EMD-GM-ARMA矿业安全生产形势预测模型

文摘

为了提高煤矿安全生产形势的预测精度和删除的非平稳时间序列模型选择的难度,灰色(GM)自回归移动平均(ARMA)模型基于经验模态分解(EMD)方法。首先,根据矿山安全事故时间序列的非平稳的特点,原始的非平稳时间序列分解为高,低频信号使用EMD算法,分别代表总体趋势和随机干扰。随后,通用模型被用来预测高频信号序列,尽管ARMA模型被用来预测低频信号序列。最后,旨在预测矿业安全生产形势,通过叠加EMD-GM-ARMA模型构造每个子序列的预测结果,从而与ARIMA模型相比,小波神经网络模型,PSO-SVM模型。结果表明EMD-GM-ARMA模型和PSO-SVM模型的短期预测,预测精度最高,小波神经网络预测精度最低。PSO-SVM模型在中长期预测的预测精度降低虽然EMD-GM-ARMA模型仍能保持较高的预测精度。此外,EMD-GM-ARMA模型的相对误差波动相对稳定在短期和中期预测。这表明EMD-GM-ARMA模型可以提供高精度与高稳定性预测,证明该模型是可行和有效的预测矿业安全生产情况。

1。介绍

采矿是一个国家经济的重要产业,支持社会的快速发展。然而,它也是一个行业患有高伤亡率。据统计,近年来矿难在中国1],3797年矿业安全事故导致14169人死亡发生在2005年和2018年,这一数字高于发达国家。等安全相关问题阻碍了经济和社会的发展。因此,准确预测矿业安全生产形势提供矿业安全决策的先决条件,确保安全生产。因此,有必要探索矿山安全生产形势的发展规律,分析其未来的变化。

矿业安全系统是一个复杂的发行量(2]。采矿业的安全生产问题是非线性的特点,不稳定,不确定,这是受几个因素:自然环境、社会环境、法律法规、企业环境和操作环境。事故的发生提出了一种非平稳的随机过程具有一定的趋势。1970年,盒子和詹金斯发表时间序列分析:预测和控制(3),为时间序列分析奠定了基础。经过半个世纪的发展,时间序列分析已经取得了很大的进步,已广泛应用于各个领域。它使推断未来的变化变量的基础上,构建动态时间序列模型。直到现在,波的非平稳随机时间序列的研究已经取得了一些成果,主要包括灰色理论(4],马尔可夫链理论[5),时间序列分析(6),支持向量机(SVM)模型(7)和神经网络(8]。局域网和周9]分析了煤矿事故中人为失误的原因,结合灰色预测和马尔可夫理论的优势,并提出了一种改进的灰色马尔可夫模型来模拟煤矿安全事故的发展趋势。刘等人[10)利用GM(1,1)对数据趋势预测和支持向量机预测残差序列。最后,两个模型的结果合并成一个预测模型,即灰色支持向量机GM(1, 1)支持向量机。保等(11)结合C²R模型和GM(1, 1)预测矿井的安全利益,从而确保矿山安全管理体系的有效运行。王(12)提出了一个马尔可夫时间序列组合的相对预测误差预测模型,以适应安全生产事故的数量。李(13)首先建立一个环境影响因素系统通过选择的环境因素影响采矿业的安全生产情况。然后他决定每一个环境因素的重量使用层次分析法。张成泽et al。14)建立了一个预测模型使用一个长短期记忆(LSTM)递归神经网络(RNN),这是一个深度学习算法。小王和江15)使用粗糙集(RS)方法作为预处理器首先减少特征参数,然后进行分类建模基于支持向量机的方法。矿业安全生产预警指标体系的基础上,建立了人员、环境、设备、和管理。遗传算法被用来减少RS属性,和粗糙集结合支持向量机预测模型被用来预测煤矿生产的风险。

然而,中国矿业安全事故数据库的开发过程是不完美的,和有限的准确统计数据是可用的。一些数据非常受随机因素的影响,无法正确识别和分布规律。此外,很难定义矿业安全生产事故的指标,及其数据结构单一。的不准确和不完整的选择相对的矿业安全生产指标和量化误差会影响预测结果,导致预测错误。

