基于Spark Streaming流回歸的煤礦瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)*

吳海波 ， 施式亮 ， 念其鋒

(1.中南大學(xué) 資源與安全工程學(xué)院, 湖南 長(zhǎng)沙 410083；2.湖南科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，湖南 湘潭 411201；3.湖南科技大學(xué) 資源環(huán)境與安全工程學(xué)院，湖南 湘潭 411201；4.湖南科技大學(xué)煤炭資源清潔利用與礦山環(huán)境保護(hù)湖南省 重點(diǎn)實(shí)驗(yàn)室，湖南 湘潭 411201)

0 引言

對(duì)煤礦井下瓦斯?jié)舛冗M(jìn)行精確測(cè)量和實(shí)時(shí)監(jiān)測(cè)控制是防止煤礦瓦斯爆炸、確保人身安全的重要措施[1]。為了防治瓦斯災(zāi)害，煤礦要求安裝瓦斯監(jiān)測(cè)監(jiān)控系統(tǒng)以提供與瓦斯災(zāi)害相關(guān)的各種實(shí)時(shí)環(huán)境數(shù)據(jù)。有效的分析和利用瓦斯監(jiān)測(cè)監(jiān)控?cái)?shù)據(jù)，對(duì)煤礦關(guān)鍵測(cè)點(diǎn)的瓦斯?jié)舛冗M(jìn)行預(yù)測(cè)，使瓦斯災(zāi)害的預(yù)防和預(yù)警成為減少煤礦瓦斯災(zāi)害的關(guān)鍵。而傳感技術(shù)的發(fā)展使得煤礦瓦斯監(jiān)測(cè)監(jiān)控系統(tǒng)采集到的瓦斯監(jiān)測(cè)數(shù)據(jù)呈現(xiàn)流式大數(shù)據(jù)的特征，海量的瓦斯監(jiān)測(cè)監(jiān)控?cái)?shù)據(jù)通過網(wǎng)絡(luò)以流的形式傳輸?shù)矫旱V安全監(jiān)測(cè)監(jiān)控系統(tǒng)中，分析、研究煤礦瓦斯監(jiān)測(cè)監(jiān)控流數(shù)據(jù)也成為實(shí)時(shí)數(shù)據(jù)流分析問題，流數(shù)據(jù)具備數(shù)據(jù)量大、數(shù)據(jù)實(shí)時(shí)性價(jià)值高等特點(diǎn)，這給煤礦瓦斯?jié)舛阮A(yù)測(cè)帶來了新的挑戰(zhàn)。

目前預(yù)測(cè)瓦斯?jié)舛鹊姆椒扔邪ɑ跁r(shí)間序列分析[2, 3]、混沌時(shí)間序列預(yù)測(cè)[4]的，也有基于機(jī)器學(xué)習(xí)的支持向量機(jī)[5-7]、聚類[8]和基于粒子群優(yōu)化或遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)[9-12]等，基于機(jī)器學(xué)習(xí)應(yīng)用于瓦斯?jié)舛阮A(yù)測(cè)研究主要關(guān)注點(diǎn)在于利用已有的瓦斯?jié)舛葦?shù)據(jù)來進(jìn)行訓(xùn)練迭代，從而找到最優(yōu)模型。但機(jī)器學(xué)習(xí)在大數(shù)據(jù)迭代運(yùn)算、交互式查詢和流式處理上呈現(xiàn)出低效率的問題，導(dǎo)致數(shù)據(jù)建模時(shí)間長(zhǎng)、模型更新慢等問題，使得瓦斯?jié)舛葦?shù)據(jù)的預(yù)測(cè)達(dá)不到實(shí)時(shí)處理的要求。從已有的煤礦瓦斯?jié)舛阮A(yù)測(cè)方法來看，瓦斯監(jiān)測(cè)數(shù)據(jù)從采樣、建模、預(yù)測(cè)的時(shí)間跨度為數(shù)分鐘到數(shù)十分鐘之間，即預(yù)測(cè)模型的更新周期至少為分鐘級(jí)。物聯(lián)網(wǎng)及分布式并行大數(shù)據(jù)處理技術(shù)的發(fā)展使得流數(shù)據(jù)處理能力得以提升，通過分布式流處理技術(shù)可以在大數(shù)據(jù)下并行快速數(shù)據(jù)建模，達(dá)到流式數(shù)據(jù)實(shí)時(shí)處理要求。Spark Streaming流處理技術(shù)是Spark核心應(yīng)用的一個(gè)擴(kuò)展，主要負(fù)責(zé)處理實(shí)時(shí)數(shù)據(jù)流，數(shù)據(jù)流包括日志、交易數(shù)據(jù)、傳感器數(shù)據(jù)等。利用Spark Streaming的流處理技術(shù)，能保證瓦斯?jié)舛阮A(yù)測(cè)模型的實(shí)時(shí)學(xué)習(xí)能力，讓學(xué)習(xí)模型隨著新的數(shù)據(jù)流不斷更新，使得瓦斯?jié)舛葦?shù)據(jù)處理時(shí)間達(dá)到實(shí)時(shí)數(shù)據(jù)流的時(shí)間跨度數(shù)百毫秒到數(shù)秒之間，從而減少重新計(jì)算的開銷，能使預(yù)測(cè)模型更新周期達(dá)到秒級(jí)，既能提高預(yù)測(cè)精度，又能滿足實(shí)時(shí)預(yù)警要求。

