基于HP滤波与ARMA模型的生产安全事故时序预测

为了研究月度生产安全事故变化规律并进行预测,采用Hodrick-Prescott滤波将事故序列分解为长期稳定趋势和短期波动两部分。对长期事故序列进行了平稳性检验,建立了线性回归预测模型。通过比较不同形式模型变量的显著性,建立了反映事故短期波动的自回归移动平均模型,短期预测值用于修正长期趋势预测值。结果表明,事故序列在长期上符合线性回归模型;事故短期波动预测ARMA(4,6)模型显示,事故波动变量与前1、2、4期存在自相关特征。     

基于Mallat算法与ARMA模型的露天矿卡车故障率预测

为提高露天矿山运输卡车故障率预测精度、降低因非平稳时间序列数据造成的精度损失及有效解决模型参数估计困难等问题,提出一种基于小波分析与自回归滑动平均模型(ARMA)的露天矿山卡车故障率预测方法。首先,根据矿山时间序列数据的非平稳特征,采用Mallat算法分频处理原始数据,将原始的时间序列分解为一组近似系数和多组细节系数;然后,采用ARMA模型拟合与预测单支重构后的小波系数;其次,引入模型的相关变量,将ARMA模型的参数估计问题转化为带有相关变量的多维高斯分布参数估计问题;最后,通过计算模型中的典型相关变量实现ARMA模型的定阶与参数估计并与其他算法模型进行对比。结果表明:采用此法预测测试集数据,绝对误差的平均值为0. 322,相对误差的平均值为5. 49%;这说明此种组合模型具有更高的拟合精度,应用该模型进行卡车故障率预测是可行且有效的。     

基于Spark Streaming流回归的煤矿瓦斯浓度实时预测

为了实时分析瓦斯监测流数据并对瓦斯浓度进行准确预测以实现瓦斯灾害实时预警,以实时流数据处理框架Spark Streaming构建基于流回归的瓦斯浓度实时预测系统。系统采用分布式流处理技术,可使基于回归算法的瓦斯浓度预测模型更新周期达到秒级,提高了瓦斯浓度预测精度,满足流式大数据处理的实时性要求。实验表明:应用Spark Streaming流回归预测系统在采样周期为5 s的瓦斯监测数据流上进行实时预测时,预测平均均方根误差随模型更新周期的缩短而减小,模型更新周期可达15 s,且更新周期为45 s时预测总均方根误差最小,既能保证预测精度,又能提高瓦斯灾害预警时效。     

页岩气压裂井下工况多步预测方法研究

为实现页岩气压裂井下工况预测,及时预控异常工况,基于粒子滤波(PF)算法与自回归滑动平均(ARMA)模型,提出优化的局部加权线性回归(LWLR)模型的方法。该方法以ARMA模型与PF算法构建PF_ARMA模型,并用该模型预测井口压力的变化,再将预测效果作为优化LWLR模型参数的依据,得到最优压力参数的LWLR模型,最后以某段页岩气压裂压力数据为例,比较优化的LWLR模型与传统模型的预测结果。结果表明:优化的LWLR模型预测精度有所提高,并且更能准确描述数据的变化趋势及幅度。     

基于粗糙集和支持向量机的航班运行风险预测

为提高航班运行风险预测精确度,参照民航局咨询通告《航空承运人运行控制风险管控系统实施指南》,首先分析山东航空航班控制工作流程,初步筛选出15个航班运行风险评估指标项;然后精选100个航班历史数据,根据粗糙集理论,结合遗传算法和Johnson算法约简评估项,获取8个核心指标;最后,利用支持向量机(SVM)算法建立风险预测模型,并用Matlab进行仿真。结果表明:对于高中低3类风险等级,用该方法所得样本分类正确率可达82.22%,该方法可用于航班运行风险的评估和分级。     

数模融合驱动的集输管道内腐蚀预测

为提升天然气集输管道内壁腐蚀深度预测精度,基于腐蚀机理模型与高斯过程回归(GPR)建立了数模融合驱动的管道内腐蚀深度预测模型。将GPR引入管道内壁腐蚀深度预测中,首先根据腐蚀深度物理模型得到线性腐蚀增量模型,并将其融入高斯过程线性核函数中;然后进一步将平方指数核函数融合至上述核函数中,提高模型局部学习能力,构建用于腐蚀深度预测的Velázquez-GP模型;最后以重庆气矿天高线B段管道内壁腐蚀监测数据为研究对象,探讨了Velázquez-GP与Velázquez模型、GPR法、GM(1, 1)法及RPGM(1, 1)法预测结果的差异。结果表明,Velázquez-GP的预测结果与实际值吻合情况最优,相对误差分布在-8%～8%,且持续20个月相对误差介于-2%～2%,均方根误差(E_RMS)为3.824 3μm,平均绝对百分比误差(E_MAP)为2.046 7%,各项评价指标均优于4种对比方法,证明了所建预测模型具有更高的预测精度及泛化能力,可有效并长期实现对管道内壁腐蚀深度的预测。     