的各种因素及其复杂的互连,影响采矿业的安全生产情况,各种因素的复杂性,和不完整等因素选择的指标,10000年的时间序列选择人口死亡率在矿业生产为研究对象。这可以有效地解决问题的不确定性选择和量化指标。1998年,美籍华人诺顿大肠黄提出了一种新的信号处理方法,即。EMD方法。从那时起,国内外学者进行了大量的研究,和EMD方法发展迅速16]。它是一种自适应二进制的滤波器组,包括两个过程的分解和重建17]。信号分解成许多不同的特征模态函数通过EMD特征尺度,而不是将信号分解为一个正弦或余弦函数像通常的傅里叶变换18]。EMD可以分析线性和非线性稳态信号和非平稳的信号,具有良好的信噪比。因此,信号分析和处理的EMD方法被认为是预测矿业安全生产的情况。通过EMD,矿业安全生产形势的时间序列分解成几个固定组件序列和原始序列的特点,揭示了通过研究这些组件。

固定组件序列EMD有很强的时间序列后,显示随时间周期性波动。虽然机器学习和深度的学习方法,如支持向量机和神经网络可以更好地固定组件中提取非线性信息序列,他们不考虑平稳的时间序列,和中长期的预测精度不高。自回归移动平均模型是应用最广泛的模型在时间序列分析19]。它只要求预测序列是平稳序列。不仅可以固定组件的非线性和时间被考虑而且建模所需的信息量小,可实现高精度预测的小样本。也可以取得良好的效果在中期长期预测(20.]。因此,ARMA模型可以用来预测固定组件序列EMD的目的达到后用一个简单的方法解决复杂的实际问题。

系列的EMD趋势,它具有一定的模糊性和随机性。序列的模糊性反映在信息的统计误差,和序列的灰色反映在数据的不完备的信息,和这一趋势序列EMD单调序列(后21]。为此,通用模型可以用来预测趋势组件系列。这是一个处理不完全信息的方法。它没有特殊要求也没有任何限制数据及其分布。即使只有少量的历史数据和一个任意的随机分布,高水平的预测精度可以得到22]。趋势序列组件分解通过EMD方法属于“小样本”、“贫信息”不确定系统,“有些信息是已知的,有些信息是未知的。“通用汽车可以分析差异的程度在系统关联因素的发展趋势,分析并生成一系列的观察到的数值。这些反映预测对象的特点,建立相应的微分方程来预测事物的未来发展趋势,包括两个过程建立一个通用模型和使用通用模型进行外推预测。

通过处理时间序列10000人口死亡率的矿业生产情况使用EMD方法,时间序列分解成几个组件可以分解原始时间序列的隐藏信息,使原始时间序列的特征清晰,并保存其动态特性。然后,这些组件进行了研究,揭示了原始序列的特性。根据每个组件的特征,通用模型用于预测趋势序列,和ARMA模型用于预测光滑细节序列,然后EMD-GM-ARMA建立模型来预测未来的发展趋势矿业安全生产。它提供了一个研究新决议矿业安全生产情况。

本文的其余部分组织如下:部分2提供了一个详细的介绍EMD-GM-ARMA模型的建模原理和流程。部分3解释了数据的来源和验证模型。执行模型的预测精度的比较4。部分5讨论并阐述了未来的研究方向,总结了本研究得出的结论部分6。

2。EMD-GM-ARMA模型的建立

矿业安全生产形势的时间序列显示了随机过程的非平稳特性,这使得它很难准确地确定其分布规律。EMD算法可以使离散随机非平稳的时间序列为高频和低频信号序列,分别代表总体变化趋势和随机干扰。它可以完全保留原时间序列的信息(23]。

通用模型适用于原始的动态序列与明显的指数律在相等的时间间隔。它可以描述系统的内部特征和发展趋势,具有较高的预测精度的变量指数增加或减少的趋势(24]。尽管单一序列值构成的时间序列ARMA模型是不确定的,整个序列的变化有一定的规律性,所以它可以使用相应的近似数学模型。ARMA模型适用于随机稳定时间序列(25]。因此,可以将时间序列分解成低频信号与随机波动和高频信号使用EMD方法总体趋势。通用模型用来预测EMD的高频信号,而ARMA模型用于预测低频信号。原始时间序列的预测结果可建立EMD-GM-ARMA模型,从上述两个模型的叠加结果预测。EMD-GM-ARMA模型的建模原理图所示1。建模步骤如下。

