问题一：基于多维泰勒网的时间序列模型对干扰信号时间区间的预测.pdfVIP

五、问题一：基于多维泰勒网的时间序列模型对干扰信号时间区间的预测

5.1数据预处理

本研究主要内容为煤矿深部开采冲击地压危险数据的探索与处理。本文附件给出了

2019年1月9日-2020年1月7日采集的电磁辐射和声发射数据，并且标记出了所对应

的A、B、C类以及D或者E类(D/E)数据。之后对附件1进行数据描述性统计，分析

2019年1月9日-2020年1月7日采集的电磁辐射和声发射数据的分布趋势，提取时发

现原始数据集存在较多缺失值，同时还发现部分缺失信息，因此，本小节先对原始数据

集进行探索，绘制图表展开分析。

5.1.1描述性统计

附件1数据给出了2019年1月9日-2020年1月7日采集的电磁辐射和声发射数

据，电磁辐射(EMR)的样本量为610932采集数据，声发射(AE)的样本量为156255采集

数据。为了便于比较和研究，所有数据都进行了标准化处理。为清晰反映数据的众多关

键特征，采用描述性统计呈现其结果如表1所示。

表1：电磁辐射和声发射数据描述性统计

最大最小平均标准中位变异系数

变量名样本量峰度偏度

值值值差数（CV）

电磁辐射(EMR)610932500043.9260.47131.89531.3965.5511.377

声发射(AE)156255286031.37712.803326.4311.5650.408

基于采集的电磁辐射和声发射数据变异系数（CV）均大于0.15，当前数据中可能存

在前兆，为此本文选择对数据集进行特征探索，这有助于确保研究的客观真实性。通过

算法构建煤矿深部开采冲击地压危险预测模型，以提高对煤矿安全形势持续稳步改善。

5.1.2采集的电磁辐射和声发射数据的趋势分析

在对2019年1月9日-2020年1月7日采集的电磁辐射和声发射数据，附件1中所

有维度的类别型特征变量与电磁辐射和声发射数据进行分析，探索数据变量的缺失与分

布特征，从而为本文后续的数据预处理提供思路。考虑特征变量较多，在处理过程中采

用重要性指标进行陈述。

随着采煤工作面的不断推进，电磁辐射和声发射数据呈现出相应的波动。特别是在

冲击地压发生前的数天内（通常为0至7天），我们能够观察到一些预示性的趋势特征。

基于这些观察，我们将电磁辐射和声发射数据细致地划分为五个类别：

①正常工作数据（A）：代表采煤工作面在正常生产状态下的数据。

②前兆特征数据（B）：记录在冲击地压发生前，显示出潜在预警信号的数据。

③干扰信号数据（C）：在正常生产过程中，可能由于外部因素而产生的非典型信号。

④传感器断线数据（D）：反映监测系统出现故障或前兆时的数据。

⑤工作面休息数据（E）：在采煤工作面暂停生产期间收集的数据。

通过这种分类方法，我们能够更精确地识别和分析煤矿安全中的各种情况，从而为

预防冲击地压等安全风险提供有力的数据支持。

（1）电磁辐射数据的统计信息

通过对电磁辐射数据的细致分析，我们能够更好地理解不同类型数据的特点和潜在

的问题。这些洞察对于优化监测系统的性能、提高数据质量以及确保煤矿安全生产具有

重要的实际意义。电磁辐射数据的统计信息如图1所示。

1

图1：电磁辐射数据的分布趋势

通过对图1中数据的深入分析，我们得到了一些关键的发现。首先，干扰信号数据

（C）的平均值接近250万，这个数值远高于其他类型的数据，表明在电磁辐射监测中

可能存在显著的外部干扰因素。这种高干扰水平需要我们特别关注，因为它可能会对数

据的准确性和可靠性造成影响。

相比之下，其他类型的数据，包括正常工作数据（A）、前兆特征数据（B）以及传

感器断线数据（D）和工作面休息数据（E