基于小样本数据下的双并行时空卷积注意力瓦斯涌出量预测模型

付天予; 陈巧军; 胡慢谷; 张骁俊; 杨小彬; 吕伏

doi:10.12404/j.issn.1671-1815.2600356

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (29) :12507-12520 DOI: 10.12404/j.issn.1671-1815.2600356

矿冶工程

基于小样本数据下的双并行时空卷积注意力瓦斯涌出量预测模型

付天予 ¹ ,
陈巧军 ² ,
胡慢谷 ¹ ,
张骁俊 ¹ ,
杨小彬 ¹^,^* ,
吕伏 ³^,⁴

作者信息 +

Novel Gas Emission Prediction Model Based on Dual-parallel Spatiotemporal Convolutional Attention in Small Sample Data

FU Tian-yu ¹ ,
CHEN Qiao-jun ² ,
HU Man-gu ¹ ,
ZHANG Xiao-jun ¹ ,
YANG Xiao-bin ¹^,^* ,
LÜ Fu ³^,⁴

Author information +

文章历史 +

摘要

煤矿瓦斯涌出量的准确预测对保障煤矿安全生产具有重要意义,然而传统预测方法往往无法充分捕捉瓦斯涌出量与多维特征之间的复杂非线性关系。为了应对数据不足和提高模型精度,提出了一种基于生成对抗网络(generative adversarial networks,GAN)与双并行时空卷积注意力架构的瓦斯涌出量预测方法。首先,通过GAN生成与源数据分布相似的合成数据,扩充训练数据集,增强模型的鲁棒性。接着,采用时空卷积网络提取数据中的空间依赖特征,并结合时间注意力机制聚焦于关键时间步的特征,进一步增强模型对时空非线性关系的建模能力。通过对比30种主流机器学习算法,选择XGBoost作为核心模型,并将其与时空卷积注意力特征提取模块相结合。实验结果表明,所提出的模型在不同矿区和多源异质数据背景下,能够有效提高预测精度和稳定性,相比传统回归模型和经典深度学习方法,模型在决定系数(R²)和平均绝对误差(mean absolute error,MAE)等指标上表现优异。

Abstract

Accurate prediction of coal mine gas emission is of great significance for ensuring safe production in coal mines. However, traditional prediction methods often fail to fully capture the complex nonlinear relationships between gas emissions and multidimensional features. To address the issues of data insufficiency and improve model accuracy, a gas emission prediction method based on generative adversarial networks (GAN) and a dual-parallel spatiotemporal convolutional attention architecture was proposed. First, synthetic data with a distribution similar to that of the source data were generated through GAN to augment the training dataset and enhance the robustness of the model. Subsequently, a spatiotemporal convolutional network was employed to extract spatial dependency features from the data, and a temporal attention mechanism was integrated to focus on features at critical time steps, thereby further strengthening the model's capability in modeling spatiotemporal nonlinear relationships. Through a comparison of 30 mainstream machine learning algorithms, XGBoost was selected as the core model and combined with the spatiotemporal convolutional attention feature extraction module. Experimental results indicate that the proposed model effectively improves prediction accuracy and stability across different mining areas and under multi-source heterogeneous data conditions. Compared with traditional regression models and classical deep learning methods, the model demonstrates superior performance in terms of the coefficient of determination (R²) and mean absolute error (MAE), among other metrics.