步骤1。时间序列分解使用EMD方法
基于局部特征时间尺度的信号,EMD方法是用来抚平原始信号和复杂信号分解为有限数量的数据序列与不同的特征尺度,这叫固有模态函数(IMF)。国际货币基金组织(IMF)信号是基于以下三个假设26,27]:(1)原始时间序列至少有一个最大值点和一个最小值点。(2)特征时间尺度的定义是相邻极端点之间的时间间隔。(3)如果原始时间序列只有拐点没有极端点,原始时间序列应该有区别的一次或多次获得极端点分解之前。然后,获得组件的集成给出了相应的结果。EMD算法实现矿业安全生产形势的分解时间序列通过“筛选”的过程和原始时间序列的变化趋势是明显的转变。算法过程如下(28]:(1)时间序列的矿业安全生产情况 ,确定所有极端点的时间序列。上面的信封和较低的信封连接后得到的极大值和极小值点与三次样条曲线。在这里,被定义为以下方程: 被认为是一种新的时间序列 。IMF一阶(记录 )选择从原始时间序列矿业安全生产情况,一旦吗满足国际货币基金组织的两个条件above-given步骤的重复过程。(2)不同的时间序列没有IMF1组件时获得的分开 : 作为一个新的时间序列。的筛选过程1)重复,直到剩余的序列n_th顺序变成了单调序列。 (3)在数学方面,原始时间序列矿业安全生产情况可以表示为的总和n国际货币基金组织(IMF)组件和一个残余项 。 在哪里是剩余,代表原始时间序列的整体趋势。国际货币基金组织每个组件代表原始时间序列的构成从高频部分低频部分。
国际货币基金组织成分反映了原始时间序列的性质和真实的信息。时间序列的瞬时频率有一定的物理意义在通过EMD分解方法(29日]。EMD算法适用于复杂的时间序列的非平稳、非线性信号的数据序列。因此,它是可行的介绍EMD算法的时间序列预测矿业安全生产情况。

步骤2。国际货币基金组织的预测序列使用ARMA模型
ARMA模型在平稳随机序列的预测精度高,尤其是对ARMA ( ,问)模型。它可以用来预测国际货币基金组织序列(30.]。响应国际货币基金组织在时间序列t不仅是相关的反应 先前的时间 ,但也受到扰动的影响 ,当进入系统的时候 。这种类型的模型ARMA模型,记录为ARMA ( ,问)。它的数学模型如下31日]: 在哪里国际货币基金组织(IMF)序列;是白噪声过程;和和问订单的ARMA模型。
模型的顺序是由Akaike提出的AIC准则在1973年,它定义了AIC函数 在哪里是一个估计在ARMA (k,j)模型。一般来说,的值和经验决定,和从方程获得订单 。

步骤3。残差序列预测使用通用模型
EMD方法残差灰色和模糊特性,所以通用模型适用于预测残差。为了构建通用模型,首先处理原始数据的关联分析,从而将不规则的原始数据转换成一个生成的序列,并有很强的相关性。然后,建立了相应的微分方程模型。通用的预测步骤如下(32,33]。
EMD函数创建剩余时间序列 , 的积累 : 是一代序列意味着什么 : 然后, 它被称为灰色模型。
灰色模型的基本形式对应于whitenization方程: 在这个方程中,发展系数(一个)和灰色操作(b)可以通过统计最小二乘法获得的序列。
whitenization方程的解决方案 (也称为时间响应函数) 相对应的时间响应序列灰色微分方程 从方程(13), 。根据 减少序列,预测序列的残差序列可以获得。 最初的矿业安全生产情况时间序列分解为多个国际货币基金组织(IMF)组件序列和一个残余项的序列通过EMD方法。国际货币基金组织(IMF)组件预测的通用模型,剩余是ARMA模型预测的34]。原始序列的预测结果用于建立EMD-GM-ARMA模型,从组件的叠加结果的预测结果。

