基于小波神经网络的煤层底板突水非线性预测方法研究

针对煤层底板突水系统为一非线性动力学系统的特性,并在考察目前煤层底板突水预测方法的基础上,给出利用小波神经网络对煤层底板突水进行预测的可行性和优越性;阐述了小波神经网络的基本原理;提出和分析了基于小波神经网络的煤层底板突水预测模型及算法;并通过实例证明,应用小波神经网络解决煤层底板突水预测的可行性和优越性。研究及实践表明:小波神经网络的预测精度更高、更准确。     

模糊综合评判法在煤炭自燃预测中的应用

运用模糊综合评判法预测煤炭自燃。在分析煤炭自燃影响因素的基础上，从煤体的氧化放热性能、供氧条件和煤体蓄放热环境三方面确定了模糊综合证券的因素指标，提出了确定评判指标属性值和权重值的方法，并将模糊综合评判法成功应用于矿山煤炭自燃的预测。     

600 m3湿式氢气贮柜燃烧爆炸伤害效应预测

建立了某动力公司600m^3易燃易爆湿式氢气贮柜燃烧爆炸事故的6种模型,给出边界条件和计算过程,提出爆炸事故伤害效应预测指标。进行燃烧爆炸事故伤害效应预测,为氢气贮柜发生燃烧爆炸事故危害性评估提供了理论依据。     

基于加权线性回归模型组的湖北省工矿事故死亡人数分析预测

以2005-2014年湖北省工矿企业事故死亡人数为基础,通过对时间序列图分析可知,该省工矿企业事故具有明显的周期性、季节性。另外,依据安全系统特征属性,系统近期的状况相对远期的状况对未来预测更具有影响力。因此,各个季节数据的权重应有所不同。综合考虑以上两种情况,提出对4个季节建立不同的线性加权线性回归模型,并进行组合,形成加权线性回归模型组,进而对2015-2016年各个季度进行预测。最后,与传统的时间序列分析方法比较可知,加权线性回归模型组的方法建立的模型显著性、拟合度更高,并且模型的可读性更强、更简单。     

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。     

基于灰色新陈代谢马尔可夫模型的飞行事故预测

灰色预测适用于时间短、数据量少和波动不大的预测问题,在长期预测时,数据序列拟合较差,预测精度偏低;而马尔可夫链适用于长期、数据序列随机波动大的预测问题。笔者结合灰色新陈代谢GM(1,1)模型和马尔可夫链理论的优点,建立飞行事故预测模型。模型去掉已失去参考价值的历史老信息,补充新信息,克服了随机波动性数据对飞行事故预测精度的影响,提高了灰色预测的应用水平。实例预测1973—2008世界飞行事故,其结果证明了灰色新陈代谢马尔可夫GM(1,1)模型预测精度较高,可用于飞行事故预测,具有较强的科学性和实用性。     

塔克拉玛干沙漠公路交通事故趋势预测分析

应用塔克拉玛干沙漠干线公路建成通车以来的交通事故统计数据,在分析交通事故主要指标发展变化特征和分布特征的基础上,建立了适用于沙漠公路交通事故特点的GM(1,1)预测模型,对未来几年内交通事故发展趋势进行了预测。预测结果表明,未来几年沙漠公路交通事故次数、死亡人数、受伤人数以及直接经济损失等4项指数将分别以15.9%,10%,4.5%和5%的年平均增长率快速增长。同时针对预测结果提出了相应的对策。     

煤场扬尘影响预测与措施研究

对储煤场扬尘的影响因素作了分析,通过对煤场起尘量及在不同风速不同含水率下对煤场扬尘源强进行估算,并对煤场下风向TSP的落地浓度进行了预测,最后根据预测结果提出了防止煤场扬尘的措施.     

CMAQ模式及其修正技术在上海市PM_(2.5)预报中的应用检验

利用CMAQ空气质量数值预报模式对上海市PM2.5浓度进行预报,选取10个囯控站点监测数据对预报进行验证评估.结果表明,CMAQ模式开展能够较好地模拟出PM2.5的时间变化趋势及浓度水平,但总体处于低估的水平,偏低幅度约25%,尤其在高污染阶段,模式的低估更为突出,达32%,这与污染源清单的不确定性有关.为提高PM2.5预报准确度,采用学习型线性回归方法对PM2.5浓度的数值预报结果进行修正,统计检验结果显示修正预报准确率由原来的76.4%提高到了79.3%,污染预报成功指数由56.4%提高至72.1%,明显提高了PM2.5浓度的预报效果,反映了引入实际监测数据对空气质量数值预报模式进行修正的研究意义和可行性.     

Streamflow Forecasting Using Singular Value Decomposition and Support Vector Machine for the Upper Rio Grande River Basin

The current study improves streamflow forecast lead‐time by coupling climate information in a data‐driven modeling framework. The spatial–temporal correlation between streamflow and oceanic–atmospheric variability represented by sea surface temperature (SST), 500‐mbar geopotential height (Z₅₀₀), 500‐mbar specific humidity (SH₅₀₀), and 500‐mbar east–west wind (U₅₀₀) of the Pacific and the Atlantic Ocean is obtained through singular value decomposition (SVD). SVD significant regions are weighted using a nonparametric method and utilized as input in a support vector machine (SVM) framework. The Upper Rio Grande River Basin (URGRB) is selected to test the applicability of the proposed model for the period of 1965–2014. The April–August streamflow volume is forecasted using previous year climate variability, creating a lagged relationship of 1–13 months. SVD results showed the streamflow variability was better explained by SST and U₅₀₀ as compared to Z₅₀₀ and SH₅₀₀. The SVM model showed satisfactory forecasting ability with best results achieved using a one‐month lead to forecast the following four‐month period. Overall, the SVM results showed excellent predictive ability with average correlation coefficient of 0.89 and Nash–Sutcliffe efficiency of 0.79. This study contributes toward identifying new SVD significant regions and improving streamflow forecast lead‐time of the URGRB.