基于改进卡尔曼滤波的油气藏产量预测方法及系统

1.本技术涉及油气藏开发技术领域，具体而言，涉及一种基于改进卡尔曼滤波的油气藏产量预测方法及系统。


背景技术：

2.国内外学者针对卡尔曼滤波方法应用于油藏产量预测领域做了诸多研究，随着油藏工程研究的深入，油气井的模型变得更为复杂，地质参数也越来越多。卡尔曼滤波方法需要提前明确系统噪声和量测噪声的统计特性的信息，但是在油藏预测领域，噪声是不确定的因素，很难得到有关噪声的统计特性的信息，因此，将卡尔曼滤波方法应用于油藏产量预测，会导致无法准确预测，预测精度会受到严重影响。


技术实现要素：

3.本技术旨在解决或改善现有技术或相关技术中存在的技术问题之一。
4.为此，本技术的第一目的在于提供一种基于改进卡尔曼滤波的油气藏产量预测方法。
5.本技术的第二目的在于提供一种基于改进卡尔曼滤波的油气藏产量预测系统。
6.为实现本技术的第一目的，本发明第一方面的技术方案提供了一种基于改进卡尔曼滤波的油气藏产量预测方法，包括：获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；基于特征参数构建数据集，数据集包括训练集和预测集；初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果；基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型；将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。
7.根据本技术提供的基于改进卡尔曼滤波的油气藏产量预测方法，首先获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数。然后基于特征参数构建数据集，数据集包括训练集和预测集。初始化长短期记忆网络模型，确定长短期记忆网络模型参数。基于训练集训练长短期记忆网络模型，基于预测集，长短期记忆网络模型预测油气产量，得出初步预测结果。基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型。最后通过卡尔曼滤波模型动态调整初步预测结果，得到最终预测结果。由于长短期记忆网络面对庞大复杂的数据具有很强的学习能力，对于高度并行的时序信息处理能力也很强大，无论输入、输出是否具有线性特性，它都有很好的容错性和鲁棒性，可与卡尔曼滤波算法互补，从而提高预测的准确率。通过粒子群算法初始化卡尔曼滤波模型的参数，可以提高油气产量的预测精度，加快网络训练的速度、增强模型范围能力
和扩大模型的适用范围。粒子群算法程序简单，参数较少，适用性强，适用于各种优化求解问题，并且它通过粒子在解空间中利用个体最优极值和整体最优极值信息来实现迭代训练，收敛速度更快。
8.另外，本技术提供的技术方案还可以具有如下附加技术特征：上述技术方案中，基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，具体包括：通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子；判断迭代次数是否满足预设迭代次数或精度要求；若是，以迭代结果作为卡尔曼滤波模型的参数。
9.在该技术方案中，基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，具体为首先通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子，然后判断迭代次数是否满足预设迭代次数或精度要求，若是，则以迭代结果作为卡尔曼滤波模型的参数。可以理解，将系统噪声矩阵和系统量测噪声矩阵的内部的参数作为优化的对象，根据粒子的速度和位置更新公式进行更新，计算粒子的适应度值，以粒子对应参数构建模型，训练数据并进行预测，粒子群算法的目标就是通过适应度函数不断迭代找到个体最优解和全局最优解，以最终的迭代结果作为噪声矩阵的参数。
10.上述技术方案中，基于改进卡尔曼滤波的油气藏产量预测方法还包括：对比实际的产量得出准确率，并调整长短期记忆网络模型和卡尔曼滤波模型使精度达到最优。
11.在该技术方案中，基于改进卡尔曼滤波的油气藏产量预测方法还包括对比实际的产量得出准确率，并调整长短期记忆网络模型和卡尔曼滤波模型使精度达到最优。具体地，通过实证分析对比卡尔曼滤波算法、长短期记忆网络算法、长短期记忆网络结合卡尔曼滤波和粒子群算法之间不同算法的预测结果，使用指标评价模型预测效果，对结果进行评估分析，得到影响油井日产气的最优模型。