3所示。EMD-GM-ARMA模型的应用

把每个月的每10000人死亡率矿业事故从2005年到2019年为研究对象。数据来自国内矿业安全生产事故的统计数据《安全与环境和采矿人员的统计分析”国家数据”网站。EMD-GM-ARMA模型建立了使用人均152组数据死亡率从矿难从2005年1月到2017年8月作为训练样本。人均20组数据死亡率从矿难从2017年9月到2019年4月被用作测试集验证模型的可靠性。10000人死亡率统计在国家矿山安全事故从2005年到2019年在图所示2。

3.1。时间序列预测的矿业安全生产情况

原始时间序列如图2。采矿事故时间序列波形随着时间的变化,因此可以采用时域分析的方法。为了更好地描述的特点,挖掘时间序列,序列可以表示的频率。可以看出,矿难的时间序列是不稳定的,但它显示了明显的下行趋势。因此,确定性时间序列中包含的信息不能有效地提取,如果是直接分析。此外,单一预测模型难以预测的波动趋势矿业事故时间序列。为了解决这个问题,矿难的时间序列分解为多个固有模态函数和一个单调系列通过EMD方法。矿难的顺序是由EMD分解方法如图3。

六国际货币基金组织(IMF)组件,ARMA方法用于预测,和每个组件的顺序模型是由方程(6)利用AIC顺序的方法。国际货币基金组织的AIC结果组件是由热映射图4。

网格与AIC值最小和最黑暗的颜色选择的顺序模式。国际货币基金组织每个组件的顺序如表所示1。

后的模型是固定的,大学入学考试编程是用来预测每个国际货币基金组织(IMF)组件。剩余(RES)组件是通用模型预测的趋势。这两个模型的预测结果叠加获得总预测结果。预测结果如图5- - - - - -12。

IMF分量分解从原始随机波动序列使用EMD方法是稳定起伏的序列。ARMA模型具有较高的预测精度,RES是一个单调序列适合灰色模型预测。从预测结果可以看出,每个组件的拟合精度和预测结果精度高。2015年1月以来,矿业安全事故已经逐渐显示出向上的趋势,导致较低的通用模型的拟合精度从2015年1月。的平均相对误差EMD-GM-ARMA模型的预测是11.45%。

3.2。模型精度检验

为了测试模型的残差序列是否服从正态分布,这个quantile-quantile (QQ) EMD-GM-ARMA模型的残差序列预测图显示在图13。

从QQ图可以看出,残差,这是在直线运动时,下降95%接受区间。因此,它可以被认为是预测剩余EMD-GM-ARMA模型的独立是一个全面的响应受许多随机现象,和剩余序列满足正态分布。

执行一个Durbin-Watson (dw)测试模型来测试模型的一阶自相关和构造统计(35,36]: 在哪里剩余的时间吗t;剩余的时间吗t−1;和n是样本容量。

每个组件的dw值如表所示2。

每个国际货币基金组织(IMF)的预测残差的dw价值组件大约是2.0。dw分布表显示每个IMF分量,不存在一阶自相关和dw价值总额的预测剩余是2.047751。这表明没有自相关EMD-GM-ARMA模型的预测结果,表明其更好的预测效果。

4所示。EMD-GM-ARMA模型的验证

过去,非平稳的时间序列经常使用不同的平和系列,建立微分自回归综合移动平均(ARIMA)模型(37- - - - - -39]。为了比较EMD-GM-ARMA和ARIMA模型的预测精度,机器学习模型(PSO-SVM)和深度学习模型(小波神经网络),都是用来训练152套样品,共20集从2017年9月到2019年4月被用来验证其可靠性。每月10000人的死亡率在矿山安全事故预测。其中,选择ARIMA模型还假设温度图的顺序测定方法。选择小波基的小波神经网络是基于熵的相关标准和比例标准,减少小波基选择的主观性。粒子群优化算法的参数选择通过方差分析来分析在不同的参数条件下粒子的搜索能力和优化算法的性能。在此基础上,最重要的两个参数的惯性权重粒子群优化性能和加速因子决定。每个模型的预计值如表所示3。

