基于GCN-GRU的瓦斯浓度时空分布预测
秦嘉欣
葛淑伟
龙凤琪
张永茜
李雪
中国矿业大学(北京) 机电与信息工程学院,北京 100083
摘要：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.
关键词：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
分类号：TD712(矿山安全与劳动保护)
资助基金：国家自然科学基金(61936008)
论文发表日期：2023-05-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 82-89,111 )
英文信息