基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度，减小数据缺失对煤与瓦斯突出预测的不利影响，提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数，运用MCMC对突出事故缺失值进行数据填补，采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测，验证MCMC填补有效性和SSA优化性能；分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测，对比预测准确度，分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明：MCMC填补后准确度均提升7.89个百分点以上，SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高，为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。