1.一种基于组合模型与动态协同权重分配的煤矿涌水量预测方法，其特征在于，包括如下步骤：步骤1、采集矿井涌水量的时间序列历史数据并进行预处理，将预处理后的数据定义为原始时间序列数据集合；

步骤2、构建ARIMA模型；

步骤3、构建GM(1,1)模型；

步骤4、构建ARIMA‑GM组合模型进行矿井涌水量预测，并引入时间衰减因子、误差敏感系数和调节因子，构建动态协同权重分配机制进行权重更新与优化。

2.根据权利要求1所述基于组合模型与动态协同权重分配的煤矿涌水量预测方法，其特征在于，所述步骤1中，预处理时，需要进行数据完整性、稳定性、相关性检验；具体过程为：步骤1.1、检验数据完整性，对于缺失数据，通过插值法进行补充；

步骤1.2、进行稳定性检验，若数据不平稳，则进行差分运算处理后进行白噪声检验，若数据平稳，则直接进行白噪声检验；

步骤1.3、利用白噪声进行相关性检验；具体过程为：对数据进行差分运算处理得到残差序列，并根据残差序列计算自相关函数和偏自相关函数，绘制相应的自相关函数图或偏自相关函数图，若在置信区间内自相关函数或偏自相关函数的值快速衰减，说明残差接近白噪声，符合ARIMA模型的建模要求；若不符合ARIMA模型的建模要求，则重新采集数据进行预处理，或返回步骤1.1重新对数据进行预处理。

3.根据权利要求2所述基于组合模型与动态协同权重分配的煤矿涌水量预测方法，其特征在于，所述步骤2的具体过程为：根据步骤1.3中计算的自相关函数和偏自相关函数确定ARIMA模型的回归阶数p和平均阶数q，并利用确定好阶数后的ARIMA模型直接对未来涌水量进行预测，预测时，直接将预处理后的矿井涌水量的时间序列历史数据输入ARIMA模型，得到ARIMA模型预测序列 ，其中 为ARIMA模型预测序列中的第 个数据。

4.根据权利要求3所述基于组合模型与动态协同权重分配的煤矿涌水量预测方法，其特征在于，所述步骤3中，GM(1,1)模型的具体工作过程为：步骤3.1、设有原始时间序列数据集合 ，经过一次累加，得到一次累加时间序列数据集合；一次累加的公式为：

 (1)；

其中， 、 分别为原始时间序列数据集合中的第 个、第 个数据；

、 分别为一次累加时间序列数据集合中的第 个、第 个数据；

步骤3.2、对原始时间序列数据集合中的每个数据进行光滑性检验： (2)；

其中， 为第 个数据的光滑比； 为一次累加时间序列数据集合中的第 个数据；

若满足 且 时，认为此序列数据为准光滑序列，满足GM(1,1)模型的建模要求；

步骤3.3、计算紧邻均值，生成紧邻均值序列集合；紧邻均值的计算公式为：

(3)；

其中， 、 分别为紧邻均值序列集合中的第 个、第 个数据；

步骤3.4、建立灰微分方程：

 (4)；

其中， 、 为不同的待定参数；

步骤3.5、相应的白化微分方程为： (5)；

其中，为周期序号；

定义参数列：

 (6)；

 (7)；

 (8)；

其中， 为待定参数构建的行列式； 为转置； 为由紧邻均值构建的矩阵； 为由原始数据构成的矩阵；

将 和 代入公式(6)求解得到待定参数 、 的估计值；

步骤3.6、求解灰微分方程和白微分方程，得到累加后时间响应序列集合；

 (9)；

其中， 、 、 分别为对 、   、的预测值； 为一次累加时间序列数据集合中的第 个数据；

为自然常数；

步骤3.7、进行累减还原得到预测值：(10)；

其中， 为GM(1,1)模型预测序列中的第 个预测值；

GM(1,1)模型预测序列为 ； 为GM(1,1)模型预测序列中的第 个预测值。

5.根据权利要求4所述基于组合模型与动态协同权重分配的煤矿涌水量预测方法，其特征在于，所述步骤4的具体过程为：步骤4.1、初始化时间衰减因子、误差敏感系数和调节因子，并定义预测误差计算公式为： (11)；

其中， 为模型 第 周期的预测误差； 为模型 第 周期的均方误差根；

步骤4.2、计算权重分子：

 (12)；

其中， 为模型 的权重分子；为调节因子；为误差敏感系数； 为模型第 周期的预测误差； 为模型 第 周期的预测误差； 为时间衰减因子；

步骤4.3、计算归一化系数：

 (13)；

其中， 为归一化系数； 为ARIMA模型的权重分子； 为GM(1,1)模型的权重分子；

步骤4.4、为两种模型分配权重： (14)；

 (15)；

其中， 为ARIMA模型第 周期的权重； 为GM(1,1)模型第 周期的权重；

步骤4.5、将两种模型的预测结果加权合并，构建ARIMA‑GM组合模型进行矿井涌水量预测： (16)；

其中， 为组合模型对矿井涌水量的预测值；

步骤4.6、进行动态参数优化；具体为根据预测误差动态调整参数：若当前周期ARIMA模型和GM(1,1)模型的预测误差之和高于预先设置的阈值，则增加 ，具体增加数值根据实际情况调整；

若环境稳定性高，则降低 ，具体降低数值根据实际情况调整；环境稳定性高的具体表现为：涌水量数据波动小且无明显趋势变化，同时预测误差长期保持低水平且波动小；

步骤4.7、异常处理；当归一化系数趋近于零时，为异常情况，重置ARIMA模型的权重和GM(1,1)模型的权重 均为默认值0.5。