基于特征选择与BO-GBDT的工作面瓦斯涌出量预测方法
马文伟
中煤科工集团沈阳研究院有限公司,辽宁抚顺 113122;煤矿安全技术国家重点实验室,辽宁抚顺 113122
摘要：影响工作面瓦斯涌出量的特征众多,利用主成分分析等方法对原始数据降维,可节省计算资源,但会改变数据集的原始特征结构,损失部分原始数据特征的细节信息.针对该问题,建立梯度提升决策树(GBDT)瓦斯涌出量预测模型,利用5种特征选择算法对数据集进行特征过滤,分析每种特征组合在GBDT模型中的拟合度、计算时间及预测结果,优选出包装法为最佳的特征选择算法;结合现场实际,优选出8种特征进行瓦斯涌出量预测,结果表明,特征数量的多少与预测结果的准确性和泛化性并不呈正比关系,冗余特征或无关特征的存在反而会降低模型的预测准确性.为进一步提高模型精度,通过5种超参数寻优算法对GBDT模型进行超参数寻优,对比分析每一种超参数组合下GBDT模型的预测性能,结果表明:寻优算法本身对GBDT模型的准确性和泛化性影响较小,但基于树结构Parzen估计器(TPE)的贝叶斯优化(BO)算法所得出的最优超参数组合在GBDT模型中具有最高的准确率和相对较少的优化时间,其优化性能最佳,以此建立BO-GBDT模型.将特征选择后的数据集划分出训练集及测试集,利用BO-GBDT模型进行工作面瓦斯涌出量预测,并与随机森林、支持向量机、神经网络模型进行对比,结果表明:BO-GBDT模型具有更高的准确性和泛化性,其平均相对误差为2.61％,相比随机森林、支持向量机、神经网络模型分别降低了 35.56％,37.41％,32.03％,能够满足现场工程应用需求,为矿井安全生产提供理论指导.
关键词：瓦斯涌出量预测特征选择梯度提升决策树贝叶斯优化超参数优化机器学习
分类号：TD712.5(矿山安全与劳动保护)
资助基金：国家科技重大专项(2016ZX05045-004-001)
论文发表日期：2024-12-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 136-144 )
英文信息