三个绝对指标平均绝对误差(MAE),平均相对误差(绝笔)和均方根误差(RMSE)被用来分析每个模型的预测结果。其中,美是用来测量之间的平均绝对误差预测值和实际值的实验数据集。再保险是真正价值绝对误差的比例(40]。一般来说,相对误差可以更好地反映测量的可信度。RMSE更敏感的离群值。每个模型的预测误差分析表所示4。

矿业安全事故的时间序列从2017年9月到2019年4月由EMD-GM-ARMA预测模型。结果表明,美,绝笔,RMSE预测的0.3477%,9.8935%,和0.4029%,分别低于对比模型。错误的比较分析各预测模型如图14。每个模型的预测效果如图15。

图中可以看到14EMD-GM-ARMA模型的相对误差低于ARIMA模型的小波神经网络模型和粒子群优化支持向量机模型。此外,预测结果的相对误差波动从EMD-GM-ARMA模型更稳定,表明预测EMD-GM-ARMA模型的稳定性更好。此外,从图可以看出15EMD-GM-ARMA模型具有更好的拟合效果比其他模型。

5。讨论和未来的工作

从图15,可以清楚地看到,EMD-GM-ARMA模型显示了ARIMA模型拟合效果比。EMD-GM-ARMA模型的平均相对误差为9.8935%,ARIMA模型的平均相对误差为17.7318%,和EMD-GM-ARMA模型的预测精度相对较高。鉴于ARIMA模型使用不同抚平原始序列,它会导致失去原来的序列信息。乘以不同的是失去越多,失去的更多信息,和原来的EMD可以有效地保留原始时间序列信息。艾哈迈迪et al。41)的研究也发现了类似的现象。微分处理将失去原始时间序列的内部信息。我很难预测期间的这部分信息,导致预测精度下降。因此,EMD后平稳时间序列的准确性明显高于固定系列不同处理后,和预测模型的稳定性也很高。

与小波神经网络相比,EMD-GM-ARMA模型的平均相对误差为9.8935%,这是小的比小波神经网络模型的平均相对误差。小波分析了傅里叶变换的不足,改善了缺点,傅里叶变换在时域中没有解决能力。然而,相比之下,经验模态分解,选择小波基的小波神经网络预测具有很强的主观性,影响了模型的预测精度,在这项研究中发现了类似的现象。同时,神经网络往往需要大量的训练样本。较少的训练样本和样本分布不均匀会导致错误。然而,时间序列样本矿业安全生产形势是有限的。当有几个数据,深入学习算法的性能是不精确的。这是因为深学习算法需要大量的数据来理解它完美,所以小波神经网络的预测效果不理想。

与PSO-SVM模型相比,我们可以看到数据10和11,当预测步长是8,PSO-SVM模型的平均相对误差接近EMD-GM-ARMA模型的平均相对误差EMD-GM-ARMA模型和粒子群优化支持向量机模型分别为9.1527%和10.2834%,分别。预测超过8步时,拟合效果的粒子群优化支持向量机模型显著低于EMD-GM-ARMA模型。PSO-SVM模型具有良好的预测效果的短期预测和非线性小样本序列。但由于缺乏考虑时间序列,媒介长期预测的预测精度比EMD-GM-ARMA模型,短期预测,平均相对误差很小,但是波动很大,所以预测在短期内稳定EMD-GM-ARMA模型预测是不太好。

Dhiman et al。42]还发现小波变换和支持向量机的现象的主体性的准确性成为低且不稳定的中长期预测当使用SVM建立在小波变换的预测模型。通过数据14和15,它可以直观地看到,矿业安全生产形势EMD-GM-ARMA预测的模型与真实的变化趋势是一致的。EMD-GM-ARMA模型不仅考虑了矿山安全生产形势波动的趋势特征,还考虑了矿山安全生产形势波动的周期性特点,也就是说,矿业安全生产形势的长期预测时机和非线性。因素的影响,如长期采矿安全生产形势预测,取得了良好的预测结果。因此,它可以完全证明EMD-GM-ARMA模型具有良好的预测具有实际指导意义的矿业安全生产,有助于安全决策者准确把握矿业安全生产和变化做出正确的安全决策。

