基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统

技术领域

本申请涉及瓦斯浓度预测技术领域，特别涉及一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统。

背景技术

煤矿瓦斯灾害是威胁煤矿安全生产的重大灾害之一，瓦斯灾害直接妨碍了煤矿的正常生产，阻碍了煤炭工业的持续、稳定、健康发展，加强瓦斯灾害防治是确保煤炭能源的稳定、可靠供应，促进国民经济全面、健康发展的重要保障。

目前，随着国家对煤矿安全生产的重视和煤矿企业自身发展的需要，对瓦斯浓度准确预测对于瓦斯突出的灾害预报和预防都具有重要意义。传统的瓦斯预测方法是根据含瓦斯煤体性质及其赋存条件的量化指标，比如煤层性质指标、瓦斯指标、地应力指标或综合指标，来预测其中的单个或多个指标是否超过临界值，但是传统预测方法的预测精度难以达到煤矿安全生产的要求。

因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

本申请的目的在于提供一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统，以解决或缓解上述现有技术中存在的问题。

为了实现上述目的，本申请提供如下技术方案：

本申请提供了一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法，包括：步骤S101、对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；步骤S102、确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标；步骤S103、基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS-LSTM预测模型；步骤S104、根据所述煤矿井下的瓦斯浓度监测数据，对所述CS-LSTM预测模型进行准确性评价。

优选的，在步骤S101中，所述对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据，包括：基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补；根据插补后的瓦斯浓度数据，按照公式：

得到标准化瓦斯浓度数据；其中，x

优选的，所述基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补，包括：基于样条插值法，根据获取的煤矿井下瓦斯浓度数据，按照预设插补模型，对瓦斯浓度数据中的缺失数据进行插补；预设插补模型为：

其中，x

优选的，在步骤S102中，确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标，包括：确定所述LSTM预测模型的LSTM层层数及其相应神经元个数、全连接层层数及其相应神经元个数为所述LSTM预测模型的优化参数组合；确定均方误差为所述LSTM预测模型的准确性评价指标。

优选的，在步骤S103中，基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS-LSTM预测模型，包括：基于所述布谷鸟搜索算法，根据所述LSTM预测模型的优化参数组合，计算所述LSTM预测模型的准确性评价指标的倒数，并将所述LSTM预测模型的准确性评价指标的倒数的最大值对应的所述LSTM预测模型的优化参数组合输入所述LSTM预测模型，得到所述CS-LSTM预测模型。

优选的，在步骤S104中，所述根据所述煤矿井下的瓦斯浓度监测数据，对所述CS-LSTM预测模型进行准确性评价，包括：分别按照公式：

计算所述煤矿井下的瓦斯浓度的平均绝对误差MAE和均方根误差RMSE，对所述CS-LSTM预测模型进行准确性评价；其中，n表示所述瓦斯浓度监测数据的数量；x

本申请实施例还提供一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测系统，包括：预处理单元，配置为对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；参数指标单元，配置为确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标；优化单元，配置为基于布谷鸟搜索算法，根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合，构建CS-LSTM预测模型；评价单元，配置为根据所述煤矿井下的瓦斯浓度监测数据，对所述CS-LSTM预测模型进行准确性评价。

优选的，所述预处理单元包括插补子单元，配置为基于样条差值法，对瓦斯浓度数据中的缺失数据进行插补；标准化子单元，配置为根据插补后的瓦斯浓度数据，按照公式：

得到标准化瓦斯浓度数据；其中，x

优选的，所述优化单元进一步配置为基于所述布谷鸟搜索算法，根据所述LSTM预测模型的优化参数组合，计算所述LSTM预测模型的准确性评价指标的倒数，并将所述LSTM预测模型的准确性评价指标的倒数的最大值对应的所述LSTM预测模型的优化参数组合输入所述LSTM预测模型，得到所述CS-LSTM预测模型。