凝析气田集输管线腐蚀预测研究

为提高凝析气田集输管线腐蚀速率的预测精度,基于灰色关联分析(GRA)法,融合随机森林回归(RFR)算法,建立内腐蚀速率预测模型,分析气田集输管线内腐蚀原因;采用GRA优选特征因素变量作为RFR的输入,以内腐蚀率作为目标因素输出,并以雅克拉凝析气田数据为例,对比验证构建的RFR预测模型、反向传播(BP)神经网络和支持向量机(SVM)预测模型。结果表明:通过GRA排序得到管线内腐蚀的主要因素有:CO2体积分数、Cl-质量浓度、压力、温度、流速。同时RFR预测模型的均方根误差、平均相对误差均低于对比模型相应值,且决定系数达到96. 48%。     

基于多算法协作的航班运行风险辨识研究

针对使用单一算法难以大幅提升航班运行风险辨识精度的问题,首先详细分析航班运行工作流程,筛选出重要评估指标15项,精选X航100个航班案例作为数据样本,使用粗糙集理论约简得到9个风险核心指标;然后选用支持向量机(SVM)和神经网络2种机器学习方法,分别建立风险辨识模型计算风险等级,并将其与基于模糊算法的X航风控系统运算结果对比;进而,依据各算法优缺点,构建多算法协作模型;最后使用G航和N航日运行数据检验模型有效性。结果表明:神经网络方法对低风险分辨效果最好;SVM对中高风险辨识能力最强;用所构建的多算法协作模型计算结果的正确率最高可达95%。     

集成PCA和LSTM神经网络的浸润线预测方法

为预防尾矿库溃坝事故,挖掘尾矿库在线监测系统的有效信息,提高浸润线预测精度,构建基于主成分分析(PCA)和长短期记忆(LSTM)神经网络的浸润线预测模型;以陈坑尾矿库为例,引入皮尔森(Pearson)相关系数和变量组合法,确定模型输入为预测前3天的待测点浸润线位置、相邻周边2点浸润线位置、库水位、坝体纵向位移和降雨量等18个特征量;利用PCA消除输入变量间的数据冗余,并采用LSTM神经网络预测未来3天的浸润线位置。结果表明:基于PCA和LSTM神经网络的浸润线预测方法具有较高的预测精度,平均绝对误差为0. 011,决策系数为0. 805,且能实现不同降雨工况下尾矿库浸润线的稳定预测。     

边坡变形时序非线性判定及混沌预测研究

以探讨边坡变形性质及混沌预测可行性为目的,基于混沌理论利用相空间重构技术对其变形时间序列进行混沌特征判定,试验显示变形系统具有混沌特性,可用混沌相关理论进行研究;基于混沌相空间重构技术,笔者构建了多种混沌预测模型进行混沌预计研究,分析各类模型的工程实际应用效果;针对单次监测时序预测精度较低的问题,提出累加时序预测方案,训练结果显示,短期预测精度变形累计值基本控制在5%以内,高程值预测相对误差均低于1%,预测精度较高,可以用于工程实际。     

一种基于Logistic回归的全损飞行事故分析与预测

运用Logistic回归方法分析全损飞行事故的影响因素,并构建预测模型,然后利用飞行事故案例进行了实证检验。通过对样本数据过离散、空单元、多元共线性和特异值、特殊影响案例的诊断,以及对模型的拟合程度和预测效果的检验,表明所构建的模型比较符合现实情况,而且具有较好的拟合程度和预测效果。模型指出航班类型和机龄因素具有统计学意义,国内航班比国际航班的全损概率要高;机龄越老,全损概率越高。     

基于人工神经网络的机场鸟击风险预测

鸟击是影响民航机场运行安全的重要因素之一。为研究鸟类活动特征并预测其活动所造成的风险,基于某机场长期鸟类活动调研数据分析了鸟类活动与鸟击风险的关系,得到了4类12项对机场鸟击影响最紧密的风险因素。将上述因素作为输入向量,以鸟击风险作为输出变量,通过人工神经网络法(ANN)建立了机场鸟击风险预测模型,以长期鸟类活动风险记录作为数据库来训练和验证ANN模型的准确性,为提高预测的可靠性,又进行了模型优化和机场实地验证。结果表明,建立合理的ANN模型并利用长期鸟类活动数据加以训练,可有效预测机场鸟击风险。选择合理的输入变量可提高分析速度和预测精度,不仅有助于ANN模型的优化,还可以扩大ANN模型的应用领域以适应不同机场的鸟类活动特征,做出更合理的鸟击风险预测,为机场运行保障提供有力的技术支持。综合考虑"鸟""机""环""管"等因素建立的飞行区鸟击风险预测模型表明,飞行速度(V)对鸟击风险因素评价的影响最小,飞行高度(H)和飞行路线(R)对鸟击风险因素评价的影响相对较小。     