Graphical abstract

关键词

数据孪生 / 瓦斯涌出量预测 / 时空卷积注意力 / 双并行网络

Key words

data twin / gas emission prediction / spatiotemporal convolutional attention / dual parallel network

引用本文

引用格式 ▾

付天予, 陈巧军, 胡慢谷, 张骁俊, 杨小彬, 吕伏. 基于小样本数据下的双并行时空卷积注意力瓦斯涌出量预测模型[J]. 科学技术与工程, 2026, 26(29): 12507-12520 DOI:10.12404/j.issn.1671-1815.2600356

FU Tian-yu, CHEN Qiao-jun, HU Man-gu, ZHANG Xiao-jun, YANG Xiao-bin, LÜ Fu. Novel Gas Emission Prediction Model Based on Dual-parallel Spatiotemporal Convolutional Attention in Small Sample Data[J]. Science Technology and Engineering, 2026, 26(29): 12507-12520 DOI:10.12404/j.issn.1671-1815.2600356

登录浏览全文

4963

注册一个新账户忘记密码

煤炭作为中国的主体能源,在今后较长一个时期仍将在能源消费结构中占据主体地位^[1-3],发挥能源安全兜底保障作用。随着煤矿开采深度的不断增加,瓦斯涌出强度与涌出量显著增大,由瓦斯涌出、积聚、超限引发的瓦斯事故日益频发^[4-6],对煤矿安全生产构成严重威胁。因此,准确预测瓦斯涌出量,对于瓦斯灾害防控与煤矿安全生产保障具有重要意义。

传统的瓦斯涌出量预测方法(如矿山统计法^[7]、分源统计法^[8]、瓦斯地质数学模型法^[9]等)由于受数据质量、模型假设以及参数估计等因素的影响,常常在实用性和准确度方面存在局限。为提升预测的可行性和可靠性,研究者近年来尝试采用多元线性回归模型^[10]等方法来引入更多影响瓦斯涌出量的特征。然而,这些方法往往难以充分捕捉瓦斯涌出量与煤层厚度、倾角、推进速度等多维特征之间的动态非线性耦合关系;再加之模型本身过于单一,高维数据中的潜在联系难以被深入挖掘。

随着深度学习理论与技术在各学科迅速发展,诸多基于多因素耦合的预测模型也被应用于瓦斯涌出量预测中,以期实现对瓦斯涌出量的实时监测^[11-15]。研究者利用神经网络、长短期记忆网络(long short-term memory,LSTM)等时间序列预测方法,结合多种与瓦斯涌出量相关的数据特征。然而,井下不同传感器所采集的瓦斯浓度和压力等信息往往存在复杂的空间依赖性,这一点在上述方法中尚未得到充分揭示;同时,煤层赋存条件、开采方式、通风模式等多种因素亦对瓦斯涌出量产生强耦合作用,这进一步凸显了该问题的非线性特征。为此,国内外学者建立了多种组合预测模型(例如LSTM-LightGBM、RF-RFECV-Bi-LSTM、ARIMA-GM、IWOA-LSTM-CEEMDAN等^[16-18])来更好地提取特征。但在实践中,煤矿企业往往难以提供足够量且维度完整的地层和传感数据,如果过度依赖少数相对完备的特征,势必会影响模型的精度与稳定性。

针对数据不足的问题,近年来各领域涌现出多种数据生成算法,如应用生成对抗网络(generative adversarial networks,GAN)提升医学图像分割的质量、大型语言模型(large language models,LLMs)来生成文本数据,以及可用于模拟高维离散变量分布的GAN^[19-20]。这些方法所合成的虚拟数据与真实数据在分布特征上相当接近,为医学、计算机视觉和自然语言处理等众多领域提供了新的解决方案。由此推及瓦斯涌出量预测,也显示出极大的应用潜力。

基于上述背景,在收集中国煤矿开源数据的基础上,首先,采用GAN模型生成高质量且蕴含源数据重要依赖关系的合成数据,以弥补原始数据库的不足。其次,提出一种时空卷积注意力架构,对瓦斯涌出量进行多维度双并行特征提取与时空依赖建模。双并行结构包括两条互补的通路,上通路侧重时间维度特征提取,通过时间卷积网络捕捉瓦斯涌出量的时序演变规律,并结合时间注意力机制动态聚焦关键时间节点;下通路侧重空间维度特征提取,通过图卷积网络建模矿井不同区域间的空间依赖关系,并引入空间注意力机制识别空间位置信息。通过对不同煤层深度、推进速度以及其他多源异质特征进行并行卷积处理并融合注意力机制,使其能够更充分地捕捉瓦斯涌出量在时空维度上的非线性耦合关系。最后,将提取到的时空特征输入经对比30种机器学习算法后筛选出的最优模型进行预测。以期在综合多源影响因素的同时缓解数据稀缺带来的建模问题,为煤矿安全生产提供更精准、高效的瓦斯涌出量预测方法。

