基于数据填补-机器学习的煤与瓦斯突出预测效果研究

摘要：

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补(MI)和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型.采用总体准确率、局部准确率、运行时间这3种指标评价模型性能.研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90％和98.93％;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98％ ～1.11％,随机森林填补总体准确率提高5.13％ ～7.50％,随机森林填补的效果好于多重插补.

关键词：煤与瓦斯突出、预测、多重插补(MI)、随机森林填补(MF)、机器学习

所属期刊栏目：18

分类号：X936(安全工程)

资助基金：国家自然科学基金51374242

在线出版日期：2022-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：69-74