基于LSTM-CNN的露天矿粉尘浓度预测模型
刘干1
林士桢2
肖双双2
1.中煤科工集团沈阳设计研究院有限公司,辽宁沈阳 1100152.西安科技大学能源与矿业工程学院,陕西西安 710054
摘要：目前露天矿粉尘浓度预测模型通常依赖于已知的指标和参数来估计粉尘浓度,露天矿环境复杂多变,粉尘浓度的关键影响因素众多且难以明确界定,现有预测模型在精度和泛化能力方面存在一定的局限性,且现有预测模型往往忽视了数据中深层次的时空特征,难以全面反映粉尘浓度的变化规律.针对上述问题,提出了一种基于长短期记忆网络(LSTM)-卷积神经网络(CNN)的露天矿粉尘浓度预测模型.利用Pearson相关性分析筛选出湿度、噪声、剥采量与风速作为粉尘浓度预测的输入指标;这些指标经预处理后输入基于注意力机制的多个并行CNN单元,分别在不同尺度上提取输入的局部空间特征,并通过注意力机制加权,以增强与粉尘浓度关联性更强的特征表达,抑制冗余或噪声信息;注意力增强后的特征被重组为时间序列格式,由LSTM门控机制捕捉粉尘浓度随时间变化的动态模式和长期依赖关系,通过全连接层实现粉尘浓度预测.实验结果表明:与单一模型LSTM,CNN和随机森林相比,LSTM-CNN的决定系数R2分别提升7.85％,12.91％和23.49％;均方根误差(RMSE)分别降低17.81％,45.76％和33.35％;平均绝对误差(MAE)分别降低26.48％,25.56％和24.52％.与融合模型随机森林-支持向量回归和随机森林-门控循环单元相比,LSTM-CNN的R2分别提升2.89％和4.79％,RMSE 分别降低 9.15％和 14.12％,MAE 分别降低 11.40％和 16.53％.
关键词：露天矿粉尘浓度预测长短期记忆网络卷积神经网络粉尘浓度PM2.5
分类号：TD714.3(矿山安全与劳动保护)TD67(矿山电工)
资助基金：国家自然科学基金(52004202)新疆煤炭资源绿色开采教育部重点实验室开放课题(KLXGY-KB2424)新疆维吾尔自治区重大科技专项项目(2024A01002)
论文发表日期：2026-01-31
在线出版日期：2026-03-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 73-79 )
英文信息