1.一种预测矿区地下水位的方法，其特征在于，包括以下步骤： 收集矿区气象和采煤生产数据并构建输入变量库； 使用偏互信息算法PMI对输入变量库进行非线性的特征变量筛选，筛选出降雨量和采煤量两个特征变量； 所述使用偏互信息算法PMI对输入变量库进行特征变量筛选，具体包括： 对于X中每个候选输入变量Xi，分别计算其与地下水位Y的MI值，表示为IPMI(Xi,Y)； 选择使得IPMI(Xi,Y)值最大的XQ，根据XQ计算TACI值，并将XQ从X候选变量库移入Q库中； 候选输入变量X与输出变量Y之间的MI及其TACI计算公式如下： 其中，pi，pj为X，Y在各个取值下的概率分布，pij为两个变量的联合分布概率，ri为根据已选变量拟合Y的回归残差，n为样本数，p已选变量的个数； 若X不为空集，计算X集中每一个候选变量与Q集中变量的条件期望mXi(Q)，并由此计算ui＝Xi-mXi(Q)，v＝Y-mY(Q)及IPMI(ui,v)； 选择使得IPMI(Xi,Y)值最大的XQ，并计算此时的TACI值； 如TACI值减小，则将XQ移入Q集中，然后进入下一轮迭代，否则筛选结束； 条件期望中的计算中选择高数高斯函数作为核密度估计函数，其表达式为： 其中，x为待估计样本点，d为x的维数，C为X的协方差矩阵，det(C)为C的行列式，λ为窗口宽度，T为移动步长； 使用STL算法对被筛选中的两个特征变量与地下水位时间序列进行去趋势； 利用去趋势的时间序列间的自相关和互相关性确定NARX模型的输入、反馈延迟参数，包括： 分别计算去趋势的地下水位的显著自相关阶数及去趋势的地下水位和去趋势的输入变量间的显著互相关阶数； 其中，将显著自相关阶数作为为NARX模型的反馈入延迟系数，表达式为公式(5)； 将显著互相关阶数作为NARX模型中是输入延迟系数，表达式为公式(6)； 其中，FD(max)表示去趋势后的地下水位显著自相关阶数，ID(max)去趋势后的地下水位和去趋势后的输入变量之间的显著互相关阶数； 将显著自相关阶数作为为NARX模型的反馈入延迟系数，将显著互相关阶数作为NARX模型中是输入延迟系数，构建机器学习模型NARX； 训练所述机器学习模型NARX，具体包括： 在机器学习模型NARX中输入特征变量； 将显著自相关和显著互相关阶数作为模型的输入和反馈延迟系数； 划分数据集为训练集和测试集，在闭环状态下训练模型，在预测精度达到稳定收敛后，训练停止； 将模型转为开环状态用于预测矿区地下水位并进行预测评价； 其中，机器学习模型NARX表达式包括公式(7)： y(t)＝f(y(t-1),y(t-2),...，y(t-ny),u(t-1),u(t-2),...,u(t-nx)) (7) 其中，y(t)代表输出反馈信号，u(t)代表外部输入信号，f为非线性函数，nx为输入层延迟系数，ny代表输出层反馈延迟系数； 在机器学习模型NARX预测中输入矿区气象和采煤生产数据，预测矿区地下水位。

2.如权利要求1所述的一种预测矿区地下水位的方法，其特征在于，所述收集矿区气象数据和采煤生产数据，包括： 月降水量、月半均气温、月最高气温、月最低气温、月累计蒸发量、月半均大气压、原煤产量、巷道掘进长度、采空区面积。

3.如权利要求1所述的一种预测矿区地下水位的方法，其特征在于，所述STL算法表达式为： Rt＝Yt-STt (4) 其中，Rt表示去趋势后的余项，Yt表示观测序列，STt表示趋势项。

请联系平台

请联系平台