本文相关的预测结果已经证明,本文提出的方法可以获得较高的预测精度矿山安全生产形势的时间序列预测,可以有效地解决非平稳的两个核心问题,很难定义指标时间序列的预测。然而,为了获得更高的预测精度在未来预测,下一步将继续开展研究在以下两个方面:(1)时间序列预测的准确性是密不可分的原始时间序列的内在规律。由于事故统计数据,很难定义事故指标,还有隐藏和失败报告等现象。会有一定的统计错误,这将导致时间序列的内在规律的削弱,影响模型的准确性。因此,下一步将研究这个。在未来的研究中,它被认为模糊统计事故信息和反映的原始时间序列的统计误差矿业安全生产情况。(2)从相关结果可以看出本文EMD能够更好的保留原始时间序列的信息。但当数据不是纯白色噪音,一些时间尺度分解将丢失,导致混乱的分解。未来的研究将集中在这方面的研究中,考虑保持国际货币基金组织意味着在正常动态滤波范围,所以白噪声相互抵消,抑制模态混叠,进一步提高预测精度。

6。结论

介绍一个EMD-GM-ARMA模型用于预测矿业安全生产情况。通过引入信号处理的EMD算法对矿山安全事故时间序列的预测,矿业安全生产形势相应有效时间序列分解成低频和高频趋势序列波动特征序列。即光滑的详细序列IMF组件和RES组件的整体变化趋势序列探索原始序列的特点,通过研究每个组件的顺序。

EMD-GM-ARMA模型用来预测152年的训练样本集,这完全符合原始序列。预测残差被QQ测试和dw测试,测试和剩余序列没有自相关。它表明EMD-GM-ARMA预测模型可以提取矿业安全生产情况的内部信息时间序列更完全。EMD-GM-ARMA模型、ARIMA模型、小波神经网络模型,和PSO-SVM模型被用来预测20套测试样品。小波神经网络预测结果的相对误差是最不稳定的预测小数量的样品,因为需要大量的训练样本来保证深度学习方法的准确性。的预测结果的相对误差波动EMD-GM-ARMA预测模型是最小的,表明预测EMD-GM-ARMA模型的稳定性更好。它可以提供相关理论依据矿业安全决策。此外,EMD-GM-ARMA模型的平均相对预测误差为9.8935%,比17.3718%的ARIMA模型和小波神经网络的29.7861%。当预测步骤8,PSO-SVM的平均相对误差为10.2834%,这是接近EMD-GM-ARMA模型的准确性。当预测步骤超过8,EMD-GM-ARMA模型的预测精度更高。 The EMD-GM-ARMA model can be used to predict the situation of mining safety production, which has certain guiding significance for the decision-making in mining safety production.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中央指导地方科技发展中国(没有特殊项目。2019 zyyd060)和中国国家自然科学基金(批准号51704213)。

