郭風景，王 斌，賈澎濤，孫劉詠，廖永強

(1.陜西陜煤蒲白礦業(yè)有限公司，陜西省渭南市，715517；2.陜西建新煤化有限責任公司，陜西省延安市，727300；3.西安科技大學計算機科學與技術(shù)學院，陜西省西安市，710054)

0 引言

煤礦瓦斯?jié)舛阮A測的目的是在充分挖掘歷史數(shù)據(jù)的基礎(chǔ)上，獲取可靠的災害前兆信息，對瓦斯災害進行超前預報或預警，從而避免事故的發(fā)生。隨著人工智能技術(shù)的廣泛應(yīng)用，許多學者將機器學習算法應(yīng)用于瓦斯?jié)舛阮A測，取得了較好的預測效果。綜合來看，這些瓦斯?jié)舛阮A測方法主要分為基于單一傳統(tǒng)機器學習的方法、基于集成學習的方法和基于深度學習的方法3類。

基于單一傳統(tǒng)機器學習的瓦斯?jié)舛阮A測方法主要有灰色關(guān)聯(lián)分析與高斯過程回歸方法[1]、偏最小二乘回歸分析方法[2]、差分自回歸移動平均(ARIMA)方法[3]、BP神經(jīng)網(wǎng)絡(luò)方法[4-8]、支持向量回歸方法[9-10]等。這些研究在瓦斯?jié)舛阮A測方面做出了有益的探索，但是單一機器學習方法受方法本身的局限，預測精度還有待進一步提高，預測的泛化能力也有待改進。

為了克服單一方法的不足，一些學者采用集成學習方法預測瓦斯?jié)舛?。集成學習方法通過組合多個基學習器進行預測，從而達到“取長補短”的目的。付華等[11]在不等權(quán)泛平均運算模型研究的基礎(chǔ)上，提出了集成自回歸和徑向基函數(shù)模型的礦井瓦斯?jié)舛阮A測方法；賈澎濤等[12]基于瓦斯?jié)舛扰c環(huán)境因素相關(guān)性分析，提出了瓦斯災害選擇集成回歸學習模型；LIANG Rong等[13]構(gòu)建了基于前序選擇集成回歸模型的瓦斯?jié)舛阮A測方法。這些集成預測模型彌補了單一方法的不足，精度和泛化能力較單一模型有所提高，但是運行的時間效率有所下降。

隨著深度學習的逐漸應(yīng)用，近年來，一些學者也將其應(yīng)用在瓦斯?jié)舛阮A測領(lǐng)域。李樹剛等[14-15]建立了基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的工作面瓦斯?jié)舛阮A測模型，獲得了較好的準確性。但是RNN網(wǎng)絡(luò)隨著數(shù)據(jù)量、隱藏層數(shù)和神經(jīng)元數(shù)量的增大，往往會面臨梯度爆炸、梯度消失和長期依賴的問題。因此，一些學者[16-23]研究了基于長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的瓦斯?jié)舛葧r間序列預測，有效解決了RNN網(wǎng)絡(luò)存在的問題，取得了較好的預測效果。但是LSTM模型存在參數(shù)較多、結(jié)構(gòu)較為復雜、不易收斂、訓練時間長等問題。為了解決LSTM存在的問題，一些學者[24-26]提出了一種基于優(yōu)化門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(GRU)的瓦斯?jié)舛阮A測模型，相比RNN和LSTM具有更高的精度和更少的運行時間。但是，與非深度學習模型相比，深度學習模型訓練耗時長，需要數(shù)據(jù)量大，不能滿足在線預測的要求。

綜合來看，單一的機器學習模型的精度有待提高，而深度學習模型由于網(wǎng)絡(luò)結(jié)構(gòu)復雜、參數(shù)多，導致建模效率較為低下。此外，目前多數(shù)瓦斯?jié)舛饶Ｐ蜑殪o態(tài)模型，不支持在線預測，這些都是需要亟待解決的問題。因此，筆者嘗試采用機器學習中有監(jiān)督集成學習方法——梯度提升決策樹(GDBT)，進行瓦斯?jié)舛阮A測。首先，采集瓦斯?jié)舛葰v史數(shù)據(jù)，應(yīng)用拉格朗日插值法和拉依達準則對數(shù)據(jù)中的異常值和缺失值進行預處理；其次，在集成學習理論的基礎(chǔ)上，構(gòu)建基于梯度提升決策樹的瓦斯?jié)舛阮A測模型；然后，采用L2-范式作為目標函數(shù)，確定模型輸入滑動窗口長度的最優(yōu)值，建立瓦斯?jié)舛仍诰€預測模型；最后，實驗驗證了模型的預測有效性、在線預測效率和泛化能力。