1 Spark Streaming

Apache Spark是基于內(nèi)存計(jì)算的分布式開源集群計(jì)算系統(tǒng)。由于利用內(nèi)存來保存基于MapReduce算法過程的中間輸出和結(jié)果，這對(duì)于交互式數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法中使用頻率較高的迭代計(jì)算而言大大提升了工作效率[13]。Spark Streaming作為Spark支持流數(shù)據(jù)實(shí)時(shí)處理的組件，是采用將流數(shù)據(jù)分解成一系列批處理作業(yè)來進(jìn)行流式計(jì)算的。Spark Streaming流系統(tǒng)如圖1所示。

圖1 Spark Streaming流系統(tǒng)示意[14]Fig.1 Overview of the Spark Streaming system[14]

Spark Streaming將輸入流數(shù)據(jù)轉(zhuǎn)化成離散數(shù)據(jù)流DStream(Discretized Stream)，通過Spark核心引擎，可將每個(gè)批次的DStream轉(zhuǎn)換成Spark中的彈性分布式數(shù)據(jù)集RDD(Resilient Distributed Dataset)，這樣，可以通過RDD的轉(zhuǎn)換和行動(dòng)操作來實(shí)現(xiàn)流處理業(yè)務(wù)的要求。由于Spark還提供可擴(kuò)展的機(jī)器學(xué)習(xí)庫MLlib，Spark Streaming可以通過MLlib對(duì)從DStream轉(zhuǎn)換的RDD數(shù)據(jù)進(jìn)行分析與建模，從而進(jìn)行機(jī)器學(xué)習(xí)和應(yīng)用。

2 瓦斯?jié)舛阮A(yù)測(cè)模型

流數(shù)據(jù)挖掘是指實(shí)時(shí)的對(duì)數(shù)據(jù)流進(jìn)行分析并挖掘流數(shù)據(jù)的信息和模式。為了進(jìn)行流數(shù)據(jù)的挖掘，許多機(jī)器學(xué)習(xí)算法和技術(shù)被重新設(shè)計(jì)以適用于流數(shù)據(jù)。線性回歸屬于機(jī)器學(xué)習(xí)算法中的監(jiān)督學(xué)習(xí)，主要是通過建立線性回歸方程來分析一個(gè)或多個(gè)自變量與因變量關(guān)系。線性回歸模型簡(jiǎn)單有效，非常適用于大數(shù)據(jù)流的建模和預(yù)測(cè)[15]。

(1)

由公式(1)來預(yù)測(cè)t+1時(shí)刻瓦斯?jié)舛葦?shù)據(jù)。其中，α,β為回歸系數(shù)，而為白噪聲。通過求解回歸系數(shù)α,β，就可根據(jù)一定時(shí)期的歷史數(shù)據(jù)來預(yù)測(cè)y的值。最優(yōu)回歸系數(shù)值應(yīng)使損失函數(shù)達(dá)到最小來求得，損失函數(shù)可定義為預(yù)測(cè)值與真實(shí)值y之差的平方和：

(2)

由公式(2)求解α,β可采用最小二乘法或梯度下降法，Spark Streaming流回歸采用的是隨機(jī)梯度下降算法來求回歸系數(shù)，當(dāng)樣本數(shù)據(jù)集n較大時(shí)，使用隨機(jī)梯度下降算法可減少運(yùn)算復(fù)雜度。

3 基于Spark Streaming流回歸的瓦斯?jié)舛阮A(yù)測(cè)系統(tǒng)