引用

1. c·李和l·肖”国内生产安全事故的统计分析2018年11月至12月,“《安全与环境,19卷,不。1,第364 - 363页,2019。视图:谷歌学术搜索
2. m·古尔·m·f·Ak, a . f . Guneri“毕达哥拉斯模糊VIKOR-based矿山行业,安全风险评估方法”《安全研究,卷69,不。69年,第153 - 135页,2019年。视图:出版商的网站|谷歌学术搜索
3. 其子a.s.。陈,H.-C。常,L.-Y。程”,略微的时变方差比例:应用集成的ARMA模型,”信号处理专业卷,47号13日,1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
4. j . Olamaee m·穆罕默a . Noruzi和s . m . h . Hosseini”前一天价格预测混合预测模型的基础上,“复杂性,卷2,不。5,156 - 164年,2016页。视图:出版商的网站|谷歌学术搜索
5. x,“基于无偏灰色马尔可夫预测的数据融合算法,系统”《传感器技术没有,卷。31日。8,1266 - 1269年,2018页。视图:谷歌学术搜索
6. f·谢”,时间序列模型分析煤炭矿山安全事故,“化学矿物和处理,43卷,不。6日,33节,2014页。视图:谷歌学术搜索
7. n, l·g·王,m·t·贾”岩爆预测基于粗糙集理论和支持向量机,”中南大学学报,48卷,不。5,1268 - 1275年,2017页。视图:出版商的网站|谷歌学术搜索
8. 王z和郭y”,煤炭地下矿山安全评价模型的基于BP神经网络,”中国安全科学杂志》上,19卷,不。2、124 - 128年,2009页。视图:谷歌学术搜索
9. J.-Y。局域网和y周”,应用灰色马尔可夫SCGM(1,1)模型来预测煤矿事故死亡的”国际学术研究的通知ID 632804条,卷。2014年,7页,2014。视图:出版商的网站|谷歌学术搜索
10. s . b . Liu z h .赵,c·w·吴”研究煤矿安全事故预测灰色支持向量机的基础上,“云南民族大学学报,23卷,不。4、270 - 272年,2014页。视图:谷歌学术搜索
11. j·鲍,j·张,S.-P。施”,投影分析的C2R模型应用于灰色预测OHASA18001安全投资和矿业的,”Filomat,3卷,不。32岁,1581 - 1587年,2018页。视图:出版商的网站|谷歌学术搜索
12. y l . Wang“煤矿瓦斯事故的预测基于时间series-Markov模型,”中国矿业,26卷,不。12日,第183 - 179页,2017年。视图:谷歌学术搜索
13. d .问:李研究安全形势预测基于环境影响的采矿系统,武汉科技大学,武汉,中国,2014。
14. y张成泽,宋和y秋,“业务故障预测的建筑承包商使用LSTM RNN与会计、”建筑市场,宏观经济变量,36卷,不。2、2020。视图:出版商的网站|谷歌学术搜索
15. 王y和g .江”,煤矿安全风险预测基于RS-SVM模型相结合,“中国矿业大学和技术杂志》上,46卷,不。2、423 - 429年,2017页。视图:谷歌学术搜索
16. y, c·张,j .太阳和j .郭”提高风速预测使用经验模态分解,”电气和计算机工程的进步,18卷,不。2,3 - 10,2018页。视图:出版商的网站|谷歌学术搜索
17. 李x y”研究ARMA-GM结合时间序列模型预测桥梁结构状态,”重庆交通大学学报,35卷,不。4,6 - 9,2016页。视图:谷歌学术搜索
18. n . a .阿加尼亚和a . Homaifar EMD-based预测时间序列预测深层信念网络:一个应用程序对干旱预报,“水文,5卷,不。1,p。18日,2018。视图:出版商的网站|谷歌学术搜索
19. b . n . Ghimire”应用ARIMA模型对河流排放分析,“尼泊尔物理学会杂志》上,4卷,不。1,新,2017页。视图:出版商的网站|谷歌学术搜索
20. Z.-X。王、李问:“造型有限公司之间的非线性关系₂使用PSO算法的灰色verhulst排放与经济增长模型中,“《清洁生产卷,207年,第224 - 214页,2019年。视图:出版商的网站|谷歌学术搜索
21. l . Tasci和m . Tuncez露天矿变形的监测和预测变形的灰色预测模型,”《华尔街日报》的灰色系统,4卷,不。30日,第157 - 152页,2018年。视图:谷歌学术搜索
22. k .长”,煤矿安全隐患检查平台基于网络信息安全技术管理,“世界有色金属,3卷,不。14日,第86 - 85页,2019年。视图:谷歌学术搜索
23. s。哦,h .壮族K.-A。林(音)和z”,增强EMD复数单变量单”,北美经济和金融杂志》上,13卷,不。4、424 - 433年,2019页。视图:出版商的网站|谷歌学术搜索
