典型文献
基于数据填补-机器学习的煤与瓦斯突出预测效果研究
文献摘要：
为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补(MI)和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型.采用总体准确率、局部准确率、运行时间这3种指标评价模型性能.研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90％和98.93％;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98％ ～1.11％,随机森林填补总体准确率提高5.13％ ～7.50％,随机森林填补的效果好于多重插补.
文献关键词：
煤与瓦斯突出;预测;多重插补(MI);随机森林填补(MF);机器学习
中图分类号：
作者姓名：
陈利成;陈建宏
作者机构：
中南大学 资源与安全工程学院,湖南 长沙410083
文献出处：
引用格式：
[1]陈利成;陈建宏-.基于数据填补-机器学习的煤与瓦斯突出预测效果研究)[J].中国安全生产科学技术,2022(09):69-74
A类：
缺失参数
B类：
数据填补,煤与瓦斯突出预测,煤与瓦斯突出事故,事故数据,数据缺失,多重插补,MI,MF,补缺,ELM,RF,机器学习算法,耦合模型,运行时间,指标评价模型,模型性能,训练样本,事故预测,预测准确率,RD,时间最短
AB值：
0.224795
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