12.上述技术方案中，粒子群算法中，设搜索空间是d维，随机生成的粒子是个，将其组成一个粒子群，粒子的速度表示成，在空间的位置表示成，表示维度，取值范围为1到，通过不断地迭代寻找最优解，粒子速度的更新公式和粒子位置的更新公式为：；；其中，为迭代次数，和为学习因子，负责调整个体极值方向，负责调整沿整体极值方向的学习距离，为惯性因子，和均为之间的随机数，为个体极值，为整体极值。
13.在该技术方案中，从以上公式可以看出，在解空间中，粒子的下一个速度向量主要是由三个部分确定第一部分是它自身惯性，第二部分是粒子自身学习个体极值方向，第三部分是粒子学习全局极值方向，这一部分使群体共享信息，进行调整。通过三个部分不断进
行更新，从而达到最优值。为了使粒子群快速的收敛，避免陷入局部最优，学习因子和的选取也很重要，我们可以从生物学角度分析，在初始阶段，粒子的运动状态主要受自身的经验影响，侧重于向个体极值方向飞行，而在进行几轮迭代之后，更依赖于群体信息的共享，这样更能趋于全局最优，和的取值过小的话会导致陷入局部最优，过大则容易超出目标区域，无法收敛。
14.上述技术方案中，惯性因子的调整方法包括线性递减方法，线性递减方法的惯性因子的取值公式为：；其中，为最大惯性因子，为最小惯性因子，为最大迭代次数，为当前迭代次数。
15.在该技术方案中，惯性因子可以理解成粒子保持之前的运动惯性的权重参数，通常设为一个动态变量，因为惯性因子设为静态值，无法从粒子的变化当中提取有效的信息来进行优化。参数的设置可以从实际的物理系统进行理解，较大的惯性因子会继续保持之前的运动特性，更利于全局最优的搜索，而相对较小的惯性因子会更注重粒子的最新的反馈信息，从而更快达到个体最优，这里需要找到一个相对平衡点来减少算法迭代次数，提高搜索效率。从鸟群的经验来看，为了更快速来寻找最优极值，在前期设置较大的惯性因子提高全局搜索能力，后期设置较小惯性因子，调整局部状态。
16.上述技术方案中，惯性因子的调整方法还包括自适应方法，自适应方法的惯性因子的取值公式为：其中，为最大惯性因子，为最小惯性因子， 是粒子的局部求解和全局求解加权调和平均，根据不同的模型选择不同的适应度函数，表示自身适应度值，表示全局适应度值，通过的变化来对惯性因子的大小进行调整。
17.在该技术方案中，自适应方法能够解决高维复杂的非线性问题。通过调整惯性因子和学习因子，使得局部最优和全局最优调和到一个平衡点，使得模型的可操作性更强，粒子搜寻效率更高。
18.上述技术方案中，适应度函数为：；其中，为系统在n 次测量时的实际输出，为模拟模型的输出。
19.在该技术方案中，采用粒子群优化算法对卡尔曼滤波的系统噪声方差矩阵和过程噪声协方差矩阵的变量进行优化时，通过适应度函数对粒子的适应度进行计算，在迭代当中惯性因子会在一定范围内波动进行调整，达到一个相对比较稳定状态。
20.上述技术方案中，系统噪声矩阵和系统量测噪声矩阵均为二级对角阵。
21.在该技术方案中，系统噪声矩阵和系统量测噪声矩阵均定义为二级对角阵。
22.系统噪声矩阵，系统量测噪声矩阵。
23.将内部的参数作为优化的对象，根据粒子的速度和位置更新公式进行更新，计算粒子的适应度值，以粒子对应参数构建模型，训练数据并进行预测，粒子群算法的目标就是通过适应度函数不断迭代找到个体最优解和全局最优解，以最终的迭代结果作为噪声矩阵的参数。
24.上述技术方案中，长短期记忆网络模型包括损失函数，长短期记忆网络模型包括损失函数，通过adam优化器对损失函数进行最小化。
25.在该技术方案中，长短期记忆网络模型包括损失函数，损失函数可以是均方误差损失函数，可以通过adam优化器对损失函数进行最小化。具体地，为了提高长短期记忆网络模型的预测精度，通常使用adam优化器对长短期记忆网络算法的损失函数进行最小化。adam是一种基于低阶自适应矩估计的随机目标函数一阶梯度下降算法。在深度学习领域，由于adam优化实现方法简单，所需内存较少，相比其他算法计算效率更高，整体来看不容易陷入局部最优的问题，因此是应用最为广泛的一种优化算法。在原理上，它结合了adagrad优化算法在稀疏梯度上表现的优势和rmsprop算法优秀的非线性和非静态设置的处理能力，使用当前梯度和历史梯度来决定参数更新方向，adam算法当中不同的参数相互独立，而且对超参数不太敏感，相对于其他算法adam对于长短期记忆网络模型的优化表现得更为出色。
26.为实现本技术的第二目的，本技术第二方面的技术方案提供了一种基于改进卡尔曼滤波的油气藏产量预测系统，包括：获取模块，用于获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；数据集构建模块，用于基于特征参数构建数据集，数据集包括训练集和预测集；长短期记忆网络模型构建模块，用于初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；第一预测模块，用于基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果；改进卡尔曼滤波模型构建模块，用于基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型；第二预测模块，用于将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。