1 模型与方法

1.1 瓦斯涌出量数据处理过程及基础预测模型选取

1.1.1 瓦斯涌出量数据生成技术

瓦斯涌出量预测通常依赖于大量的历史数据进行建模及预测,由于受实际地质条件、数据收集难度等限制,实际收集到的瓦斯涌出量数据较为有限。同时,小样本数据会导致模型出现泛化性差、预测精度低等问题。为此,引入GAN网络,其网络流程如图1所示。由于其能够在学习原始数据分布的基础上,生成与真实数据具有相似特征的合成数据,从而有效扩展数据量,提升预测模型的鲁棒性与泛化能力^[21]。

生成对抗网络(GAN)由生成器和判别器两个网络组成,生成器G的任务是从随机噪声z[通常从正态分布p_z(z)中采样]生成与真实瓦斯涌出量数据分布p_data(x)相似的伪造数据G(z),判别器D则用于区分输入数据是来自真实数据还是由生成器生成的数据。两者通过对抗性训练进行优化,生成器尝试生成更为逼真的数据,以欺骗判别器,而判别器则不断提高区分真实数据和生成数据的能力。在训练过程中,生成器的损失函数可以表示为

(1)L_G=-E_{z∼p_z(z)}(ln{D[G(z)]})

式(1)中:L_G为生成器损失;E(·)为数学期望;z为从先验分布p_z(z)中采样的随机噪声;G(z)为生成样本;D[G(z)]为判别器将生成样本判定为真实样本的概率。

生成器需要通过降低判别器对生成数据的正确识别率,逐步提高所生成数据的真实性。另一方面,判别器的损失函数为

(2)L_D=-E_{x∼p_data(x)}[lnD(x)]-E_{z∼p_z(z)}(ln{1-D[G(z)]})

式(2)中:L_D为判别器损失;x为服从真实数据分布p_data(x)的样本;D(x)为判别器将真实样本判定为真实样本的概率。

判别器通过最大化其对真实数据和生成数据G(z)的区分能力,来提升自身的判别性能。

1.1.2 瓦斯涌出量集成学习预测模型

在瓦斯涌出量多数据集融合预测任务中,数据通常具有高维、多特征及复杂依赖关系等特点,传统模型难以充分刻画其潜在规律,易出现欠拟合或过拟合问题。因此,合理选择预测模型是提升预测精度与泛化能力的关键。现有研究主要采用回归模型、机器学习模型、深度学习模型和集成学习模型四类方法。

回归模型结构简单、可解释性强,适用于特征关系相对简单、数据规模较小的场景。常用于瓦斯涌出量预测的模型包括线性回归、岭回归、Lasso 回归等。为增强对非线性特征和异常值的适应能力,进一步引入K近邻回归、Lasso LARS、Huber 回归及随机梯度下降回归等模型^[22]。机器学习模型具备较强的非线性建模与特征学习能力,能够有效挖掘瓦斯涌出量数据中的复杂模式。典型方法包括支持向量回归、决策树和K近邻算法。结合任务特点,选取 ElasticNet、SVR、决策树回归、多层感知机(MLP)、BP 神经网络、RNN 及 GRU 等^[23-24]模型进行对比分析,以评估不同模型的预测性能差异。深度学习模型通过多层神经网络结构自动提取高层特征,在高维、大规模和时序数据建模方面具有显著优势。CNN和LSTM 已广泛应用于瓦斯涌出量预测研究。为进一步提升模型对时序特性和长程依赖关系的刻画能力,构建了CNN-LSTM、CNN-LSTM-Attention、CNN-Attention 及 CNN-Transformer 等组合模型。而集成学习通过融合多个基学习器,有效提升模型的稳定性和泛化能力,在应对噪声和异常数据方面表现突出。选取随机森林、GBDT、AdaBoost、Extra Trees 以及 XGBoost、LightGBM 和CatBoost等^[25-26]主流集成模型进行对比研究,以充分挖掘不同模型之间的互补优势。

