为实现对煤矿采掘工作面瓦斯的动态涌出过程进行精确预测,以煤矿瓦斯涌出时间序列为基础,首先建立了灰色模型GM(1,1)和自回归积分移动平均模型(ARIMA)分别对瓦斯涌出浓度进行预测,然后再利用由方差倒数法得到的ARIMA-GM组合预测模型对瓦斯涌出浓度进行预测,最后结合预测结果进行预警。并以鑫顺煤矿15101掘进工作面为应用实例,结果表明:ARIMA-GM组合预测模型相比单一模型具有更高的预测精度和拟合效果。

针对瓦斯浓度时间序列的复杂性、非线性、非平稳性特征,提出基于变分模态分解和差分进化优化的Elman网络瓦斯浓度动态预测方法.通过变分模态分解理论分析瓦斯浓度时间序列的局部特征以弱化瓦斯浓度的复杂性、非平稳性及非线性特征,对变分模态分解得到的固有模态分量分别建立Elman非线性预测模型,并通过差分进化优化预测模型参数以提高预测精度;将各个模型预测结果叠加拟合得到瓦斯浓度预测结果.研究结果表明:该方法可以实现对工作面瓦斯浓度的良好预测,预测结果合理并且满足工程的实际需要.

工作面瓦斯浓度时间序列分析预测，郝元伟，李尚国，时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从�

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模