一種GRU的瓦斯?jié)舛阮A(yù)測(cè)改進(jìn)模型

常 亮，張 恒，楊雪欣

(黑龍江科技大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，哈爾濱 150022)

0 引 言

隨著應(yīng)用領(lǐng)域?qū)︻A(yù)測(cè)精度要求的不斷提高，支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等方法廣泛應(yīng)用瓦斯?jié)舛阮A(yù)測(cè)，瓦斯?jié)舛阮A(yù)測(cè)可以采用時(shí)間序列預(yù)測(cè)[1]。學(xué)者們利用SVM算法擬合非線性關(guān)系、泛化能力強(qiáng)的優(yōu)點(diǎn)[2]，提出基于支持向量機(jī)算法的瓦斯?jié)舛阮A(yù)測(cè)模型[3]，將多變量預(yù)測(cè)應(yīng)用到瓦斯?jié)舛阮A(yù)測(cè)中。隨后優(yōu)化算法和支持向量機(jī)相結(jié)合，多種瓦斯涌出量預(yù)測(cè)優(yōu)化模型[4-6]的提出，進(jìn)一步提高了瓦斯?jié)舛阮A(yù)測(cè)的準(zhǔn)確度。以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，引入灰色預(yù)測(cè)模型[7]、熵空間原理、動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)[8]等優(yōu)化算法，在機(jī)器學(xué)習(xí)模型的基礎(chǔ)上進(jìn)一步提高了預(yù)測(cè)精度。

隨著SVM和ANN研究的深入，發(fā)現(xiàn)SVM和ANN在訓(xùn)練過(guò)程中容易發(fā)生過(guò)擬合。此外，SVM和前饋神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)未來(lái)值的時(shí)候依賴于滑動(dòng)窗口的大小[8]，當(dāng)窗口過(guò)小容易受最近輸入數(shù)據(jù)的影響，而忽略歷史數(shù)據(jù)中的信息。近年來(lái)，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network，RNN)技術(shù)在時(shí)序預(yù)測(cè)方面不斷取得技術(shù)突破。RNN隱藏層的輸入由當(dāng)前時(shí)刻的輸入和上一個(gè)時(shí)刻狀態(tài)組成[9]，使神經(jīng)網(wǎng)絡(luò)具有記憶功能。針對(duì)瓦斯?jié)舛葧r(shí)間序列數(shù)據(jù)噪聲影響及長(zhǎng)期記憶的特性，筆者提出一種基于改進(jìn)GRU的瓦斯?jié)舛阮A(yù)測(cè)模型(S-GRU)，引入堆棧式降噪自編碼器(Stacked denoising auto encoder，SDAE)改進(jìn)GRU輸入層，為預(yù)測(cè)模型增加特征提取層，提高模型魯棒性和精確度。

1 SDAE與GRU

1.1 堆棧式降噪自編碼器

自編碼器(Auto-encoder，AE)是神經(jīng)網(wǎng)絡(luò)的一種，經(jīng)過(guò)訓(xùn)練后能嘗試將輸入復(fù)制到輸出。……