27.根据本技术提供的基于改进卡尔曼滤波的油气藏产量预测系统，包括获取模块、数据集构建模块、长短期记忆网络模型构建模块、第一预测模块、改进卡尔曼滤波模型构建模块和第二预测模块。其中，获取模块用于获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数。数据集构建模块用于基于特征参数构建数据集，数据集包括训练集和预测集。长短期记忆网络模型构建模块用于初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小。第一预测模块用于基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果。改进卡尔曼滤波模型构建模块用于基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型。第二预测模块用于将初步
预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。由于长短期记忆网络面对庞大复杂的数据具有很强的学习能力，对于高度并行的时序信息处理能力也很强大，无论输入、输出是否具有线性特性，它都有很好的容错性和鲁棒性，可与卡尔曼滤波算法互补，从而提高预测的准确率。通过粒子群算法对卡尔曼滤波模型的参数进行优化，能够加快网络训练的速度、增强模型范围能力和扩大模型的使用范围。粒子群算法程序简单，参数较少，适用性强，适用于各种优化求解问题，并且它通过粒子在解空间中利用个体最优极值和整体最优极值信息来实现迭代训练，收敛速度更快。
28.本技术的附加方面和优点将在下面的描述部分中变得明显，或通过本技术的实践了解到。
附图说明
29.本技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为本技术一个实施例的基于改进卡尔曼滤波的油气藏产量预测方法的步骤流程图；图2为本技术一个实施例的基于改进卡尔曼滤波的油气藏产量预测方法的步骤流程图；图3为本技术一个实施例的基于改进卡尔曼滤波的油气藏产量预测方法的步骤流程图；图4为本技术一个实施例的基于改进卡尔曼滤波的油气藏产量预测系统的结构示意框图；图5为本技术另一个实施例的基于改进卡尔曼滤波的油气藏产量预测系统的结构示意框图；图6为本技术一个实施例的电子设备的硬件结构示意图。
30.其中，图4至图6中的附图标记与部件名称之间的对应关系为：10：基于改进卡尔曼滤波的油气藏产量预测系统；110：获取模块；120：数据集构建模块；130；长短期记忆网络模型构建模块；140；第一预测模块；150：改进卡尔曼滤波模型构建模块；160：第二预测模块；300：存储器；400：处理器；1100：电子设备；1101：射频单元；1102：网络模块；1103：音频输出单元；1104：输入单元；11041：图形处理器；11042：麦克风；1105：传感器；1106：显示单元；11061：显示面板；1107：用户输入单元；11071：触控面板；11072：其他输入设备；1108：接口单元；1109：存储器；1110：处理器。
具体实施方式
31.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施方式对本技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
32.在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是，本技术还可以采用其他不同于在此描述的其他方式来实施，因此，本技术的保护范围并不受下面公开的具体实施例的限制。
33.下面参照图1至图6描述本技术一些实施例的基于改进卡尔曼滤波的油气藏产量预测方法及系统。
34.如图1所示，根据本发明提出的一个实施例的基于改进卡尔曼滤波的油气藏产量预测方法，包括以下步骤：步骤s102：获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；步骤s104：基于特征参数构建数据集，数据集包括训练集和预测集；步骤s106：初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；步骤s108：基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果；步骤s110：基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型；步骤s112：将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。