优选的，所述评价单元进一步配置为分别按照公式：

计算所述煤矿井下的瓦斯浓度的平均绝对误差MAE和均方根误差RMSE，对所述CS-LSTM预测模型进行准确性评价；其中，n表示所述瓦斯浓度检测数据的数量；x

有益效果：

本申请提供的技术方案中，通过对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；并确定预先构建的LSTM预测模型的优化参数组合以及LSTM预测模型的准确性评价指标；然后，基于布谷鸟搜索算法，根据LSTM预测模型的准确性评价指标和LSTM预测模型的优化参数组合，以此构建得到CS-LSTM预测模型；最后，根据煤矿井下的瓦斯浓度监测数据，对得到的CS-LSTM预测模型的准确性进行评价。籍此，以通过优化完成的CS-LSTM预测模型对煤矿瓦斯浓度进行预测，提高煤矿瓦斯浓度预测的精确性，指导煤矿安全生产。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：

图1为根据本申请的一些实施例提供的一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法的流程示意图；

图2为根据本申请的一些实施例提供的一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法的技术逻辑图；

图3为根据本申请的一些实施例提供的一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测系统的结构示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。

在本申请的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请而不是要求本申请必须以特定的方位构造和操作，因此不能理解为对本申请的限制。本申请中使用的术语“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间部件间接相连；对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

由于传统的煤矿瓦斯浓度预测是根据含瓦斯煤体性质及其赋存条件的量化指标——煤层性质指标、瓦斯指标、地应力指标或综合指标，来预测其中的单个或多个指标是否超过临界值，但是预测精度难以达到煤矿安全生产的要求。为此，申请人提出了该基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方案，通过构建LSTM预测模型的基础框架，利用布谷鸟优化算法，对LSTM预测模型的超参数进行寻优，并将寻优结果赋予最终的LSTM预测模型，得到CS-LSTM预测模型；再利用实际瓦斯浓度检测数据以及评价指标对CS-LSTM预测模型的准确性进行准确性评价，使CS-LSTM预测模型能够准确的预测煤矿瓦斯浓度，提高对煤矿瓦斯浓度的预测精度。

图1为根据本申请的一些实施例提供的一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法的流程示意图；图2为根据本申请的一些实施例提供的一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法的技术逻辑图；如图1、图2所示，该基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法包括：

步骤S101、对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；

在本申请实施例中，通过煤矿井下瓦斯浓度传感器采集，并经过井下通信网络传输至地面监测中心，获取煤矿井下瓦斯浓度数据。由于位于煤矿井下的瓦斯浓度传感器受到周围环境的不良影响，采集的数据不可避免的会存在噪音、缺失、丢失等，因而，在本申请实施例中，通过对采集的瓦斯浓度数据进行预处理和标准化，修正获取的煤矿井下瓦斯浓度数据中的异常数据和缺失数据，并对瓦斯浓度数据进行标准化。

具体的，在对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据时，首先，基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补；然后，再根据插补后的瓦斯浓度数据，按照公式(1)得到标准化瓦斯浓度数据。公式(1)如下：

其中，x

在本申请实施例中，基于样条插值法，对瓦斯浓度数据中的缺失数据进行插补，具体为：基于样条插值法，根据获取的煤矿井下瓦斯浓度数据，按照预设插补模型，对瓦斯浓度数据中的缺失数据进行插补。其中，预设插补模型如公式(2)所示，公式(2)如下：

式中，x

在本申请实施例中，首先，在缺失值的前、后分别取两个相邻数据点，且确保缺失值位于前、后取值点的中间，且各取值点均满足f(x)＝a

步骤S102、确定预先构建的LSTM预测模型的优化参数组合以及LSTM预测模型的准确性评价指标；

在本申请实施例中，LSTM预测模型再迭代过程中，各权重系数等参数会自动更新寻找最优值，而超参数是在LSTM预测模型迭代开始前就直接设定的，不会随着迭代更新；因而，将LSTM预测模型的LSTM层层数及其相应神经元个数、全连接层层数及其相应神经元个数为LSTM预测模型的优化参数组合，即将LSTM层层数及相应神经元个数、全连接层层数及相应神经元个数等四个超参数设置为需要优化的参数组合。籍此，有效提高预测模型的网络结果对煤矿井下瓦斯浓度数据的预测精度。需要说明的是，将均方误差作为LSTM预测模型的准确性评价指标，均方差越小，则预测模型对瓦斯浓度数据的预测精度越高。

