一种基于深度学习的微震信号时序数据预测方法

1.本发明属于数据分析与预测技术领域，具体涉及一种基于深度学习的微震信号时序数据预测方法。


背景技术：

2.冲击危险是煤矿开采中一种常见的地质灾害，因其破坏性强、破坏范围大、随机性发生等特点往往使之很难被检测和预警，给工作人员造成了巨大的潜在危险，借助微地震监测系统监测到的微震信号时序数据，提取其敏感特征数据进行预测，可以对冲击危险做出评估。
3.目前，国内外对时间序列数据预测的方法主要包括传统时序建模方法、机器学习模型方法、深度学习模型方法等。如传统时序建模方法中的arma或arima模型，均为简单的线性模型，能表征的问题复杂度有限。机器学习模型方法中的xgboost模型和lightgbm模型等，需要较为复杂的人工特征过程部分。深度学习模型方法中的lstm模型，在数据并行处理上存在劣势，且与一些新的网络相比效果一般。这些方法用于微震信号的敏感特征数据预测时均起到一定程度的预测效果，但忽略了当前微震监测大数据环境和深度学习等新一代信息化技术在微震信号时序数据预测技术中的应用，影响了微震信号时序数据预测精度的进一步提高。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的微震信号时序数据预测方法，其从微震信号时序数据中提取敏感特征数据，先对其进行一系列的数据特征分析等预处理操作，然后借助transformer模型对测试集数据进行预测，该方法具有算法简单、预测准确率高的优点。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种基于深度学习的微震信号时序数据预测方法，依次包括如下步骤：
7.步骤1：获取近几年的微震信号时序数据，提取其某个敏感特征数据x(t)，计算x(t)的平均值并向下平移后得到数据x(t)，对数据x(t)做移动平均处理后得数据y(t)；
8.步骤2：对y(t)进行vmd分解，得到各变分模态分量uk，并将各变分模态分量uk进行归一化处理，得到数据uk；
9.具体步骤为：假设分解得到的各变分模态分量uk构成的序列数据为uk(t)，t＝1,2,
…
,t-n 2，k＝1,2,
…
,k；
10.步骤2.1：根据式(1)将uk(t)归一化至[-1,1]：
[0011][0012]
式(1)中，分别为变分模态分量uk(t)的最小值和最大值；
[0013]
步骤3：将数据uk中前70％数据作为训练集输入transformer模型中进行训练，后
30％数据作为测试集数据；
[0014]
步骤4：将步骤3得到的各个uk的预测结果进行反归一化后再进行合成，即为最终预测结果，并根据后30％测试集数据的预测结果数据验证模型的预测效果；
[0015]
将步骤3得到的各个uk的预测结果进行反归一化后再进行合成的具体步骤为：
[0016]
假设使用各个uk构成的序列数据uk(t)分别进行预测，得到的预测结果为pk(t),t＝1,2,
…
,t-n 2；
[0017]
步骤4.1：根据式(2)将预测序列pk(t),t＝1,2,
…
,t-n 2进行反归一化操作，得到序列tk(t),t＝1,2,
…
,t-n 2；
[0018][0019]
式(2)中，分别为变分模态分量uk(t)的最小值和最大值；
[0020]
步骤4.2：根据式(3)将反归一化的预测序列tk(t),t＝1,2,
…
,t-n 2进行合成，得到最终预测结果result(t)，即
[0021][0022]
式(3)中，k为变分模态个数。
[0023]
进一步的，步骤1中，对提取到的敏感特征数据x(t)求平均值并向下平移后得到数据x(t)的具体步骤为：
[0024]
假设从微震信号时序数据中提取到的敏感特征数据为x(t)，t＝1,2,
…
,t；
[0025]
步骤1.1：根据式(4)计算x(t)的平均值mean(x(t))；
[0026][0027]
x(t)＝x(t)-mean(x(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0028]