35.根据本实施例提供的基于改进卡尔曼滤波的油气藏产量预测方法，首先获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数。然后基于特征参数构建数据集，数据集包括训练集和预测集。初始化长短期记忆网络模型，确定长短期记忆网络模型参数。基于训练集训练长短期记忆网络模型，基于预测集，长短期记忆网络模型预测油气产量，得出初步预测结果。基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型。最后通过卡尔曼滤波模型动态调整初步预测结果，得到最终预测结果。由于长短期记忆网络面对庞大复杂的数据具有很强的学习能力，对于高度并行的时序信息处理能力也很强大，无论输入、输出是否具有线性特性，它都有很好的容错性和鲁棒性，可与卡尔曼滤波算法互补，从而提高预测的准确率。通过粒子群算法初始化卡尔曼滤波模型的参数，可以提高油气产量的预测精度，加快网络训练的速度、增强模型范围能力和扩大模型的适用范围。粒子群算法程序简单，参数较少，适用性强，适用于各种优化求解问题，并且它通过粒子在解空间中利用个体最优极值和整体最优极值信息来实现迭代训练，收敛速度更快。
36.其中，油藏数据由于停产等原因会导致出现某些特征参数有大量缺失值和异常值，为了保证建模的效果，数据集需要进行预处理的工作。缺失值的处理方法包括删除全空变量、序列均值填充、邻近均值填充、中位数填充、和线性插值填充。为了预测准确性，需要进行数据归一化，去除量纲影响。在数据的各个变量分布较为集中时，选择min-max标准化方法来对初始数据进行线性变换。使用归一化后的数据作为输入，经训练得到结果进行反归一化处理，得到最终的预测值作为输出值。为了描述参数与产量的关系，分别分析参数的分布和油气产量之间的关系，探讨了油气井工作参数的设置和产量与变量之间的关系，再分析因变量的分布和趋势，熟悉产量的变化规律，以适应后续模型的选择。
37.进一步地，在初始化长短期记忆网络模型之前，进行特征选择。特征选择包括从经过预处理后的数据集选取用于建模预测的子特征集。特征选择还包括去除变量之间的依赖
关系。特征选择能够降低输入特征集的维度，提高模型的泛化能力，去掉无关变量的影响。
38.进一步地，系统噪声矩阵和系统量测噪声矩阵均定义为二级对角阵。
39.其中，系统噪声矩阵，系统量测噪声矩阵。
40.将内部的参数作为优化的对象，根据粒子的速度和位置更新公式进行更新，计算粒子的适应度值，以粒子对应参数构建模型，训练数据并进行预测，粒子群算法的目标就是通过适应度函数不断迭代找到个体最优解和全局最优解，以最终的迭代结果作为噪声矩阵的参数。
41.如图2所示，根据本发明提出的一个实施例的基于改进卡尔曼滤波的油气藏产量预测方法，基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，具体包括以下步骤：步骤s202：通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子；步骤s204：判断迭代次数是否满足预设迭代次数或精度要求，若否，回到步骤s202；步骤s206：若是，以迭代结果作为卡尔曼滤波模型的参数。
42.在该实施例中，通过粒子群算法对系统噪声矩阵和系统量测噪声矩阵的变量进行优化，确定卡尔曼滤波模型的参数，具体为首先通过适应度函数计算粒子的适应度值，确定个体最优粒子和全局最优粒子，然后判断迭代次数是否满足预设迭代次数或精度要求，若是，则以迭代结果作为卡尔曼滤波模型的参数。可以理解，将系统噪声矩阵和系统量测噪声矩阵的内部的参数作为优化的对象，根据粒子的速度和位置更新公式进行更新，计算粒子的适应度值，以粒子对应参数构建模型，训练数据并进行预测，粒子群算法的目标就是通过适应度函数不断迭代找到个体最优解和全局最优解，以最终的迭代结果作为噪声矩阵的参数。