生成由線性回歸算法實(shí)現(xiàn)的瓦斯?jié)舛阮A(yù)測(cè)模型，就必須給定訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集可以是監(jiān)測(cè)監(jiān)控中已保存的歷史記錄數(shù)據(jù)，也可以為實(shí)時(shí)流數(shù)據(jù)。來自監(jiān)控監(jiān)測(cè)的實(shí)時(shí)訓(xùn)練數(shù)據(jù)集的改變導(dǎo)致預(yù)測(cè)模型的更新。監(jiān)測(cè)監(jiān)控?cái)?shù)據(jù)具有流數(shù)據(jù)的特點(diǎn)，數(shù)據(jù)量大導(dǎo)致建模時(shí)間長(zhǎng)，數(shù)據(jù)的實(shí)時(shí)性意味著數(shù)據(jù)存儲(chǔ)時(shí)間越長(zhǎng)，利用價(jià)值越低。因此，傳統(tǒng)的利用寫入磁盤的歷史記錄來進(jìn)行建模方法滿足不了在流數(shù)據(jù)上瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)的要求。為了在瓦斯?jié)舛葦?shù)據(jù)流上進(jìn)行預(yù)測(cè)建模，采用分布式流處理框架Spark Streaming來構(gòu)建基于流回歸的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)系統(tǒng)，Spark Streaming中的DStream可同時(shí)進(jìn)行流數(shù)據(jù)處理和批處理，滿足數(shù)據(jù)集提取、機(jī)器學(xué)習(xí)模型的訓(xùn)練及模型應(yīng)用等多種處理類型要求。既能滿足大數(shù)據(jù)處理要求，又能達(dá)到流計(jì)算的標(biāo)準(zhǔn)。

基于Spark Streaming流回歸的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)系統(tǒng)如圖2所示。煤礦瓦斯及相關(guān)傳感器將監(jiān)控實(shí)時(shí)數(shù)據(jù)通過網(wǎng)絡(luò)以流的方式傳送至流回歸系統(tǒng)，數(shù)據(jù)流可寫入分布式存儲(chǔ)系統(tǒng)HDFS進(jìn)行存儲(chǔ)，也可直接以流的形式發(fā)送至Spark Streaming。存儲(chǔ)的數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)可以結(jié)合并通過Spark MLIib來建立流回歸模型。流回歸模型可隨著數(shù)據(jù)流動(dòng)態(tài)更新，生成回歸模型通過Spark Streaming流回歸預(yù)測(cè)算法來進(jìn)行瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)。

圖2 Spark Streaming流回歸預(yù)測(cè)系統(tǒng)Fig.2 Prediction system based on Spark Streaming linear regression

瓦斯?jié)舛攘骰貧w預(yù)測(cè)是將瓦斯監(jiān)控源產(chǎn)生的實(shí)時(shí)數(shù)據(jù)通過流產(chǎn)生器發(fā)送到Spark Streaming中，在Spark Streaming流處理中，瓦斯監(jiān)測(cè)數(shù)據(jù)流會(huì)抽象成原始DStream，原始DSteam會(huì)將連續(xù)的流數(shù)據(jù)切分成指定時(shí)間片的數(shù)據(jù)RDD。為實(shí)現(xiàn)瓦斯?jié)舛阮A(yù)測(cè)建模與分析，Spark Streaming提供基于滑動(dòng)窗口的流計(jì)算，利用時(shí)間窗口來切分原始DStream，如圖3所示?；诖翱陂L(zhǎng)度的RDD是流回歸預(yù)測(cè)模型的基本單元，通過窗口長(zhǎng)度的流數(shù)據(jù)來建立流回歸預(yù)測(cè)模型，而窗口長(zhǎng)度可以根據(jù)流數(shù)據(jù)的速率和建模復(fù)雜度來確定，盡管Spark Streaming可支持毫秒級(jí)建模運(yùn)算，但在實(shí)際實(shí)用中，為保證模型的穩(wěn)定性和預(yù)測(cè)精度，可將窗口長(zhǎng)度設(shè)置為1 min或3 min。窗口的滑動(dòng)距離則用于指定預(yù)測(cè)模型訓(xùn)練數(shù)據(jù)的更新長(zhǎng)度，同時(shí)也指定了模型的更新率。Spark Streaming流計(jì)算可將窗口的更新速率達(dá)到秒級(jí)以滿足實(shí)時(shí)流處理要求。

