10.13272/j.issn.1671-251x.2022060105
基于GCN-GRU的瓦斯浓度时空分布预测
在煤矿井下复杂环境下,传统瓦斯浓度预测模型的预测精度较低,虽然通过引入各种优化算法对传统瓦斯浓度预测模型进行优化,提高了瓦斯浓度预测精度,但仅从时间维度进行建模,忽略了瓦斯浓度的空间特性,易导致重要先验知识丢失,影响预测效果.针对上述问题,提出一种基于图卷积神经网络(GCN)和门控循环单元(GRU)的瓦斯浓度时空分布预测模型.首先,对瓦斯浓度历史数据进行预处理,根据各采集节点间的空间距离,构建瓦斯浓度空间节点图,用于对节点间复杂的依赖关系进行建模.然后,在每个采样时间点,将瓦斯浓度和节点间的距离权重参数作为输入,获得瓦斯的空间节点图结构后,通过GCN进行空间特征自适应学习和图卷积运算,得到瓦斯浓度的空间特征,再将瓦斯浓度的空间特征信息转化为序列数据,输入到GRU.最后,GRU对时间序列下各时刻组成的瓦斯空间特征信息进行处理,通过基于序列到序列模型和自动编码器,生成模型预测结果.试验结果表明:①GCN-GRU模型能够较为准确地预测瓦斯浓度的总体变化趋势,预测结果与实际数据的拟合度优于历史平均(HA)模型和支持向量回归(SVR)模型.②GCN-GRU模型的均方根误差较HA模型、SVR模型、移动平均自回归(ARIMA)模型分别降低了0.5%,71.4%,37.9%,平均绝对误差分别降低了10.5%,82.4%,82.4%,准确率分别提高了0.06%,17.7%,13.8%,表明GCN-GRU模型具有较强的鲁棒性,且泛化性能较好.③GCN-GRU模型较HA模型、SVR模型、ARIMA模型更能关注到前序重要特征的影响.这主要是由于GRU的2个门关注了数据的时间特征,GRU在保留门控功能的基础上,减少训练参数,在一定程度上提高了模型训练效率,降低了训练时长.
瓦斯浓度预测、瓦斯浓度时空特性、空间节点图、图卷积神经网络、门控循环单元
49
TD712(矿山安全与劳动保护)
国家自然科学基金61936008
2023-06-07(万方平台首次上网日期,不代表论文的发表时间)
共9页
82-89,111