43.如图3所示，根据本发明提出的另一个实施例的基于改进卡尔曼滤波的油气藏产量预测方法，包括以下步骤：步骤s302：获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；步骤s304：基于特征参数构建数据集，数据集包括训练集和预测集；步骤s306：初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；步骤s308：基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果；步骤s310：基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型；步骤s312：将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果；步骤s314：对比实际的产量得出准确率，并调整长短期记忆网络模型和卡尔曼滤波模型使精度达到最优。
44.在该实施例中，基于改进卡尔曼滤波的油气藏产量预测方法还包括对比实际的产量得出准确率，并调整长短期记忆网络模型和卡尔曼滤波模型使精度达到最优。具体地，通过实证分析对比卡尔曼滤波算法、长短期记忆网络算法、长短期记忆网络结合卡尔曼滤波和粒子群算法之间不同算法的预测结果，使用指标评价模型预测效果，对结果进行评估分析，得到影响油井日产气的最优模型。
45.可以理解，针对油气井日产气的预测问题，以卡尔曼滤波算法为基础，通过对比分析深度学习算法和卡尔曼滤波算法的预测性能，借助长短期记忆网络模型长期时序记忆的能力以及卡尔曼滤波动态调整能力，综合考虑静态参数的影响，建立了改进的卡尔曼滤波模型预测油气产量。其次，依据建立的模型选择适合油气井日产量数据集，对数据进行描述性分析和预处理，并利用逐步回归等方法进行相关性分析，计算特征重要度，得出影响产量的关键特征，选择合适的特征进行预测。针对卡尔曼滤波算法存在系统噪声和量测噪声的统计特性，使用粒子群算法进行优化，调整卡尔曼滤波算法的参数。最后，根据不同算法的预测性能和误差对预测结果进行分析，能够得到影响油井日产气的最优模型。结合油气井生产的实际工作参数，将改进卡尔曼滤波模型运用到实证当中，有助于更好地分析油气井的生产性能，为油田企业的管理者针对油气井动态生产行为合理管控提供决策。
46.在一些实施例中，粒子群算法中，设搜索空间是d维，随机生成的粒子是个，将其组成一个粒子群，粒子的速度表示成，在空间的位置表示成，表示维度，取值范围为1到，通过不断地迭代寻找最优解，粒子速度的更新公式和粒子位置的更新公式为：；；其中，为迭代次数，和为学习因子，负责调整个体极值方向，负责调整沿整体极值方向的学习距离，为惯性因子，和均为之间的随机数，为个体极值，为整体极值。
47.从以上公式可以看出，在解空间中，粒子的下一个速度向量主要是由三个部分确定第一部分是它自身惯性，第二部分是粒子自身学习个体极值方向，第三部分是粒子学习全局极值方向，这一部分使群体共享信息，进行调整。通过三个部分不断进行更新，从而达到最优值。为了使粒子群快速的收敛，避免陷入局部最优，学习因子和的选取也很重要，我们可以从生物学角度分析，在初始阶段，粒子的运动状态主要受自身的经验影响，侧重于向个体极值方向飞行，而在进行几轮迭代之后，更依赖于群体信息的共享，这样更能趋于全局最优，和的取值过小的话会导致陷入局部最优，过大则容易超出目标区域，无法收敛。
48.进一步地，惯性因子的调整方法包括线性递减方法，线性递减方法的惯性因子的取值公式为：
；其中，为最大惯性因子，为最小惯性因子，为最大迭代次数，为当前迭代次数。惯性因子可以理解成粒子保持之前的运动惯性的权重参数，通常设为一个动态变量，因为惯性因子设为静态值，无法从粒子的变化当中提取有效的信息来进行优化。参数的设置可以从实际的物理系统进行理解，较大的惯性因子会继续保持之前的运动特性，更利于全局最优的搜索，而相对较小的惯性因子会更注重粒子的最新的反馈信息，从而更快达到个体最优，这里需要找到一个相对平衡点来减少算法迭代次数，提高搜索效率。从鸟群的经验来看，为了更快速来寻找最优极值，在前期设置较大的惯性因子提高全局搜索能力，后期设置较小惯性因子，调整局部状态。
49.在另一些实施例中，惯性因子的调整方法还包括自适应方法，自适应方法的惯性因子的取值公式为：；其中，为最大惯性因子，为最小惯性因子，是粒子的局部求解和全局求解加权调和平均，根据不同的模型选择不同的适应度函数，表示自身适应度值，表示全局适应度值，通过的变化来对惯性因子的大小进行调整。自适应方法能够解决高维复杂的非线性问题。通过调整惯性因子和学习因子，使得局部最优和全局最优调和到一个平衡点，使得模型的可操作性更强，粒子搜寻效率更高。
50.在上述实施例中，适应度函数为：；其中，为系统在n 次测量时的实际输出，为模拟模型的输出。采用粒子群优化算法对卡尔曼滤波的系统噪声方差矩阵和过程噪声协方差矩阵的变量进行优化时，通过适应度函数对粒子的适应度进行计算，在迭代当中惯性因子会在一定范围内波动进行调整，达到一个相对比较稳定状态。
