摘要
CO是煤低温氧化预测的关键参数.基于采空区内的实测数据,采用遗传算法对支持向量回归模型进行参数寻优,建立煤低温氧化预测的模型;在保持测试集和训练集相同的情况下,建立了标准SVR模型、随机森林模型和神经网络模型,以MAE、MAPE与RMSE、R2为指标,与GA-SVR模型的预测结果进行对比.结果表明:SVR、RF、BPNN和GA-SVR模型训练集预测结果的平均绝对百分误差为2.481 4％、2.491 7％、2.085 2％和1.368 3％;测试集的平均绝对百分误差为14.292 0％、14.055 5％、16.040 2％和6.526 6％,相应的拟合优度为 0.738 2、0.756 2、0.645 5 和 0.934 5.GA-SVR 模型的预测效果最好,说明GA-SVR模型具有更好的泛化性和鲁棒性.利用GA算法优化SVR模型参数能够提高预测精度和准确度.
维普
万方数据