圖3 Spark Streaming滑動(dòng)窗口操作示意Fig.3 Spark Streaming sliding window operations

4 瓦斯?jié)舛阮A(yù)測(cè)實(shí)驗(yàn)及分析

實(shí)驗(yàn)數(shù)據(jù)來自河南某煤礦3102綜采工作面的煤礦安全監(jiān)測(cè)系統(tǒng)。截取3102工作面回風(fēng)隅角瓦斯傳感器(編號(hào)001A08)的瓦斯?jié)舛葘?shí)測(cè)數(shù)據(jù)進(jìn)行流回歸預(yù)測(cè)和分析。001A08傳感器以按采樣速率0.2個(gè)/s收集瓦斯?jié)舛葦?shù)據(jù)，其中連續(xù)采樣4 h的瓦斯?jié)舛葘?shí)測(cè)值序列如圖4所示。實(shí)測(cè)值數(shù)據(jù)最大值為0.69%，最小值為0.02%，標(biāo)準(zhǔn)差為0.076。實(shí)時(shí)瓦斯?jié)舛葦?shù)據(jù)與前3次采集的濃度數(shù)據(jù)之間的Pearson相關(guān)性系數(shù)分別為0.948，0.901，0.871，具有較強(qiáng)的線性相關(guān)關(guān)系。此外，選取與該測(cè)點(diǎn)的Pearson相關(guān)性系數(shù)分別為-0.446，0.411，-0.397，-0.319的4個(gè)傳感器監(jiān)測(cè)點(diǎn)歷史數(shù)據(jù)構(gòu)建回歸模型。

圖4 瓦斯?jié)舛葘?shí)測(cè)數(shù)據(jù)Fig.4 The measured data of gas concentration

為模擬煤礦瓦斯傳感器監(jiān)測(cè)數(shù)據(jù)流，將瓦斯?jié)舛刃蛄袛?shù)據(jù)通過TCP socket套接字以采樣速率發(fā)送到Spark Streaming以模擬瓦斯?jié)舛葦?shù)據(jù)流，Spark Streaming則以內(nèi)置數(shù)據(jù)流源socketTextStream接收瓦斯?jié)舛攘鲾?shù)據(jù)作為輸入源。在進(jìn)行瓦斯?jié)舛攘骰貧w預(yù)測(cè)時(shí)，可根據(jù)實(shí)際應(yīng)用的要求來指定Spark Streaming流窗口的長(zhǎng)度和滑動(dòng)距離，以確定流回歸模型的訓(xùn)練數(shù)據(jù)長(zhǎng)度和更新周期。為驗(yàn)證流回歸的實(shí)時(shí)性和準(zhǔn)確率，可通過設(shè)定相同時(shí)間窗口長(zhǎng)度的訓(xùn)練數(shù)據(jù)，不同滑動(dòng)距離來進(jìn)行瓦斯?jié)舛阮A(yù)測(cè)。實(shí)驗(yàn)采用流回歸窗口長(zhǎng)度為1 min，模型更新周期即滑動(dòng)距離分別為60，45，30與15 s來進(jìn)行瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)。實(shí)驗(yàn)分4次進(jìn)行，用以仿真不同模型更新周期下的瓦斯?jié)舛葦?shù)據(jù)預(yù)測(cè)準(zhǔn)確率。圖5顯示了不同模型更新周期下的瓦斯?jié)舛阮A(yù)測(cè)值與實(shí)際值的對(duì)比。從圖5可以看出，不同模型更新周期的預(yù)測(cè)值與實(shí)際值都有較好的擬合性。

圖5 不同更新周期的瓦斯?jié)舛阮A(yù)測(cè)值與實(shí)際值Fig.5 The predicted data and measured data of gas concentration fordifferent update cycle of model

為了達(dá)到最優(yōu)預(yù)測(cè)效果，實(shí)驗(yàn)采用均方根誤差RMSE(root mean square error)來統(tǒng)計(jì)模型的精密度。RMSE為誤差平方和均值的平方根，即：

當(dāng)模型的時(shí)間滑動(dòng)距離為60 s時(shí)，回歸模型每隔60 s更新1次，根據(jù)模型的更新周期可知，流回歸模型在4 h內(nèi)更新了240次，分別計(jì)算每次流回歸預(yù)測(cè)模型的RMSE。以此類推，當(dāng)流回歸預(yù)測(cè)系統(tǒng)的窗口滑動(dòng)距離為40，30，15 s時(shí)，回歸模型分別更新了320，480和960次。不同更新周期下流回歸預(yù)測(cè)的RMSE變化如圖6所示。