51.在一些实施例中，长短期记忆网络模型包括损失函数，损失函数可以是均方误差损失函数，可以通过adam优化器对损失函数进行最小化。具体地，为了提高长短期记忆网络模型的预测精度，通常使用adam优化器对长短期记忆网络算法的损失函数进行最小化。adam是一种基于低阶自适应矩估计的随机目标函数一阶梯度下降算法。在深度学习领域，由于adam优化实现方法简单，所需内存较少，相比其他算法计算效率更高，整体来看不容易陷入局部最优的问题，因此是应用最为广泛的一种优化算法。在原理上，它结合了adagrad优化算法在稀疏梯度上表现的优势和rmsprop算法优秀的非线性和非静态设置的处理能力，使用当前梯度和历史梯度来决定参数更新方向，adam算法当中不同的参数相互独立，而且对超参数不太敏感，相对于其他算法adam对于长短期记忆网络模型的优化表现得更为出色。
52.如图4所示，本技术第二方面的实施例提供了一种基于改进卡尔曼滤波的油气藏产量预测系统10，包括：获取模块110，用于获取油藏数据，通过对油藏数据进行描述性分析
和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数；数据集构建模块120，用于基于特征参数构建数据集，数据集包括训练集和预测集；长短期记忆网络模型构建模块130，用于初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小；第一预测模块140，用于基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果；改进卡尔曼滤波模型构建模块150，用于基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型；第二预测模块160，用于将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。
53.在该实施例中，基于改进卡尔曼滤波的油气藏产量预测系统10包括获取模块110、数据集构建模块120、长短期记忆网络模型构建模块130、第一预测模块140、改进卡尔曼滤波模型构建模块150和第二预测模块160。其中，获取模块110用于获取油藏数据，通过对油藏数据进行描述性分析和相关性分析，挖掘油气田产量数据与油藏参数之间的关系，筛选出特征参数。数据集构建模块120用于基于特征参数构建数据集，数据集包括训练集和预测集。长短期记忆网络模型构建模块130用于初始化长短期记忆网络模型，确定长短期记忆网络模型参数，长短期记忆网络模型参数包括迭代次数、隐含层节点个数、学习率和批处理大小。第一预测模块140用于基于训练集训练长短期记忆网络模型，基于预测集预测油气产量，得出初步预测结果。改进卡尔曼滤波模型构建模块150用于基于粒子群算法初始化系统噪声矩阵和系统量测噪声矩阵中的变量，从而确定卡尔曼滤波模型的参数，进而构建卡尔曼滤波模型。第二预测模块160用于将初步预测结果作为卡尔曼滤波模型的输入，动态调整初步预测结果，得到最终预测结果。由于长短期记忆网络面对庞大复杂的数据具有很强的学习能力，对于高度并行的时序信息处理能力也很强大，无论输入、输出是否具有线性特性，它都有很好的容错性和鲁棒性，可与卡尔曼滤波算法互补，从而提高预测的准确率。通过粒子群算法对卡尔曼滤波模型的参数进行优化，能够加快网络训练的速度、增强模型范围能力和扩大模型的使用范围。粒子群算法程序简单，参数较少，适用性强，适用于各种优化求解问题，并且它通过粒子在解空间中利用个体最优极值和整体最优极值信息来实现迭代训练，收敛速度更快。
54.如图5所示，本技术第三方面的实施例提供了一种基于改进卡尔曼滤波的油气藏产量预测系统10，包括：存储器300和处理器400，其中，存储器300上存储有可在处理器400上运行的程序或指令，处理器400执行程序或指令时实现上述方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
55.如图6所示，举例来说，基于改进卡尔曼滤波的油气藏产量预测系统10可以通过电子设备1100实现，电子设备1100包括但不限于：射频单元1101、网络模块1102、音频输出单元1103、输入单元1104、传感器1105、显示单元1106、用户输入单元1107、接口单元1108、存储器1109、以及处理器1110等部件。
56.本领域技术人员可以理解，电子设备1100还可以包括给各个部件供电的电源（比如电池），电源可以通过电源管理系统与处理器1110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布
置，在此不再赘述。
57.其中，处理器1110，用于建立基于长短期记忆网络和卡尔曼滤波的油气藏产量预测模型，油气藏产量预测模型包括静态模型和动态调整模型，静态模型通过长短期记忆网络预测油气的产量，动态调整模型通过卡尔曼滤波对预测产量进行动态调整。
