基于动态聚类的瓦斯浓度高斯预测模型

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (24): 260-265.

基于动态聚类的瓦斯浓度高斯预测模型

魏林1，张冲2，刘永超2，付华2，尹玉萍2

1.辽宁工程技术大学基础教学部，辽宁葫芦岛 125105
2.辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛 125105

出版日期:2015-12-15 发布日期:2015-12-30

Gas concentration Gaussian prediction model based on dynamic clustering

WEI Lin1, ZHANG Chong2, LIU Yongchao2, FU Hua2, YIN Yuping2

1.Department of Basic Education, Liaoning Technical University, Huludao, Liaoning 125105, China
2.School of Electrical and Control Engineering, Liaoning Technical University, Huludao, Liaoning 125105, China

Online:2015-12-15 Published:2015-12-30

摘要/Abstract

摘要： 为了实现准确可靠的瓦斯浓度预测，利用总歪指标取最大值来确定动态聚类的最佳聚类，以此减少不确定、随机因素干扰所引起的预测误差。由于高斯过程回归参数少、易实现，能输出具有较高置信度的置信区间，故利用高斯过程回归进行瓦斯浓度区间预测，并利用微分进化算法来确定高斯过程超参数。将动态聚类算法和高斯回归模型结合，实现了瓦斯浓度的区间预测模型。通过实验对比分析，结果表明该方法能够有效地预测出瓦斯浓度变化趋势，较高斯过程预测模型提高了瓦斯浓度的预测精度。

关键词: 动态聚类, 微分进化, 高斯过程, 时间序列, 置信区间

Abstract: In order to realize accurate and reliable gas concentration prediction, the maximum total slanting indicators are used to determine the best dynamic clustering to reduce the prediction error caused by the uncertainty and random interference factors. Due to low Gaussian process regression parameters and easy implementation, it can get the confidence interval with high degree of confidence, and predict the gas concentration range with gaussian process regression.Differential evolution algorithm is used to determine the Gaussian process parameters. This paper combines dynamic clustering algorithm and Gaussian regression model,and achieves interval prediction model of gas concentration. By comparison with experimental analysis, the results show that the method can effectively predict the gas concentration change trend, and improve the prediction precision of the gas concentration than Gaussian process.

Key words: dynamic clustering, differential evolution, Gaussian process, time series, confidence interval

魏林1，张冲2，刘永超2，付华2，尹玉萍2. 基于动态聚类的瓦斯浓度高斯预测模型[J]. 计算机工程与应用, 2015, 51(24): 260-265.

WEI Lin1, ZHANG Chong2, LIU Yongchao2, FU Hua2, YIN Yuping2. Gas concentration Gaussian prediction model based on dynamic clustering[J]. Computer Engineering and Applications, 2015, 51(24): 260-265.

[1]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	丁智慧，乔钢柱，程谭，宿荣. 基于LSH的shapelets转换方法[J]. 计算机工程与应用, 2021, 57(3): 112-119.
[4]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[5]	曹文超，干宏程. 基于WiFi数据的地铁车站客流预警模型[J]. 计算机工程与应用, 2021, 57(13): 233-238.
[6]	乔勋双，毕文杰. 考虑时变奖励的多摇臂算法在动态定价中的应用[J]. 计算机工程与应用, 2021, 57(12): 237-242.
[7]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[8]	李松，周亚同，池越，何静飞，张世立. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193.
[9]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[10]	王见，毛黎明，尹爱军. 结合形状特征及其上下文的多维DTW[J]. 计算机工程与应用, 2020, 56(22): 42-47.
[11]	谭章禄，王兆刚，胡翰. 时间序列趋势相似性度量方法研究[J]. 计算机工程与应用, 2020, 56(10): 94-99.
[12]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[13]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[14]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[15]	李梅1，2，宁德军1，郭佳程1，2. 基于注意力机制的CNN-LSTM模型及其应用[J]. 计算机工程与应用, 2019, 55(13): 20-27.