1.1.3 瓦斯涌出量特征层次聚类模型

瓦斯涌出量的预测涉及多维度特征,这些特征之间的关系复杂且高度非线性。为更好地处理此类特征,通过相关性分析和层次聚类相结合的方法来构建瓦斯涌出量的特征层次聚类模型^[27]。首先分析特征之间的相关性,然后将具有相似相关性特征的变量聚类在一起,为特征选择提供依据。

1.1.4 相关性分析

首先,进行相关性分析以评估瓦斯涌出量特征之间的线性依赖关系。常用的方法是计算皮尔逊相关系数,公式为

(3)r=$\frac{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{x}}_{\mathit{i}}-\stackrel{-}{\mathit{x}})({\mathit{y}}_{\mathit{i}}-\stackrel{-}{\mathit{y}})}{\sqrt{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{x}}_{\mathit{i}}{-\stackrel{-}{\mathit{x}})}^{2}\sum ({\mathit{y}}_{\mathit{i}}{-\stackrel{-}{\mathit{y}})}^{2}}}$

式(3)中:x_i和y_i分别为两个特征的观测值;$\stackrel{-}{\mathit{x}}$和$\stackrel{-}{\mathit{y}}$为均值;n为样本数。

1.1.5 层次聚类分析

层次聚类是一种基于距离矩阵的无监督学习方法,将具有相似性的样本或特征逐步聚合为不同层次的簇,形成一个树状结构,即树形图(dendrogram)。聚类的核心步骤是计算特征间的距离矩阵,常用的距离度量为欧氏距离,随后,通过层次链接方法依次合并距离最近的簇。该过程反复进行,直到所有特征被归为一个簇,形成一个树形图。通过分析树形图,可以选择合适的层次划分出不同的特征组,保留具有重要信息的特征,减少维度冗余,提高模型的泛化能力。

2.1 时空卷积网络

2.1.1 空间卷积

在瓦斯涌出量的预测过程中,数据通常存在复杂的空间依赖性。为了有效捕捉这种空间依赖关系,图神经网络(graph neural network,GCN)是一种专门针对图结构数据的深度学习方法,能够通过图卷积操作来提取节点间的空间特征。在瓦斯涌出量预测中,各矿井可以被视为图的节点,节点之间的连接代表物理上或功能上相邻的参数,这些空间连接反映了瓦斯涌出量在不同空间点之间的相互作用,空间卷积框架如图2所示。

GCN的核心思想是在图结构上进行卷积操作,通过将节点及其邻居节点的信息进行聚合,生成新的特征表示。对于瓦斯涌出量的预测,GCN 通过空间邻接矩阵A和度矩阵D,结合输入节点特征矩阵X,通过式(4)进行空间卷积操作,表达式为

(4)H⁽^l⁺¹⁾=σ[${\mathit{D}}^{-\frac{1}{2}}$A${\mathit{D}}^{-\frac{1}{2}}$H⁽^l⁾W⁽^l⁾]

式(4)中:H⁽^l⁾为第l层的节点特征矩阵;W⁽^l⁾为第l层的权重矩阵;σ为非线性激活函数。式(4)通过聚合每个节点及其邻居节点的信息,实现空间信息的有效提取。

