n-1＝1，F_n-1＝1时，等式才成立，并且满足构建F所要求满足的技术特征；

其中， 要求F需满足下列技术特征：

①.事件E的发生概率F1时，每增加一种显现程度大于0的影响因素，事件E的发生概率F严格增大；

②.事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的支持度p_i正相关；

③.事件E的发生概率F增大程度与新增加影响因素的s_i对事件E的显现程度q_i正相关；

④.当出现影响因素s_i，同时满足其对事件E的支持度p_i＝1，对事件E的显现程度q_i＝1时，事件E的发生概率F＝1；

⑤.事件E的发生概率F需体现每种影响因素对事件E的支持度对预测结果的影响；当某种影响因素的支持度不易确定时，取值为1。

2.如权利要求1所述的一种用于典型事件预测预报的多征兆增信方法，其特征在于，步骤(4)中事件E的发生概率F为一个取值范围为[0,1]的实数。