步骤S103、基于布谷鸟搜索算法，根据LSTM预测模型的准确性评价指标和LSTM预测模型的优化参数组合，构建CS-LSTM预测模型。

在本申请实施例中，通过布谷鸟搜索算法对LSTM预测模型进行优化，具体的，将LSTM预测模型的超参数基本框架作为寻优对象输入布谷鸟搜索算法中，将均方误差的倒数作为布谷鸟搜索算法的适度函数，适度函数的最大值对应的即为布谷鸟搜索的最优值。

具体的，基于布谷鸟搜索算法，根据LSTM预测模型的优化参数组合，计算LSTM预测模型的准确性评价指标的倒数，并将LSTM预测模型的准确性评价指标的倒数的最大值对应的LSTM预测模型的优化参数组合输入LSTM预测模型，得到CS-LSTM预测模型。即，将适度函数的最大值对应的布谷鸟搜索的最优值作为LSTM预测模型的最优超参数组合输入LSTM预测模型中，即可得到CS-LSTM预测模型。

步骤S104、根据煤矿井下的瓦斯浓度监测数据，对CS-LSTM预测模型进行准确性评价。

在本申请实施例中，利用实际监测到的煤矿井下瓦斯浓度监测数据，以及确定的评价指标对CS-LSTM预测模型进行准确性评价。具体的，按照公式：

计算煤矿惊吓的瓦斯浓度的平均绝对误差MAE和均方根误差RMSE，对CS-LSTM预测模型进行准确性评价。其中，n表示瓦斯浓度监测数据的数量；x

本申请实施例中，通过过构建LSTM预测模型的基础框架，利用布谷鸟优化算法，对LSTM预测模型的超参数进行寻优，并将寻优结果赋予最终的LSTM预测模型，得到CS-LSTM预测模型；再利用实际瓦斯浓度检测数据以及评价指标对CS-LSTM预测模型的准确性进行准确性评价，使CS-LSTM预测模型能够准确的预测煤矿瓦斯浓度，提高对煤矿瓦斯浓度的预测精度。

图3为根据本申请的一些实施例提供的一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测系统的结构示意图；如图3所示，该基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测系统包括：预处理单元、参数指标单元、优化单元、评价单元。预处理单元配置为对获取的煤矿井下瓦斯浓度数据进行处理，得到标准化瓦斯浓度数据；参数指标单元配置为确定预先构建的LSTM预测模型的优化参数组合以及LSTM预测模型的准确性评价指标；优化单元配置为基于布谷鸟搜索算法，根据LSTM预测模型的准确性评价指标和LSTM预测模型的优化参数组合，构建CS-LSTM预测模型；评价单元配置为根据煤矿井下的瓦斯浓度监测数据，对CS-LSTM预测模型进行准确性评价。

在一些可选实施例中，预处理单元包括插补子单元和标准化子单元。插补子单元配置为基于样条差值法，对瓦斯浓度数据中的缺失数据进行插补；标准化子单元配置为根据插补后的瓦斯浓度数据，按照公式：

得到标准化瓦斯浓度数据；其中，x

进一步的，插补子单元进一步配置为基于样条插值法，根据获取的煤矿井下瓦斯浓度数据，按照预设插补模型，对瓦斯浓度数据中的缺失数据进行插补；预设插补模型为：

其中，x

在一些可选实施例中，参数指标单元进一步配置为确定LSTM预测模型的LSTM层层数及其相应神经元个数、全连接层层数及其相应神经元个数为LSTM预测模型的优化参数组合；确定均方误差为LSTM预测模型的准确性评价指标。

在一些可选实施例中，优化单元进一步配置为基于布谷鸟搜索算法，根据LSTM预测模型的优化参数组合，计算LSTM预测模型的准确性评价指标的倒数，并将LSTM预测模型的准确性评价指标的倒数的最大值对应的LSTM预测模型的优化参数组合输入LSTM预测模型，得到CS-LSTM预测模型。

在一些可选实施例中，评价单元进一步配置为分别按照公式：

计算煤矿井下的瓦斯浓度的平均绝对误差MAE和均方根误差RMSE，对CS-LSTM预测模型进行准确性评价；其中，n表示瓦斯浓度检测数据的数量；x

本申请实施例提供的基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测系统能够实现上述任一基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法的步骤、流程，并达到相同的技术效果，在此不再一一赘述。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。