2.1.2 时间卷积

通过引入图卷积网络(GCN),瓦斯涌出量的空间依赖特性得到了有效建模,能够捕捉到传感器节点之间的复杂空间关系。然而,瓦斯涌出量不仅在空间维度上表现出显著的相关性,还具有明显的时间动态性。为更好地对瓦斯涌出量的变化趋势进行建模,需要引入时间卷积网络(temporal convolution network,TCN),以捕捉随时间变化的瓦斯涌出特征。

时间卷积是一种在时间序列数据上进行卷积操作的技术,能够通过卷积核在时间维度上滑动来提取不同时间步长的依赖关系,时间卷积框架如图3所示。对于瓦斯涌出量数据,诸如瓦斯浓度、温度、压力等变量随时间变化,并且具有潜在的长期依赖性。时间卷积可以通过将这些时间序列数据进行局部卷积操作,捕捉时间上的局部特征模式。时间卷积的核心操作可表达为

(5)Y_t=$\stackrel{\mathit{k}-1}{\sum _{\mathit{i}=0}}$W_iX_t_-_i

式(5)中:W_i为卷积核的权重;X_t_-_i为在时间步t-i的输入特征。

通过时间卷积操作,模型不仅能够捕捉短期的时间依赖性,还可以通过堆叠多个时间卷积层,捕捉到长期的时间关系。

将时间卷积与空间卷积相结合,能够对瓦斯涌出量的时空特征进行联合建模:空间卷积捕捉矿井不同区域之间的相互影响,而时间卷积则捕捉瓦斯浓度、压力等特征随时间的动态变化。时空联合建模为瓦斯涌出量预测提供了更加全面和精准的解决方案,提升了模型的预测能力和鲁棒性。

2.2 融合时空卷积注意力机制

2.2.1 空间卷积注意力机制

空间注意力机制(spatial attention mechanism)是一种通过在特征图的空间维度上动态分配注意力权重,提升模型处理复杂空间数据能力的方法,空间注意力框架如图4所示。在瓦斯涌出量预测中,空间特征是不可忽视的,传感器往往分布在矿井的不同位置,这些位置的瓦斯浓度、温度和压力对整体预测有着不同的贡献。通过空间注意力机制,模型能够自动识别出对预测结果影响较大的关键区域或传感器位置,从而分配更多的注意力权重至这些重要位置,优化瓦斯涌出量的预测精度。

空间注意力机制的核心思想是为输入特征图的每个空间位置分配一个动态权重,表示该位置对任务的重要性。其基本公式为

(6)α_ij=$\frac{\mathrm{e}\mathrm{x}\mathrm{p}\left({\mathit{e}}_{\mathit{i}\mathit{j}}\right)}{\sum _{\mathit{i}\mathit{\text{'}},\mathit{j}\mathit{\text{'}}}\mathrm{e}\mathrm{x}\mathrm{p}\left({\mathit{e}}_{\mathit{i}\mathit{\text{'}}\mathit{j}\mathit{\text{'}}}\right)}$

式(6)中:i'=1,2,…,H,H为空间特征图的行数; j'=1,2,…,W,W为空间特征图的列数;N=HW为空间位置(节点)总数;α_ij为位置(i,j)的注意力权重;e_ij为该位置的相关性得分,通常由特征图中该位置的特征值与全局上下文信息结合计算得到。

相关性得分e_ij确定了模型应关注的区域,进而通过加权求和得到最终的空间特征表示为

(7)c=$\sum _{\mathit{i},\mathit{j}}$α_ijh_ij

式(7)中:i=1,2,…,H,H为空间特征图的行数; j=1,2,…,W,W为空间特征图的列数。

2.2.2 时间卷积注意力机制

时间注意力机制(temporal attention mechanism)^[28]通过为每个时间步赋予不同的注意力权重,模型能够动态地聚焦于对预测任务最为重要的时间点,从而提高整体预测性能,时间注意力机制框架如图5所示。时间注意力机制首先通过计算每个时间步的相关性得分来评估其对目标任务的重要性。得分计算公式为

(8)e_t=f(h_t,s)