24. W.-B。小王和研究。胡,”多变量灰色预测模型进行模式分类不分时间序列、”《华尔街日报》的灰色系统,3卷,不。1,第141 - 135页,2019。视图:谷歌学术搜索
25. c . Velasco和i . n . Lobato“频域最小距离推理可能不可逆转和因果arma模型”统计年鉴,46卷,不。2、555 - 579年,2018页。视图:出版商的网站|谷歌学术搜索
26. z . m . Yaseen m .傅c . Wang w·h·m·w·Mohtar r·c·托和a . El-shafie”混合人工神经网络的应用加上滚动机制和流速及流水量预测的灰色模型算法在多个时间视野,”水资源管理,32卷,不。5,1883 - 1899年,2018页。视图:出版商的网站|谷歌学术搜索
27. r·c·巴姨,“开源预测我的卡车失败率基于Mallat算法和ARMA模型,”安全科学与技术杂志》上,28卷,不。10日,31-37,2018页。视图:谷歌学术搜索
28. 徐,x的歌,K.-L。徐、f·杨和z黄”,轴承性能退化评估基于集成经验模态分解和亲和力传播集群、”IEEE访问7卷,第54637 - 54623页,2019年。视图:出版商的网站|谷歌学术搜索
29. j·l·Wescoat a Siddiqi, a·默罕默德”Socio-hydrology通道流动的复杂流域:河流、运河、和分流在旁遮普,巴基斯坦,“水资源研究,54卷,不。1,第479 - 464页,2018。视图:出版商的网站|谷歌学术搜索
30. k·李和xμ,“围堵政策控制的随机半马尔可夫切换拓扑,多重代理系统”国际期刊的健壮和非线性控制卷,29号14日,第4955 - 4943页,2019年。视图:出版商的网站|谷歌学术搜索
31. h·列侬和j .元,“数字化高斯ARMA模型的估计蒙特卡罗期望最大化,”计算统计和数据分析,卷133,不。3、277 - 284年,2019页。视图:出版商的网站|谷歌学术搜索
32. l .吴邦国委员长和h .赵“离散灰色模型与加权积累,”软计算,23卷,不。23日,第12881 - 12873页,2019年。视图:出版商的网站|谷歌学术搜索
33. c . l .郑w z吴,j . m .江”预测中国天然气消费使用一种新的灰色模型,”复杂性卷,2020篇文章ID 3257328、9页,2020。视图:出版商的网站|谷歌学术搜索
34. c·l·赵和z h . Yu”生存能力的比较通用和ARMA模型预测在网络信息系统中,“先进材料的研究卷,846 - 847。46岁,1648 - 1651年,2014页。视图:出版商的网站|谷歌学术搜索
35. f . Proia”测试剩余相关的任何顺序自回归过程,”通信在统计理论和方法卷,47号3、628 - 654年,2018页。视图:出版商的网站|谷歌学术搜索
36. z . Wang j .太阳、g . Chen和j·陈,“切换非线性时滞系统的稳定性分析和采样数据输入,“国际期刊的健壮和非线性控制卷,29号14日,第4715 - 4700页,2019年。视图:出版商的网站|谷歌学术搜索
37. l . Ma c . Hu r·林和y汉族,“ARIMA模型预测基于触摸屏软件,”IOP会议系列:地球和环境科学,第208卷,第012017页,2018年。视图:出版商的网站|谷歌学术搜索
38. 学术界。香”,与ARIMA模型预测点的过程,”。通信在统计理论和方法,45卷,不。17日,第5076 - 5066页,2016年。视图:出版商的网站|谷歌学术搜索
39. 施c . c . y . Wang Wang, b·肖”短期云覆盖使用ARIMA时间序列模型预测,“遥感信,9卷,不。3、274 - 283年,2018页。视图:出版商的网站|谷歌学术搜索
40. x p, s·h·肖,m . y .高x王,“城市交通流的非线性分数阶灰色模型的短期预测,“《华尔街日报》的灰色系统,30卷,不。4 - 17,2018页。视图:谷歌学术搜索
41. r·艾哈迈迪j . Shahrabi, b . Aminshahidy”预测多井流量使用小说时空建模方法,”石油科学与工程》杂志上文章ID 107027卷,191年,2020年。视图:出版商的网站|谷歌学术搜索
42. h . s . Dhiman d . Deb, j·m·格雷罗州”混合动力机器智能SVR风力预测变量和坡道事件,“可再生能源和可持续能源的评论卷,108年,第379 - 369页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年“三吴等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。