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：① GCN−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。② GCN−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。③ GCN−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。
秦嘉欣，葛淑伟，龙凤琪，等. 基于GCN−GRU的瓦斯浓度时空分布预测[J]. 工矿自动化，2023，49(5)：82-89, 111. doi: 10.13272/j.issn.1671-251x.2022060105.
