[發(fā)明專利]一種基于小波變換和ARMA-SVM的涌水量預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410505094.8
• 申請(qǐng)日: 2014-09-28
• 公開（公告）號(hào): CN104200291A
• 公開（公告）日: 2014-12-10
• 發(fā)明（設(shè)計(jì)）人: 邱梅;施龍青;韓進(jìn);滕超;牛超
• 申請(qǐng)（專利權(quán)）人: 山東科技大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06F17/50
• 代理公司: 青島高曉專利事務(wù)所 37104
• 代理人: 張世功

1.一種基于小波變換和ARMA-SVM的涌水量預(yù)測方法，其特 征在于包括以下步驟：

(1)獲取涌水量原始時(shí)間序列：收集礦井確定時(shí)間段內(nèi)觀測記 錄的涌水量臺(tái)賬資料并進(jìn)行分析，確定可靠的數(shù)據(jù)和必須剔除的數(shù) 據(jù)；

(2)選取樣本：選取時(shí)間序列的前n個(gè)觀測樣本數(shù)據(jù)作為建模 樣本，后m-n個(gè)觀測樣本數(shù)據(jù)作為檢驗(yàn)樣本，n為隨機(jī)選取的建模樣 本個(gè)數(shù)，m為樣本總數(shù)；

(3)二進(jìn)小波分解與重構(gòu)：對(duì)建模樣本的原始時(shí)間序列進(jìn)行二 進(jìn)小波分解與重構(gòu)，提取原始時(shí)間序列中的高頻信息和低頻信息；二 進(jìn)小波分解與重構(gòu)采用馬拉特Mallat算法，包括如下步驟：

①信號(hào)分解，將c₀作為待分解的離散信號(hào)，則有：

c_j+1＝Hc_j,d_j+1＝Gc_j???(j＝0,1,…,J)；

其中：H和G分別為低通濾波器和高通濾波器；c_j+1和d_j+1分別為原 始信號(hào)在分辯率2^-(j+1)下的低頻信號(hào)和高頻信號(hào)；j為分解尺度；J為 最大分解層數(shù)，最終將待分解離散信號(hào)c₀分解為d₁,d₂,…,d_J和c_J；

該分解算法利用二抽取，使每層分解比分解前的信號(hào)數(shù)據(jù)長度減 半，總輸出數(shù)據(jù)長度與輸入待分解離散信號(hào)c₀長度保持一致；待分 解離散信號(hào)個(gè)數(shù)的減少對(duì)預(yù)測是不利的，經(jīng)Mallat算法分解后的信 號(hào)采用重構(gòu)算法進(jìn)行二插值重構(gòu)；

②信號(hào)重構(gòu)，重構(gòu)算法為：c_j＝H^*c_j+1+G^*d_j+1；

其中：H^*和G^*是對(duì)偶算子；j＝J-1,J-2,…0；

對(duì)d₁,d₂,…,d_J和c_J分別進(jìn)行重構(gòu)，得到D₁,D₂,…,D_J和C_J， 有

X＝D₁+D₂+…+D_J+C_J；

其中：D₁:{d_1,1,d_1,2,…},…,D_J:{d_J,1,d_J,2,…}為第一層至第J層的高頻信號(hào)重 構(gòu)；C_J:{c_J,1,c_J,2,…}為第J層的低頻信號(hào)重構(gòu)；X為原始信號(hào)重構(gòu)；

(4)利用自回歸移動(dòng)平均模型對(duì)高頻信號(hào)建模；其步驟如下：

①平穩(wěn)性檢驗(yàn)：利用ADF單位根檢驗(yàn)法檢驗(yàn)建模樣本時(shí)間序列 的平穩(wěn)性，確定為平穩(wěn)時(shí)間序列，進(jìn)行ARMA建模；

②確定模型的形式和階數(shù)：模型的形式有三種：自回歸模型、移 動(dòng)平均模型和ARMA模型，通過自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的截尾 性和拖尾性確定模型的形式；通過赤池信息量準(zhǔn)則和貝葉斯信息量準(zhǔn) 則量化的計(jì)算結(jié)果判斷模型的階數(shù)，通過自由度的調(diào)整，取均方誤差 最小的模型階數(shù)；

③估算模型參數(shù)：利用Eviews軟件估算模型參數(shù)；

④建立模型：求取參數(shù)后建立模型，并進(jìn)行檢驗(yàn)；

(5)利用支持向量機(jī)模型對(duì)低頻信號(hào)建模，步驟如下：

①選取時(shí)間序列的時(shí)間順序?yàn)檩斎胂蛄浚皖l信號(hào)為目標(biāo)向量；

②數(shù)據(jù)歸一化處理：對(duì)輸入向量數(shù)據(jù)進(jìn)行歸一化處理，使得所有 數(shù)據(jù)處于[-1，1]之間；

③初始參數(shù)設(shè)置：選擇SVM類型和核函數(shù)，確定模型所需的運(yùn) 行參數(shù)，確定粒子群算法的初始參數(shù)；

④PSO參數(shù)尋優(yōu)：調(diào)用PSO-SVM算法優(yōu)化SVM的懲罰參數(shù)c 和核參數(shù)g，獲取最優(yōu)參數(shù)；

⑤建立SVM模型：用步驟④獲得的最優(yōu)參數(shù)訓(xùn)練SVM回歸機(jī)， 建立SVM低頻信號(hào)模型；

(6)建立涌水量預(yù)測的最終模型：將高頻信號(hào)模型和低頻信號(hào) 模型合成，即為涌水量最終預(yù)測模型；

(7)模型檢驗(yàn)：利用檢驗(yàn)樣本對(duì)步驟(6)建好的最終預(yù)測模型 進(jìn)行檢驗(yàn)，預(yù)測精度在90％以上，說明模型合格，實(shí)現(xiàn)涌水量預(yù)測。