1 基于GBDT的瓦斯?jié)舛阮A測模型

GBDT算法是集成學習算法Boosting的一個代表算法，用于解決高維非線性數(shù)據(jù)的分類與回歸預測問題[27]。GBDT算法采用K個分類回歸決策樹(CART)[28]作為基學習器，以K個基學習器輸出結(jié)果的和作為最終結(jié)果。

1.1 瓦斯原始數(shù)據(jù)預處理

原始瓦斯?jié)舛葦?shù)據(jù)由于受傳感器故障、傳輸鏈路中斷、環(huán)境等因素影響，可能存在數(shù)據(jù)缺失、噪聲、異常值等“臟數(shù)據(jù)”。在進行瓦斯?jié)舛阮A測之前，必須先對這些“臟數(shù)據(jù)”進行處理。采用拉依達準則查找原始數(shù)據(jù)中的異常值，并將異常值視為缺失值。

拉依達準則是較為常見的異常值判別準則。如果具有n個數(shù)據(jù)的時間序列集合X={x1，x2，…，xn}的殘差絕對值大于3倍的標準偏差時，即如果標準差如式(1)所示時，不等式(2)成立，則認為該測量值為異常值，將異常值處理為缺失值。

式中：σ——數(shù)據(jù)的標準差；

xi——第i個數(shù)據(jù)值；

n——數(shù)據(jù)的總數(shù)量。

然后再應(yīng)用拉格朗日插值法對數(shù)據(jù)中的缺失值進行預處理。拉格朗日插值法是一種多項式插值方法。設(shè)具有n個離散點的瓦斯監(jiān)測時間序列數(shù)據(jù)為G={x1，x2，…xt，…，xn}，t時刻瓦斯監(jiān)測數(shù)據(jù)缺失值為xt，有拉格朗日插值函數(shù)L(t)，使得xt=L(t)。構(gòu)造n次拉格朗日插值函數(shù)為：

(3)

式中：L(t)——拉格朗日插值函數(shù)；

t——時刻；

ti——第i個時刻；

tk——第k個時刻。

拉格朗日插值法簡單易用，但是在實際使用中，為了避免龍格現(xiàn)象(即在兩端處波動極大，產(chǎn)生明顯的震蕩)，需要根據(jù)數(shù)據(jù)具體情況確定合適的插值階數(shù)。

1.2 瓦斯?jié)舛阮A測決策樹

GBDT瓦斯?jié)舛阮A測算法的基礎(chǔ)是回歸決策樹CART算法，回歸決策樹本質(zhì)是一個二叉樹，由父節(jié)點和子節(jié)點構(gòu)成。

式中：I——脈沖函數(shù)；

ave——平均值函數(shù)；

yi——子空間中對于輸入xi的輸出結(jié)果。

(6)

對于此分割問題，存在一個最優(yōu)分割，使得R={x1，x2，…，xn)最小，其中R={x1，x2，…，xn)可表示為：

(7)

式中：|Gm|——屬于子空間Gm樣本點的個數(shù)。

按照上述分割方法，將Gl和Gr作為父節(jié)點遞歸進行分割，直至當前父節(jié)點中樣本的y值方差小于給定方差閾值。條件滿足時，停止遞歸并將當前父節(jié)點設(shè)置為葉子節(jié)點。至此，建立起單棵瓦斯?jié)舛阮A測CART樹。

1.3 基于GBDT的瓦斯?jié)舛阮A測模型構(gòu)建

單顆CART決策樹已經(jīng)能對瓦斯?jié)舛冗M行預測，但精度不高，且不穩(wěn)定。因此，應(yīng)用集成學習的思路，在單棵CART樹的基礎(chǔ)上，構(gòu)建基于GBDT的瓦斯?jié)舛阮A測模型(PGBDT)，則可有效彌補單棵CART預測樹的不足。

