[发明专利]一种基于指标动态优选的瓦斯浓度组合预测方法

权利要求书

1.一种基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，包括：

获取影响未来瓦斯浓度的多元指标的历史监测数据；其中，所述指标包括瓦斯浓度；所述历史监测数据为自当前时刻起，往前预设时长内的监测数据；

基于获取的所述历史监测数据，分别计算各指标与瓦斯浓度指标的Spearman等级相关系数，并根据计算出的各指标所对应的Spearman等级相关系数对所述多元指标进行动态优选，得到优选指标；其中，所述优选指标包括瓦斯浓度，以及计算结果大于预设阈值的Spearman等级相关系数所对应的指标；

计算每一优选指标的特征矩阵；

将各优选指标的特征矩阵逐一输入预设的单指标预测模型，分别得到每一优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值；

将各优选指标对应的预测值输入预设的组合预测模型，得到最终预测值。

2.如权利要求1所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，在根据计算出的各指标所对应的Spearman等级相关系数对所述多元指标进行动态优选，得到优选指标时，若没有大于预设阈值的Spearman等级相关系数，则选取Spearman等级相关系数最大的前预设数量的指标作为优选指标。

3.如权利要求1所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，所述计算各指标与瓦斯浓度指标的Spearman等级相关系数，包括：

以待计算Spearman等级相关系数的指标作为当前指标；

基于所述历史监测数据，计算由瓦斯浓度的历史监测数据组成的瓦斯浓度指标的时间序列，以及由当前指标的历史监测数据组成的当前指标的时间序列；

计算当前指标的时间序列与瓦斯浓度指标的时间序列的Spearman等级相关系数，将计算结果作为当前指标与瓦斯浓度指标的Spearman等级相关系数。

4.如权利要求1所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，所述计算每一优选指标的特征矩阵，包括：

分别计算各优选指标对应的由指标自身的历史监测数据所组成的时间序列；

以待计算特征矩阵的优选指标作为当前指标；

计算得到当前指标的时间序列特征和空间拓扑特征；其中，当前指标的时间序列特征包括：当前指标在当前时刻的监测值以及一阶差分值，以及当前指标的时间序列的统计特征，其中，所述统计特征包括：时间序列的最大值、平均值、均方根值、方差、标准差、离散系数、峰值因子、偏度、峰度以及极差；当前指标的空间拓扑特征为：除当前指标之外的其余各指标的时间序列特征；

基于当前指标的时间序列特征和空间拓扑特征，得到其对应的特征矩阵。

5.如权利要求1所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，所述单指标预测模型为Bi-LSTM(Bi-directional Long Short-Term Memory，双向长短期记忆)模型。

6.如权利要求5所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，所述将各优选指标的特征矩阵逐一输入预设的单指标预测模型，分别得到每一优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值，包括：

采用离差标准化的方法，将各优选指标的特征矩阵分别映射到[0,1]之间，得到标准化后的特征矩阵；

将标准化后的各特征矩阵逐一输入所述单指标预测模型，之后将其输出结果输入3层DenseNet，通过特征在channel上的连接实现特征重用，在DenseNet层间采用激活函数RELU去线性化；设置Dropout层，以20％的概率将神经元从网络中丢弃，防止模型过拟合，采用密集连接与权值共享，滤除过程噪声和干扰信息，通过有监督方式学习不同特征输出预测值，最后通过反标准化得到相应优选指标所对应的当前时刻之后预设时间段内的瓦斯浓度最大值的预测值。

7.如权利要求1所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，所述组合预测模型为LSTM(Long short-term memory，长短期记忆)模型。

8.如权利要求7所述的基于指标动态优选的瓦斯浓度组合预测方法，其特征在于，所述将各优选指标对应的预测值输入预设的组合预测模型，得到最终预测值，包括：

对各优选指标对应的预测值进行标准化，得到标准化后的预测值；

将标准化后的各预测值依次输入2层LSTM，设置Dropout层，以20％的概率将神经元从网络中丢弃，防止模型过拟合，采用DenseNet层密集连接与权值共享，最后通过反标准化得到当前时刻之后预设时间段内的瓦斯浓度最终预测值；

若最终预测值大于设定的瓦斯浓度临界值，则表示在当前时刻之后的预设时长内，瓦斯浓度存在超限可能；否则，表示瓦斯浓度不存在超限可能。