本发明涉及煤矿安全技术领域，尤其涉及一种基于自回归神经网络的瓦斯灾害预测方法。
背景技术：
瓦斯灾害预测是根据瓦斯监控系统的输出以及对应的输入可测部分的现在和过去观测值来估计将来的输出值。瓦斯灾害的预测对煤矿安全生产具有重大意义，因而引起很多学者的高度重视。受瓦斯监测技术的限制，准确预测瓦斯灾害目前还是一个比较困难的问题，特别是对于地质条件复杂、开采深度在1000m以下的高突瓦斯煤矿，其准确预测瓦斯灾害的难度更大。随着我国煤炭科学技术的迅速发展，在煤与瓦斯灾害预测方面取得了进展，提出了许多预测煤与瓦斯灾害的方法和指标，如基于带移动窗的神经网络瓦斯分类预测、基于k-最近邻分类的瓦斯灾害预测、基于人工神经网络的时序预测模型等。传统的基于时间序列分析预报理论是以线性自回归滑动平均模型为基础的，并可推广到非线性过程。但使用传统预测法需解决系统建模、参数估计和自适应修正等问题。已有的基于人工神经网络预测模型为解决这些问题提供了新途径。这些模型一定程度上提高了预测的精度和自适应性，但已有的瓦斯预测模型只能逼近或预测一维(一种属性)灾害，对于多维(多种属性)的灾害的预测甚少。如果还采用以往的模型来预测多维的灾害，那么，必然存在不同维(变量)之间的迭加运算，因为不同变量之间的关系不一样，有的是时变的，有的是随机变化的，而且有些关系无法明确表达。即使许多关系明确下来，算法本身也不存在通用性。对于不同变量，增加或减少变量，更替变量，网络模型的结构要改，学习算法也要重新设定。对于同一变量，当输入有很大的变化时，很可能以前的算法和结构又不适应。总之，现在的单维网络模型难以同时预测多维(变量)的灾害。
技术实现要素：
鉴于目前技术存在的上述不足，本发明提出了一种基于自回归神经网络的瓦斯灾害预测方法，提出了用于时序列并行预测的自回归神经网络模型的结构，并把相邻实际输出之间差别驱动的时差方法与动态bp算法相结合，作为训练自回归神经网络的学习算法。预测结果表明，该预测网络的自适应能力较强，预测精度高。
为了实现上述技术问题，本发明采用如下技术方案：
基于自回归神经网络的瓦斯灾害预测方法，包括以下步骤：
s1：首先采集实际监测的历史数据，筛选出训练数据和验证数据；
s2：建立自回归神经网络预测模型；
s3：调整网络模型结构，确定网络模型的输入输出层和隐层的个数及神经网络的最大学习次数；
s4：训练和验证所述网络模型；
s5：对验证后的所述自回归神经网络模型输入参数，得到瓦斯灾害预测值，从而跟踪预测瓦斯灾害。
附图说明
图1为本发明的流程图。
图2为基于自回归神经网络的多维瓦斯灾害预测模型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步描述。如图1所示本发明提供的基于自回归神经网络的瓦斯灾害预测方法，包括以下步骤：
s1：首先依靠瓦斯灾害监测仪和瓦斯监测系统采集实际监测的历史数据，筛选出训练数据和验证数据；
s2：如图2所示，建立自回归神经网络预测模型，网络纵向共四层：第一层输入层有p个输入单元，每个输入单元可以有n种元素，每种元素就代表一种属性，其中xt可以由网络的输出zt+1做进一步延迟得到，所以此网络的每一种元素的输入信号实际上也只有p-1个；第二层输入分配层将每一个输入单元的n种元素分配到n个并行网络中；第三层隐层也是n组，每个隐层有nh1个作用函数为sigmoid函数或双曲函数的非线性单元，nh1大小可改变，且隐层单元有延迟一步的自反馈。其中输入分配层和隐层组成了n组并行网络，这些并行网络同时各自训练不同属性的数据；第四层输出层有k个线性单元，最多可预测k步(如在t时刻输入前p个数据，做k步预测就会预测到[t+1,t+2.…，t+k]时刻的数据)。
该预测网络的数学模型如下：
网络的输入层：[xt,xt-1,…，xt-p]
式中，
第i组并行网络的输入层单元：
第i组并行网络的中间隐层单元：
式中，对每一个t时刻，
式中，vii(t)是每一个t时刻第i组并行网络的第i个隐单元的输入之和，解为第i组并行网络输入层连接权；
式中，zt+j表示t时刻第j个输出单元的输出，包含各属性。
网络的输出层：
式为t时刻第j个输出单元的第i种属性的输出。
其中，在网络初始化时，不考虑各神经单元的阈值，对每一时刻t,规定
s3：调整网络模型结构，确定网络模型的输入输出层和隐层的个数及神经网络的最大学习次数；
s4：训练和验证所述网络模型。该网络的学习算法为相邻实际输出之间差别驱动的时差方法与动态bp算法的结合，为了判断整体预测的精度，用以下两式作为判断依据：
式中，
s5：对验证后的所述自回归神经网络模型输入参数，得到瓦斯灾害预测值，从而跟踪预测瓦斯灾害。