GBDT算法是一種迭代的決策樹算法，可以看作是M棵CART樹構(gòu)成的加法模型：

(1)初始化一個弱CART樹學習器CART0(x)：

(8)

式中：L(xi，c)——損失函數(shù)。

(2)針對瓦斯樣本數(shù)據(jù)集建立M棵CART樹：

對于i=1，2，…，n，計算m(m=1，2，…，M)棵樹損失函數(shù)的負梯度：

(9)

式中：rm，i——損失函數(shù)的負梯度。

(3)使用CART回歸樹擬合數(shù)據(jù)(xi，rm，i)(i=1，2，…，n)，獲得第m棵回歸樹，對應(yīng)的葉子節(jié)點區(qū)域為Rm，j(j=1，2，…，Jm)，第m棵回歸樹葉子節(jié)點的個數(shù)為Jm。

(4)對于Jm個葉子節(jié)點區(qū)域(j=1，2，…，Jm)計算出最佳擬合值：

(10)

式中：cm，i——最佳擬合值；

c——待擬合的模型參數(shù)。

(5)更新強學習器CARTm(x)：

(11)

(6)建立M棵CART樹的輸出加權(quán)求和，得到GBDT模型的結(jié)果：

(12)

式中：w——模型參數(shù)；

α——每棵樹的權(quán)重。

PGBDT模型結(jié)構(gòu)如圖1所示。

圖1 PGBDT模型結(jié)構(gòu)

1.4 在線預測

前述建立的PGBDT模型是靜態(tài)模型，并不具備在線預測的能力，不能滿足瓦斯?jié)舛仍诰€預測的需求。因此，對PGBDT模型進行改進，采用L2-范式作為目標函數(shù)，確定模型輸入滑動窗口長度的最優(yōu)值，建立瓦斯?jié)舛仍诰€預測模型，使其具備在線預測的能力。

設(shè)在一個時間監(jiān)測周期t內(nèi)的瓦斯?jié)舛葧r間序列為G={x1，x2，…xt}，yt+1為t+1即下一時刻的預測值：

yt+1=PGBDT(G，α，w)

(13)

設(shè)PGBDT模型在線學習窗口長度為N，則PGBDT模型參數(shù)估計由xt-1，xt-2，…，xt-N+1確定，窗口長度N的值可由L2-范式最小化(L2-min)方法確定。

設(shè)瓦斯?jié)舛葴y試集誤差ε(t)為：

(14)

取測試集誤差和的最小值，即可求得最佳學習窗口長度N值，并利用寬度為N的滑動窗口實現(xiàn)新監(jiān)測數(shù)據(jù)的增量學習。

2 實驗數(shù)據(jù)與實驗設(shè)計

2.1 實驗數(shù)據(jù)

在陜西建新煤礦進行工作面瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)采樣，采集時間從2019年4月18日12∶00開始，至2019年5月19日10∶35結(jié)束，數(shù)據(jù)采集粒度為5 min。應(yīng)采集數(shù)據(jù)8 914條，實際采集有效數(shù)據(jù)8 895條，數(shù)據(jù)缺失19條，無異常值和噪聲值。實驗數(shù)據(jù)均值為0.146%，標準差為0.087%，最小值0.021%，最大值0.925%。按照9∶1的比例劃分訓練集與測試集。

采用拉格朗日插值法對數(shù)據(jù)中的空值進行插值處理。處理后的數(shù)據(jù)盒如圖2所示，圖中顯示出一組數(shù)據(jù)的最大值、最小值、中位數(shù)及上下四分位數(shù)。

圖2 實驗數(shù)據(jù)盒

2.2 對比模型

選擇線性回歸(LR)、差分自回歸移動平均(ARIMA)[3]、支持向量回歸(SVR)[10]、BP神經(jīng)網(wǎng)絡(luò)[4-9]、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、LSTM[18-23]、GRU[24-26]等預測方法作為實驗對比方法。

2.3 評價指標

為了檢驗預測方法的有效性，必須用一定的指標對預測效果進行綜合性的衡量和評價。按照預測效果評價的原則和慣例，采用以下評價指標作為參考。

設(shè)瓦斯?jié)舛葦?shù)據(jù)測試集真實值為Gtest={xn+1，xn+2，…，xn+s}，預測值集合為Gpre={yn+1，yn+2，…，yn+s}，選擇以下3項指標作為評價指標：

