基于长短期记忆网络的矿工不安全行为研究-论文

矿工不安全行为的出现是复杂的非线性动力过程,为预测不安全行为时间序列,选择具有"记忆"功能和解决梯度消失问题的长短期记忆网络。使用TensorFlow下Keras搭建基于长短期记忆网络的不安全行为时间序列预测模型,使用A、B煤矿2年共3 405条不安全行为序列数据进行模型训练和测试,根据交叉验证集选择最优参数。实验结果表明:构建的4个时间序列预测模型最小的平均绝对误差为0.080 7,最大的平均绝对误差为0.333 5,能够很好预测煤矿未来一定时间段内的不安全行为。