圖6 不同更新周期的RMSEFig.6 RMSE of different update cycle of model

試驗(yàn)分析與統(tǒng)計(jì)的結(jié)果如表1所示，隨模型更新周期的縮小，平均RMSE也依次減小。模型更新周期為60 s的模型平均RMSE最大，，而更新周期為15 s的平均RMSE為最小。而統(tǒng)計(jì)整體4 h的總體RMSE則15 s為最大，45 s為最小。從結(jié)果分析，模型更新過快，使數(shù)據(jù)集訓(xùn)練不充分，導(dǎo)致總體預(yù)測(cè)精度下降。而模型更新周期過長(zhǎng)，則不能滿足實(shí)時(shí)流數(shù)據(jù)處理要求。綜合兩者考慮，采用模型更新周期為45 s的流回歸預(yù)測(cè)系統(tǒng)來預(yù)測(cè)瓦斯實(shí)時(shí)濃度。既使模型更新率滿足實(shí)時(shí)數(shù)據(jù)流處理的要求，也可使流回歸預(yù)測(cè)精度達(dá)到最優(yōu)。

表1 不同更新周期預(yù)測(cè)效果對(duì)比分析

5 結(jié)論

1)利用基于內(nèi)存的分布式流處理框架Spark Streaming構(gòu)建基于流回歸的瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)系統(tǒng)，預(yù)測(cè)模型以瓦斯?jié)舛葘?shí)時(shí)數(shù)據(jù)流為訓(xùn)練集，在流式大數(shù)據(jù)中快速迭代建模與更新，在保證預(yù)測(cè)精確度的要求下，對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)測(cè)。

2)應(yīng)用Spark Streaming流回歸預(yù)測(cè)系統(tǒng)來進(jìn)行瓦斯?jié)舛葘?shí)時(shí)預(yù)測(cè)，可以使模型的更新周期達(dá)到秒級(jí)，同時(shí)，隨著模型更新頻率的加快，模型的平均預(yù)測(cè)精度也隨之提高，而總體預(yù)測(cè)精度則根據(jù)煤礦瓦斯?jié)舛炔蓸勇屎蜏y(cè)量誤差來確定。

3)由于實(shí)驗(yàn)采取的瓦斯?jié)舛葦?shù)據(jù)是原始數(shù)據(jù)，并沒經(jīng)過噪聲處理，且煤礦開采過程中影響瓦斯涌出的因素還包括開采強(qiáng)度，煤層厚度等諸多因素，但目前預(yù)測(cè)模型的建立僅僅考慮與預(yù)測(cè)點(diǎn)相關(guān)系數(shù)較高的傳感器監(jiān)控點(diǎn)所能實(shí)時(shí)測(cè)量的數(shù)據(jù)。因此，如何在流數(shù)據(jù)中既能進(jìn)行濃度數(shù)據(jù)預(yù)處理，又能結(jié)合更多導(dǎo)致瓦斯涌出的因素來建立和動(dòng)態(tài)更新模型以進(jìn)一步提高瓦斯災(zāi)害預(yù)警精度是下一步研究工作內(nèi)容。

[1] 張劍英, 程健, 侯玉華, 等. 煤礦瓦斯?jié)舛阮A(yù)測(cè)的ANFIS方法研究[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào), 2007, 36(4):494-498.

ZHANG Jianying, CHENG Jian, HOU Yuhua，et al． Forecasting coalmine gas concentration based on adaptive neuro-fuzzy inference system[J]. Journal of China University of Mining& Technology, 2007, 36(4):494-498.

[2] 楊麗, 劉暉, 毛善君, 等. 基于多元分布滯后模型的瓦斯?jié)舛葎?dòng)態(tài)預(yù)測(cè)[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào), 2016, 45(3):455-461.

YANG Li, Liu Hui, MAO Shanjun, et al. Dynamic prediction of gas concentration based on multivariate distribution lag model[J]. Journal of China University of Mining & technology, 2016, 45(3):455-461.

[3] 董丁穩(wěn). 基于安全監(jiān)控系統(tǒng)實(shí)測(cè)數(shù)據(jù)的瓦斯?jié)舛阮A(yù)測(cè)預(yù)警研究[D]. 西安: 西安科技大學(xué), 2012.

