1.一种露天坑涌水量的预测方法,其特征在于,具体步骤如下:S1. 获取历史时间序列的天气数据和对应的露天坑涌水量,补充缺失值得到原始数据集;
S2. 初始化改进北方苍鹰算法种群参数,设置VMD处理参数(k,α)值的范围,VMD处理参‑7数tau设为0,DC设为0,init设为1,tol设为1×10 ;
S3. 采用改进北方苍鹰算法并根据露天坑涌水量数据的最小样本熵进行VMD处理参数(k,α)值寻优,得到VMD处理参数(k,α)最优组合值;
S4. 基于VMD处理参数(k,α)最优组合值,对露天坑涌水量历史数据进行VMD信号处理,得到若干IMF分量;
S5. 对IMF模态函数进行相关性分析,以0.1为阈值判断相邻模态函数Pearson相关系数,验证VMD分解质量;
S6. 将分解的若干IMF分量代入SSA‑BILSTM模型,得到涌水量数据预测结果,涌水量数据预测结果累加求和得到露天坑涌水量的最终预测结果;
2
S7. 采用绝对误差MAE、均方根误差RMSE、平均相对误差MAPE,R评价对露天坑涌水量的最终预测结果进行误差分析。
2.根据权利要求1所述露天坑涌水量的预测方法,其特征在于:步骤S1中天气数据包括气温、气压、湿度和降雨量。
3.根据权利要求2所述露天坑涌水量的预测方法,其特征在于:步骤S1中补充缺失值的方法为采取前后时间点数据的均值进行补充,表达式为;式中, 表示待预处理的第d历史时刻的第i个影响露天坑涌水量的影响因子的数据; (d=1,2,…,N)表示第d‑1历史时刻的第i个影响露天坑涌水量的影响因子的数据; (d=1,2,…,N)表示第d+1历史时刻的第i个影响露天坑涌水量的影响因子的数据;i∈{1,2,…,M},即M个影响露天坑涌水量的影响因子;N为原始时间序列数据长度。
4.根据权利要求1所述露天坑涌水量的预测方法,其特征在于:步骤S2中初始化改进北方苍鹰算法种群参数为初始化种群第i个个体位置:Xi=lb+r⊙(ub‑lb)
式中,Xi为初始化种群个体在第 i 维度上的位置,lb为下边界向量,ub为上边界向量,r为生成大小为(种群规模×1)的随机矩阵,⊙为矩阵点乘操作。
5.根据权利要求1所述露天坑涌水量的预测方法,其特征在于:步骤S3中样本熵计算公式为:;式中,m为模式维数,r为相似容限阈值, 为两个序列在相似容限r下匹配m个点的概率,N为数据个数; 为近似数量与总数量的比值,此时样本数据总数量为N‑m‑1;
将模式维数加1变成m+1,得到 ,样本熵公式变换为:;式中, 为样本熵值, 为两个
序列匹配m+1个点的概率。
6.根据权利要求1所述露天坑涌水量的预测方法,其特征在于:步骤S3中VMD处理参数(k,α)值寻优的具体步骤包括:S31. 在北方苍鹰算法猎物识别阶段采用粒子群优化策略改变其探索阶段;所述粒子群优化策略的公式为;
;
式中: 为粒子i在第k次迭代中第j维的速度向量; 为粒子i在第k‑1次迭代中第j维的位置向量; , 为区间[0,1]内的随机数; 为粒子i在第k次迭代中第j维的历史最优位置; 群体在第k次迭代中第j维的历史最优位置;0.7为惯性权重,用以调节对解空间的搜索范围;2为学习因子;
S32. 在北方苍鹰追逃行动阶段重新定义衰减系数,以混合衰减方式确定R,得到改进的北方苍鹰算法;其中混合衰减方式包括指数衰减和自适应衰减;衰减系数的公式为;式中,t为当前迭代次数;T为最大迭代次数;R为衰减系数;
为存储了每个北方苍鹰猎物位置的目标函数值数组; 存储了每个北方苍鹰新位置的目标函数值数组;
S33. 利用改进的北方苍鹰算法对VMD处理参数(k,α)值寻优,得到最优参数组合(k,α)。
7.根据权利要求1所述露天坑涌水量的预测方法,其特征在于:步骤S5中相邻模态函数Pearson的公式为:;式中: 分别是对 样本的标准分数、样
本平均值和样本标准差; , 分别是对 样本的标准分数、样本平均值和样本标准差;为相关系数值,n为样本数量。
8.根据权利要求1所述露天坑涌水量的预测方法,其特征在于:步骤S7中绝对误差MAE公式为:MAE ;式中yi是真实值, 表示预测值;
均方根误差RMSE公式为:
;式中yi是真实值, 表示预测值;
平均相对误差MAPE公式为:
;式中,yi是真实值, 表示预测值;
2
R公式为:
;式中yi是真实值, 表示预测值,表示真实值的平均值。