式(5)中，x(t)为x(t)向下平移后得到的数据。
[0029]
步骤1中，将平移后得到的数据x(t)做移动平均处理后得数据y(t)的具体步骤为：
[0030]
步骤1.2：根据式(6)将x(t)，t＝1,2,
…
,t，做移动平均处理后得数据y(t)：
[0031][0032]
式(6)中，n为移动平均窗口的大小，其中n≥2。
[0033]
本发明原理如下：
[0034]
为实现微震信号敏感特征的时序序列的有效预测，本发明对提取到的微震信号敏感特征的时序序列进行数据特征分析等预处理操作，借助transformer模型实现预测。
[0035]
首先获取近几年的微震信号时序数据，提取其敏感特征数据x(t)，计算x(t)的平均值并向下平移后得到数据x(t)，对数据x(t)做移动平均处理后得数据y(t)；对y(t)进行vmd分解，得到各变分模态分量uk，并将各模态分量进行归一化处理，得到数据uk；将数据uk中前70％数据作为训练集输入transformer模型中进行训练，后30％数据作为测试集数据；将步骤3得到的各个uk的预测结果进行反归一化后再进行合成，即为最终预测结果，并根据后30％测试集数据的预测结果数据验证模型的预测效果。该方法可以实现对微震信号敏感
特征的时序序列的有效预测。
[0036]
与现有技术相比，本发明带来了以下有益技术效果：
[0037]
本发明基于微震信号时序数据，提取其敏感特征数据，进行数据特征分析等预处理操作，vmd利用敏感特征数据本身的尺度特征进行信号分解，得到具有不同时间尺度的变分模态分量，借助transformer模型分别进行训练，从而实现对微震信号敏感特征的时序序列的有效预测。该方法具有算法简单、自适应性和实时性强、预测准确率高的特点，能对微震信号敏感特征的时序序列进行有效的预测，具有很好的技术价值和应用前景。
附图说明
[0038]
下面结合附图对本发明做进一步说明：
[0039]
图1为本发明一种基于深度学习的微震信号时序数据预测方法的流程图；
[0040]
图2为预处理后的数据y(t)的vmd分解图；
[0041]
图3为各变分模态分量uk的预测结果图；
[0042]
图4为测试数据的预测结果图；
[0043]
图5为模型输入输出流程示意图；
具体实施方式
[0044]
本发明提出了一种基于深度学习的微震信号时序数据预测方法，为了使本发明的优点、技术方案更加清楚、明确，下面结合具体实施例对本发明做详细说明。
[0045]
一种基于深度学习的微震信号时序数据预测方法，其流程如图1所示，具体包括如下步骤：
[0046]
步骤1：获取近4年的微震信号时序数据，提取其某个敏感特征数据x(t)，计算x(t)的平均值并向下平移后得到数据x(t)，对数据x(t)做移动平均处理后得数据y(t)；
[0047]
进一步的，步骤1中，将提取到的敏感特征数据x(t)求平均值并向下平移后得到数据x(t)的具体步骤为：
[0048]
假设从微震信号时序数据中提取到的敏感特征数据为x(t)，t＝1,2,
…
,t；
[0049]
步骤1.1：根据式(4)计算x(t)的平均值mean(x(t))；
[0050][0051]
x(t)＝x(t)-mean(x(t))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0052]
式(5)中，x(t)为x(t)向下平移后得到的数据。
[0053]
进一步的，步骤1中，将平移后得到的数据x(t)做移动平均处理后得数据y(t)的具体步骤为：
[0054]
步骤1.2：根据式(6)将x(t)，t＝1,2,
…
,t，做移动平均处理后得数据y(t)：
[0055][0056]
式(6)中，n为移动平均窗口的大小。
[0057]
步骤2：对y(t)进行vmd分解，得到各变分模态分量uk，并将各模态分量进行归一化处理，得到数据uk；
[0058]
进一步的，步骤2中，将vmd分解得到的各变分模态分量uk进行归一化处理，得到数据uk的具体步骤为：假设分解得到的各变分模态分量uk构成的序列数据为uk(t)，t＝1,2,
