基于Stacking模型的采空区稳定性预测

摘要：

为了预防采空区安全事故的发生,提高采空区稳定性预测的准确性,选取了影响采空区稳定性的11个主要因素作为特征值,建立了以Random Frost、Adaboost、ExtraTrees和LightGBM为初级学习器,Logistic-Regression为次级学习器的Stacking模型,对采空区稳定性进行预测.将从实际矿山获取的60组数据拆分成训练集与测试集对Stacking模型进行训练学习,同时对比单模型与Stacking模型的预测结果.使用F1值与AUC值对模型进行评价,Stacking模型F1值为0.967,AUC值为0.97,远高于Random Frost等传统单一机器学习模型.对于未放入模型训练的测试集数据,Stacking模型的预测准确度也优于Random Frost等传统单一机器学习模型.结果表明:Stacking模型相比单模型的机器学习方法能够更加精准有效地预测采空区的稳定性等级.

关键词：采空区、机器学习、集成学习、Stacking模型、稳定性预测、稳定性等级

所属期刊栏目：28

分类号：TD76(矿山安全与劳动保护)

资助基金：国家"十三五"重点研发计划项目"深部大矿段多采区时空协同连续采矿理论与技术"编号:2017YFC0602901

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：894-901