(1)平均絕對誤差MAE：

(15)

式中：s——總數(shù)據(jù)量。

(2)均方根誤差RMSE：

(16)

MAE和RMSE越小，說明模型的預測效果越好。

(3)判定系數(shù)R2：

(17)

R2取值為0～1，越接近1，說明模型的預測精度越高。

3 結(jié)果分析

3.1 不同模型對比分析

在測試數(shù)據(jù)集上，對PGBDT方法和對比預測方法進行測試，實驗評價結(jié)果和運行時間數(shù)據(jù)對比見表1。

表1 不同預測方法的評價指標結(jié)果

從表1可以看出，在預測精度方面，在MAE指標上，PGBDT取得了最好的預測效果0.014 5；在RMSE指標上，ARIMA、PGBDT、BP、LSTM和GRU取得了較好的預測效果0.001 0；在R2指標上，PGBDT取得了最好的預測效果0.891 2。在預測效率方面，LR和SVR的訓練和運行時間較短，PGBDT次之，BP、RNN、LSTM、GRU的運行效率較差。

綜合來看，對于靜態(tài)預測模型，LSTM、GRU等深度學習方法預測精度和PGBDT不相上下，但是PGBDT的預測效率較大幅度優(yōu)于LSTM和GRU模型。

3.2 在線學習窗口長度N的確定

學習窗口長度N依據(jù)L2-范式確定。設(shè)定學習窗口的下界為10，上界為600。將窗口值從10增至600，每次增加窗口的長度為1，創(chuàng)建相應(yīng)的PGBDT模型，并在測試集上進行逐點預測，求出每個模型在測試集上的L2-范式，得出L2-范式在不同學習窗口大小下的變化情況，如圖3所示。

圖3 學習窗口長度與L2-范式關(guān)系

由圖3可知，學習窗口在300之前，L2-范式值呈下降趨勢；學習窗口在300～430之間，L2-范式值來回波動；在學習窗口300時，L2-范式值取得最小值；學習窗口大小超過430之后，L2-范式值又呈上升趨勢。因此選擇序貫學習窗口大小為300，此時L2-范式值為0.0 007 981，MAE值為0.011 8，MAE比在全部訓練集上學習取得的MAE誤差率0.014 1降低了16.3%。全訓練集上學習窗口長度為8 023，學習窗口大小300時比靜態(tài)全訓練集窗口長度降低96.3%。學習窗口長度的降低有效地降低了GBDT模型的建模復雜度，因此更適合在線預測。

3.3 實時在線預測

選擇在線學習窗口大小為300后，使用該預測模型在線逐點預測50個數(shù)據(jù)點，不同模型學習窗口在300時的預測效果對比見表2。

表2 不同模型在線預測方法的評價指標結(jié)果

從表2可以看出，在線預測情況下，PGBDT取得了最好的預測精度，MAE、RMSE和R2指標上均最優(yōu)；在預測效率上，LR模型取得了最好的預測效率，其次是SVR和PGBDT，綜合來看，PGBDT取得了較好的綜合預測結(jié)果。

4 結(jié)論

(1)提出了一種基于梯度下降回歸預測方法的瓦斯?jié)舛阮A測方法PGBDT，該方法利用歷史數(shù)據(jù)訓練梯度下降建立回歸模型，通過對缺失值進行預測，實現(xiàn)了針對瓦斯?jié)舛葧r間序列缺失值的插補。

(2)通過實驗，在相同條件下，對不同預測方法在瓦斯?jié)舛葦?shù)據(jù)集上的預測效果進行了比較分析。實驗結(jié)果表明，PGBDT方法相較于LR、ARIMA、SVR、BP、RNN模型，在預測精度和運行時間方面具有較明顯的優(yōu)勢；相較于LSTM和GRU模型，在運行時間方面具有明顯優(yōu)勢。對于實時預測模型，PGBDT在預測精度和預測效率上均有較好的優(yōu)勢。

(3)PGBDT模型能夠方便快捷地部署到煤礦生產(chǎn)應(yīng)用領(lǐng)域，進行實時在線的瓦斯?jié)舛阮A測，對保障煤礦的生產(chǎn)安全和礦工的生命安全具有重要的現(xiàn)實意義。