…
,t-n 2，k＝1,2,
…
,k；
[0059]
步骤2.1：根据式(1)将uk(t)归一化至[-1,1]：
[0060][0061]
式(1)中，分别为变分模态分量uk(t)的最小值和最大值。
[0062]
步骤3：将数据uk中前70％数据作为训练集输入transformer模型中进行训练，后30％数据作为测试集数据；
[0063]
步骤4：将步骤3得到的各个uk的预测结果进行反归一化后再进行合成，即为最终预测结果，并根据后30％测试集数据的预测结果数据验证模型的预测效果。
[0064]
进一步的，步骤4中，将步骤3得到的各个uk的预测结果进行反归一化后再进行合成的具体步骤为：假设使用各个uk构成的序列数据uk(t)分别进行预测，得到的预测结果为pk(t),t＝1,2,
…
,t-n 2；
[0065]
步骤4.1：根据式(2)将预测序列pk(t),t＝1,2,
…
,t-n 2进行反归一化操作，得到序列tk(t),t＝1,2,
…
,t-n 2；
[0066][0067]
式(2)中，分别为变分模态分量uk(t)的最小值和最大值；
[0068]
步骤4.2：根据式(3)将反归一化的预测序列tk(t),t＝1,2,
…
,t-n 2进行合成，得到最终预测结果result(t)，即
[0069][0070]
式(3)中，k为变分模态个数；
[0071]
从近4年的微震信号时序数据中，提取其敏感特征数据x(t)，t＝1,2,
…
,971，数据见表1。
[0072]
表1敏感特征数据x(t)(可以存储于excel表中)
[0073]
序号日期数据值12018/1/5160.3522018/1/1994.3432018/1/26169.8942018/1/27401.9552018/1/282168.88
………
9702021/11/132287.819712021/11/1417405.53
[0074]
按步骤1中的将提取到的敏感特征数据x(t)求平均值并向下平移后得到数据x
(t)，结果见表2。
[0075]
表2平移后的数据x(t)(可以存储于excel表中)
[0076][0077][0078]
按步骤1中的将平移后的数据x(t)做移动平均处理后得数据y(t)，取移动平均的窗口大小n＝3，结果见表3。
[0079]
表3移动平均后的数据y(t)(可以存储于excel表中)
[0080]
序号日期数据值12018/1/19-5928.49577422018/1/26-5863.38994132018/1/27-5361.25744142018/1/28-5222.79994152018/2/3-5254.019941
………
9692021/11/131014.5175599702021/11/141915.294226
[0081]
按步骤2中将y(t)进行vmd分解，得到各变分模态分量uk。取k＝6，得到{u1,u2,u3,u4,u5,u6}，分解后的结果如图2所示。
[0082]
按步骤2中将各变分模态分量uk进行归一化处理，得到数据uk，设置归一化区间为[-1,1]。
[0083]
按步骤3中将步骤2得到的数据uk中前70％数据作为训练集输入transformer模型中进行训练，后30％数据作为测试集数据，其中输入transformer模型流程如图5所示。
[0084]
按步骤4中将各个uk预测结果进行反归一化，得到的结果如图3所示。
[0085]
按步骤4中将步骤3得到的各个uk的预测结果进行反归一化后再进行合成，即为最终预测结果，并根据后30％测试集数据的预测结果数据验证模型的预测效果。测试集的预测结果如图4所示。其中，实线表示真实数据，虚线表示预测数据，由图可知，该预测曲线能拟合微震信号敏感特征的时序序列的变化趋势，在波动剧烈的地方也可以实现较好的预测效果。
[0086]
本发明中未述及的部分借鉴现有技术即可实现。
[0087]
需要说明的是，在本说明书的教导下本领域技术人员所做出的任何等同方式，或明显变型方式均应在本发明的保护范围内。