[4] 張寶燕, 李茹, 穆文瑜. 基于混沌時(shí)間序列的瓦斯?jié)舛阮A(yù)測(cè)研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(10):244-248.

ZHANG Baoyan, LI Ru, MU Wenyu. Study on gas concentration prediction based on chaotic time series[J]. Computer Engineering and Applications, 2011,47(10):244-248.

[5] 劉俊娥, 楊曉帆, 郭章林. 基于FIG-SVM的煤礦瓦斯?jié)舛阮A(yù)測(cè)[J]. 中國(guó)安全科學(xué)學(xué)報(bào), 2013, 23(2):80-84.

LIU June, YANG Xiaofan, GUO Zhanglin. Prediction of coal mine gas concentration based on FIG-SVM[J]. China Safety Science Journal, 2013, 23(2):80-84.

[6] 付華, 豐盛成, 劉晶, 等. 基于DE-EDA-SVM的瓦斯?jié)舛阮A(yù)測(cè)建模仿真研究[J]. 傳感技術(shù)學(xué)報(bào), 2016, 29(2):285-289.

FU Hua, FENG Shengcheng, LIU Jing, et al. The modeling and simulation of gas concentration prediction based on De-Eda-Svm[J]. Chinese Journal of Sensors and Actuators, 2016, 29(2):285-289.

[7] 郭瑞, 徐廣璐. 基于信息融合與GA-SVM的煤礦瓦斯?jié)舛榷鄠鞲衅黝A(yù)測(cè)模型研究[J]. 中國(guó)安全科學(xué)學(xué)報(bào), 2013, 23(9):33-38.

GUO Rui, XU Guanglu. Research on coal mine gas concentration multi-sensor prediction model based on information fusion and GA-SVM[J]. China Safety Science Journal, 2013, 23(9):33-38.

[8] 穆文瑜, 李茹. 基于K-Means聚類的瓦斯?jié)舛阮A(yù)測(cè)[J]. 計(jì)算機(jī)應(yīng)用, 2011, 31(3):702-705.

MU Wenyu, LI Ru. Prediction of gas concentration based on K-Means clustering[J]. Journal of Computer Applications, 2011, 31(3):702-705.

[9] 彭程, 潘玉民. 粒子群優(yōu)化的RBF瓦斯涌出量預(yù)測(cè)[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù), 2011, 7(11):77-81.

PENG Cheng, PAN Yumin. Particleswarm optimization RBF for gas emission prediction[J]. Journal of Safety Science and Technology, 2011, 7(11):77-81.

[10] 曹博, 白剛, 李輝. 基于PCA-GA-BP神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測(cè)分析[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù), 2015, 11(5):84-90.

CAO Bo, BAI Gang, LI Hui. Prediction of gas content based on PCA-GA-BP neural network[J]. Journal of Safety Science and Technology, 2015, 11(5):84-90.

[11] 劉奕君, 趙強(qiáng), 郝文利. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)研究[J]. 礦業(yè)安全與環(huán)保, 2015, 42(2):56-60.

LIU Yijun, ZHAO Qiang, HAO Wenli. Study of gas concentration prediction based on genetic algorithm and optimizing BP neural network[J]. Mining Safety & Environmental Protection, 2015,42(2):56-60.

[12] 唐亮, 李春生, 許虎, 等. 基于BP和RBFNN的神經(jīng)網(wǎng)絡(luò)算法在瓦斯預(yù)測(cè)中的應(yīng)用及比較[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù), 2007, 3(6):31-34.

TANG Liang, LI Chunsheng, XU Hu, et al. The application and comparison of neural network based on algorithm BP and RBFNN in methane prediction[J]. Journal of Safety Science and Technology, 2007, 3(6):31-34.

[13] 胡俊, 胡賢德, 程家興. 基于Spark的大數(shù)據(jù)混合計(jì)算模型[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2015, 24(4):214-218.

HU Jun, HU Xiande, CHEN Jiaxing. Big data hybrid computing mode based on spark[J]. Computer Systems and Applications, 2015, 24(4):214-218.

[14] Matei Zaharia, Tathagata Das, Haoyuan Li, et al.Discretized streams: fault-tolerant streaming computation at scale[A]. Proceedings of the Twenty-Fourth ACM Symposium on Operating Systems Principles[C]. Farmington, PA, November 03-06, 2013.

[15] Bar N, Ule G. Streaming Linear Regression on Spark MLlib and MOA[A]. Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining Paris France[C]. August 25-28, 2015.