基于改进LSTM循环神经网络瓦斯数据时间序列预测研究

摘要

瓦斯灾害历来是煤矿领域的重大安全问题。而煤矿开采深度的增大也使得井下的安全生产越来越难以保障。因此，如何准确且迅速地对瓦斯数据进行预测是非常有必要的，它可以有效地减少并防范瓦斯安全事故的发生，并能够及时作出应对措施。论文以瓦斯浓度的时间序列作为切入点，利用神经网络这一可以拟合非线性复杂问题的工具进行实验研究，再选取非常适合解决时间序列问题的循环神经网络RNN（Recurrent Neural Network）及其演化模型——长短时记忆模型LSTM（Long Short-term Memory）对瓦斯浓度的时间序列的相关问题进行了深入研究。论文主要完成了三个方面的工作： 1）瓦斯涌出的成因十分复杂，如地应力，瓦斯压力，煤层埋深等，因此瓦斯涌出是一个复杂的非线性动力过程。论文通过地质动力区划法，挖掘了煤与瓦斯涌出的主要成因，提取了诸如最大主应力，瓦斯压力等地质因素数据作为瓦斯浓度时间序列预测的依据。 2）论文使用了多种优化算法，一方面解决了数据在缺失或异常情况下不平滑的问题，另一方面则使用神经网络优化算法提高了神经网络的训练效率。接下来使用RNN神经网络模型来进行仿真预测，并用LSTM神经网络模型改进，解决了RNN模型带来的梯度弥散问题。 3）由于LSTM模型复杂度过高，论文改进了LSTM模型，并采用主成分分析法，提出了PCA-LSTM-RNN神经网络模型，经过实验可知这种模型能够在保证精度的前提下极大提高神经网络的训练效率。

目录

声明

致谢

1绪论

1.1 研究背景及意义

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 论文研究内容及结构安排

1.3.1 研究内容

1.3.2 结构安排

1.4 本章小结

2瓦斯时间序列概念与神经网络基础

2.1 时间序列与瓦斯时间序列

2.1.1 时间序列特性

2.1.2 瓦斯时间序列特性

2.2.1 神经元模型

2.2.2 传统神经网络模型

2.3.1 瓦斯时间序列与地质因素的联系

2.3.2 瓦斯时间序列预测模型的建立

2.4 本章小结

3 RNN与LSTM神经网络模型研究

3.1.1 传统神经网络模型的固有缺陷

3.1.2 RNN神经网络正向传递过程

3.1.3 基于时间的反向传播算法（BPTT）

3.1.4 RNN神经网络模型的优势与固有缺陷

3.2.1 LSTM模型理论研究

3.2.2 LSTM神经网络模型的优点与缺陷

3.3 本章小结

4基于RNN与LSTM模型的瓦斯时间序列仿真预测

4.1 优化算法

4.1.1 异常数据与缺失数据的优化处理

4.1.2 SGD算法

4.1.3 Dropout方法

4.1.4 Xavier权值初始化算法

4.2 RNN神经网络模型的仿真预测

4.2.2 RNN神经网络模型的预测方案

4.2.3 RNN神经网络模型的仿真实现

4.3 LSTM 神经网络模型的仿真预测

4.3.1 LSTM神经网络模型的预测方案

4.3.2 LSTM神经网络模型的仿真实现及存在的问题

4.4 本章小结

5基于PCA-LSTM-RNN模型的仿真实验

5.1.1 主成分分析法的基本原理

5.1.2 主成分分析法适用范围与可行性讨论

5.2.1 改进的LSTM模型

5.2.2 改进的LSTM模型优势

5.3 PCA-LSTM-RNN模型的建立与仿真预测

5.3.1 PCA-LSTM-RNN模型的预测方案与验证

5.3.2 相关数据的主成分分析

5.3.3 PCA-LSTM-RNN模型的仿真实现

5.4 实验结果和分析

5.5 本章小结

6结论与展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集