58.处理器1110，用于获取油藏数据，对油藏数据进行预处理，预处理包括以下之一或其组合：缺失值处理、异常值处理和剔除无关变量；处理器1110，用于对预处理后的油藏数据，通过皮尔逊相关性分析和逐步回归方法筛选出特征参数，基于特征参数构建数据集；处理器1110，用于通过油气藏产量预测模型对数据集进行训练和预测，得出预测结果，其中，数据集作为静态模型的输入，静态模型的输出结果作为卡尔曼滤波的观测集，通过动态调整模型对输出结果进行修正；处理器1110，用于通过指标评价模型预测效果，对输出结果和预测结果进行评估分析，得到影响油井日产气的最优模型。
59.本技术采用长短期记忆网络结合卡尔曼滤波预测油气藏产量，由于长短期记忆网络面对庞大复杂的数据具有很强的学习能力，对于高度并行的时序信息处理能力也很强大，无论输入、输出是否具有线性特性，它都有很好的容错性和鲁棒性，可与卡尔曼滤波算法互补，从而提高预测的准确率。
60.本技术实施例提供的处理器1110可以实现上述油气藏产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
61.应理解的是，本技术实施例中，输入单元1104可以包括图形处理器（graphics processing unit，gpu）11041和麦克风11042，图形处理器11041对在视频捕获模式或图像捕获模式中由图像捕获装置（如摄像头）获得的静态图片或视频的图像数据进行处理。显示单元1106可包括显示面板11061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板11061。用户输入单元1107包括触控面板11071以及其他输入设备11072中的至少一种。触控面板11071，也称为触摸屏。触控面板11071可包括触摸检测装置和触摸控制器两个部分。其他输入设备11072可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆，在此不再赘述。
62.存储器1109可用于存储软件程序以及各种数据。存储器1109可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令（比如声音播放功能、图像播放功能等）等。此外，存储器1109可以包括易失性存储器或非易失性存储器，或者，存储器1109可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，
drram)。本技术实施例中的存储器1109包括但不限于这些和任意其它适合类型的存储器。
63.处理器1110可包括一个或多个处理单元；可选的，处理器1110集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1110中。
64.本技术第四方面的实施例提供了一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述多采样率地震数据重建方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
65.其中，处理器为上述实施例中的油气藏产量预测系统中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器rom、随机存取存储器ram、磁碟或者光盘等。
66.本技术实施例另提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述油气藏产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
67.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
68.本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述油气藏产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
69.在本技术中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
70.本技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本技术的限制。
71.在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
72.以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。