基于向量自回归模型的水质异常检测研究

水质异常检测对保障用水安全具有重大意义。为了准确有效地判断水质异常,提出基于向量自回归(VAR)模型的多参数融合水质异常检测算法。VAR模型是自回归(AR)模型的一种扩展。通过AR模型和VAR模型跟踪和预测水质背景数据,计算预测残差,与设定阈值比较判断水质是否异常。结果表明,与基于AR模型的水质异常检测算法相比,基于多参数融合的VAR模型在水质背景数据跟踪上具有更好的准确性,能够实现较高的异常检出率和较低的异常误报率。     

基于预处理的AFOA-ELM冲击地压危险预测模型

为提高冲击地压危险性预测准确率,提出一种基于预处理的改进的果蝇优化算法(AFOA)优化极限学习机(ELM)的预测模型。以重庆砚石台煤矿为例,选取其10个冲击地压危险性影响因素作为模型特征;以部分实测数据作为样本数据集并进行预处理,采用合成少数类过采样技术(SMOTE)构建平衡数据集,使用灰色关联分析法(GRA)及因子分析法(FA)降低特征维度;针对果蝇优化算法(FOA),引入跳脱变量和分类准确率方差变量构造AFOA,利用AFOA优化选取ELM的输入层权值及隐含层阈值,构建冲击地压危险预测模型,训练预处理样本数据、预测并对比其他模型预测结果。结果表明:数据集预处理可以显著提高AFOA-ELM模型预测效果;基于预处理的AFOA-ELM冲击地压危险预测模型,预测准确率为93. 75%,均方误差为6. 25%,预测精度显著优于其他对比模型。     

基于DBN的飞机着陆弹跳预测方法

飞机着陆弹跳是航班运行中经常发生的不正常事件,为掌握着陆弹跳的诱因并有效预防该类事件发生,首先,提出一种基于深度置信网络(DBN)的飞机着陆弹跳预测方法;其次,通过航空运行数据评估事件与着陆机场环境条件的相关性,以东航实际着陆弹跳事件为例,探究着陆时油门杆位置与弹跳的变化趋势;然后,分别讨论触地前飞行员操纵、飞机状态和飞机的不稳定进近对着陆弹跳的影响;最后,以不同信息的组合作为输入训练模型,对比预测精度,找到最优模型。研究结果表明:基于DBN的方法适合利用大量航班数据预测着陆弹跳事件;当网络输入包含机场环境条件、飞机油门杆位置等着陆弹跳直接影响因素,以及不稳定进近等非直接影响因素时,该预测模型能够较准确地预测着陆弹跳事件,其预测准确度可达到94.78%。     

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

基于随机森林的人群疏散预测及影响因素分析

为对人群疏散预期目标快速预测,分析预期目标与多重影响因素之间的关系,提出基于疏散仿真模拟和随机森林相结合的预测模型。首先,构建人群疏散三维模型;其次,分析影响疏散的关键因素;最后,基于随机森林构建预测模型,开展预测变量的重要性分析。研究结果表明：该方法能对预期目标进行快速预测,预测准确度达到94%;基于变量重要性分析发现,人员数量对疏散的影响显著,且小群体的存在对疏散也有重要影响。研究结果可为人群安全疏散评估提供一定参考。     

建筑工程安全文明施工费预测精度研究

为准确测算建筑工程安全文明施工费,提出案例推理技术(CBR)-最大信息系数(MIC)-随机森林(RF)预测模型方法。通过实地调研61个典型工程样本数据,选择12个安全文明施工费的影响因素作为候选特征变量,采用CBR进行样本相似度检索以构建模型的训练样本集,运用MIC确定关键特征变量输入模型,组合建立3种RF模型(RF、MIC-RF和CBR-MIC-RF),并通过实证分析其预测精度。结果表明：通过样本相似度检索和识别关键特征变量,可显著提高RF模型的预测精度(平均绝对百分比误差(MAPE)为3.35%);模型预测精度随不同等级的相似度阈值呈“U”型变化,设置合适的相似度阈值对提升模型的预测效果至为关键;CBR-MIC-RF模型可获得比支持向量机模型更好的预测性能。     

机场能见度临近预测方法

能见度是保障机场航班安全、正常运行的重要标准之一。为精准预测能见度,使用2020年天津机场气象和常规空气质量监测数据,构建基于方差膨胀因子(Variance Inflation Factor, VIF)、主成分分析(Principal Components Analysis, PCA)和Informer的能见度预测模型,并将均方根误差、平均绝对误差、平均绝对百分比误差作为评价指标进行误差分析。结果显示,VIF-PCA-Informer模型比单一的Informer和简单组合模型效果更优,能更好地捕捉长时间序列特征的关系。相比于单一的Informer、长短期记忆神经网络和门控循环单元模型,VIF-PCA-Informer模型均方根误差下降了0.214 1～0.348 6,平均绝对误差下降了0.184 2～0.275 3,平均绝对百分比误差下降了0.322 4～0.527 0;VIF-PCA-Informer模型对能见度的临近预测(1 h)更为精准。使用高效的机场能见度预测模型可在保障航班安全高效运行方面发挥较大支撑作用。     

IAFSA-GRNN在油田集输管道CO2腐蚀速率预测中的应用

为提高油田集输管道CO₂腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO₂腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。