林火数据的Logistic和零膨胀Poisson(ZIP)回归模型

利用统计模型对森林火灾数据进行了描述和分析,所用模型包括Logistic回归模型和零膨胀Poisson(ZIP)回归模型.将所用的森林火灾数据分别视为分组因子数据和有序变量数据进行建模.为了进行预测和验证,建模时使用部分数据,其余数据作为检验数据,用以检验预测的准确性.研究结果显示,所研究的两类模型都得到了与检验样本接近的结果,具有较好的火灾次数预测能力.其中零膨胀模型不仅可以得到与Logistic模型相当的结果,而且能够有效解决火灾数大于天数的问题,以及可以对零值过多的数据进行较好地建模.该研究表明所建立的Lo-gistic回归模型和零膨胀Poisson回归模型都是分析火灾与影响因素相关性的适用模型.     

用灰关联分析和神经网络方法预测煤与瓦斯突出

本文应用灰色系统理论的灰色关联分析,对煤与瓦斯突出影响因素进行灰关联分析,得出了各影响因素对煤与瓦斯突出影响程度的大小排序,选择灰关联分析的五个优势因子:瓦斯放散初速度、坚固性系数、瓦斯压力、煤体破坏类型和开采深度,作为输入参数,用计算机对神经网络编写程序,建立了煤与瓦斯突出预测的神经网络模型.用我国典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本进行验证.     

突变级数法在采空区塌陷预测中的应用

基于突变级数理论,分析影响采空区稳定性的因素(包括采空区体积率、距地表的垂深、地质构造复杂程度、煤层倾角、覆盖层厚度、覆盖层类型等),研究采空区塌陷的预测方法.对各影响因素进行排序并确定各因素指标体系,得到各样本的突变级数,从而对采空区稳定性进行预测.实例验证表明,突变级数法的判断结果符合实际,与神经网络分级法的判断结果一致.可见,基于突变级数理论的采空区塌陷预测方法具有科学性和有效性.     

硝酸铵 爆炸 员工应急卡（八）

适用对象：当班操作员、控制室人员、相关职能部门 危险目标：硝酸铵仓库 事故预测：急剧加热可发生爆炸、与还原剂混合形成爆炸性混合物 健康危害：对呼吸道、眼及皮肤有刺激性     

建筑工程生产事故死亡人数时间序列分析

为研究建筑工程安全生产事故死亡人数的变化规律,采用时间序列分析方法,分析了建筑安全事故死亡人数时间序列上的趋势性规律,通过数据预处理和模型的识别与检验,最终建立了安全事故死亡人数预测模型。对全国2005—2014年建筑工程安全生产事故造成的死亡人数进行了分析和预测。结果表明:ARIMA模型各年预测值与实际值误差率为0.393,相比灰色模型和BP神经网络模型误差率最小。总体上说,ARIMA模型较适用于随机性较大的数据的趋势预测。     

集对分析法在露天采石场安全评价及预测中的应用

针对我国露天采石场安全状况普遍较差、安全事故频发、而传统采石场安全评价方法存在不足的现状,分析了影响采石场安全状况的各种因素,建立了露天采石场的安全评价指标体系。该指标体系包含安全管理、安全生产、安全环境和安全教育4个方面,共19个安全评价指标。采用层次分析法求得各指标权重,并结合集对分析原理计算出集对联系度及集对势对露天采石场的安全状况进行评价和预测,从而克服了传统采石场安全评价方法在处理不确定性方面的不足。以武汉地区某露天采石场为例,用该评价体系从人、机、环、管4个方面对其安全现状进行了评价与预测。结果表明,将集对分析方法应用于露天采石场的安全评价和预测,计算简单,评价结果较可靠。     

基于FTA-SPA耦合方法的生物质气化站安全评价与预测

利用集对分析的联系度将系统或元件介于故障与非故障之间的状态体现出来,通过对差异度采用特殊取值法分析系统安全程度,表明安全管理与日常维护的重要性。并用集对分析的集对势、悲观势对生物质气化站的安全状况发展趋势进行预测,为生物质气化站的安全评价和预测提供新思路和途径。     

基于探采对比的煤层瓦斯含量分析及预测

针对新建矿井地勘瓦斯含量测值偏低和井下实测瓦斯含量较少的特点,结合工程和科研实践,提出了利用大量的工作面瓦斯涌出量反演煤层原始瓦斯含量技术和基于探采对比的煤层瓦斯含量预测方法。以邹庄井田32煤层为研究对象,在考虑瓦斯抽采情况下计算3204工作面瓦斯涌出量,并反演该工作面煤层原始瓦斯含量。通过对比采掘过程中获得的瓦斯含量和地勘瓦斯含量,得到不同钻孔深度时的地勘瓦斯含量修正系数,并采用瓦斯地质研究方法对32煤层分3个单元进行瓦斯含量预测。结果表明:32煤层瓦斯含量整体呈现"东部大于西部,北部大于南部"的规律,与临近矿井具有相似的瓦斯赋存规律。这表明利用探采对比的方法预测煤层瓦斯含量是可靠的。     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于ARIMA的安全生产事故预测与实证研究

为了减少企业安全管理者在生产作业中由于不确定性导致错误决策所产生的风险,在企业历年安全生产事故数据基础上进行预测具有一定的现实意义。以某企业2008年至2011年的安全生产事故次数时序数据,采用EViews 5统计分析软件,基于ARIMA时间序列预测模型更加关注对事故发生是否平稳而相对于其他预测模型更关注于趋势研究的良好特点,建立安全生产事故ARIMA时序预测模型,并对2012年的安全生产事故发生次数进行预测,通过效果检验发现该模型预测结果基本上能够反映该企业安全生产事故发生的实际情况。通过ARIMA方法在某企业安全生产事故预测具体案例的实现,是对现有安全生产事故预测方法的补充和完善,可为企业安全管理和决策提供一定的指导。