式(8)中:h_t为第t个时间步的隐藏状态;s为上下文信息,可以是整个序列的全局特征或特定时间步的代表性信息。

通过softmax函数对所有时间步的得分进行归一化,得到每个时间步的注意力权重为

(9)α_t=$\frac{\mathrm{e}\mathrm{x}\mathrm{p}\left({\mathit{e}}_{\mathit{t}}\right)}{\mathrm{e}\mathrm{x}\mathrm{p}\left({\mathit{e}}_{\mathit{t}\mathit{\text{'}}}\right)}$

式(9)中:t'=1,2,…,T,T为时间序列的总时间步数。

最终,通过对所有时间步的隐藏状态h_t按照权重进行加权求和,得到最终的公式为

(10)c=$\stackrel{\mathit{T}}{\sum _{\mathit{t}=1}}$α_th_t

2.3 瓦斯涌出量预测流程

构建基于小样本数据下的双并行时空卷积注意力瓦斯涌出量预测模型,整体预测流程如图6所示,具体步骤如下。

(1)收集中国山西、河北、陕西、辽宁、山东、安徽、黑龙江7个省份不同煤矿的瓦斯涌出量数据及其相关参数,形成初始数据集。

(2)利用GAN网络生成类真实瓦斯涌出量样本,以扩充数据集的规模。接下来,对数据集进行异常值检测、缺失值处理以及训练集与测试集的划分,确保数据的完整性与有效性。

(3)采用层次分析法对6个输入特征进行层次聚类分析,通过构建判断矩阵定量评估各特征间的相关性与重要程度,识别冗余特征并加以剔除,从而确定对绝对瓦斯涌出量预测贡献最大的最优特征子集。

(4)以最优特征组合为输入,系统训练并评估30种机器学习回归模型,涵盖线性回归、支持向量回归、随机森林、XGBoost等主流算法,以RMSE、MAE及R²为评价指标,通过横向对比筛选出预测精度最高的模型,为后续GAN数据增强效果验证提供可靠基准。

将改进的双并行时空卷积注意力模型作为特征提取器,以进一步提高预测精度。

3 瓦斯涌出量预测数据处理过程

3.1 数据集构建

瓦斯涌出的影响因素主要分为地质因素和开采因素。开采因素影响瓦斯吸附解析动态平衡,具有时序特征。地质因素主要决定了瓦斯在煤层中的分布和储存特性,存在明显的空间特征。为实现瓦斯涌出量的高精度预测,对可能影响瓦斯涌出量的时空因素进行讨论,主要包括原始瓦斯含量、煤层深度、煤层厚度、煤层倾角、推进速度、工作面长度等地域因素。

为构建瓦斯涌出量预测数据集,系统收集了中国7个主要煤炭产区:山西、河北、陕西、辽宁、山东、黑龙江和安徽的多个煤矿实测瓦斯涌出量数据,数据共368条,来源分为以下两部分。第一部分共181条样本,来源于16篇学术文献^[29-44],数据来源明确、真实可靠、具有可追溯性;第二部分共187条样本,通过实地调研,从各产煤省份相关矿区的瓦斯等级鉴定报告、矿井安全生产报告及现场测定记录等技术资料中整理获取,并经过严格的数据清洗与质量审核后纳入数据集。

收集的特征参数主要包括:原始瓦斯含量、煤层深度、煤层厚度、煤层倾角、推进速度、工作面长度及地域等。在数据整合过程中,对量纲不一致或字段缺失的记录进行了剔除,最终保留368条完整有效样本,所有字段均无缺失值及异常值,属于典型的小样本数据集。各特征的描述性统计结果如表1所示。

在输入特征方面,原始瓦斯含量的范围为1.73~6.23 m³/t,均值为3.37 m³/t,标准差为0.93 m³/t,分布较为集中;煤层深度变化范围较大,介于150~713 m,均值为515.70 m,标准差达88.80 m,反映了样本来源矿井在埋深条件上的显著差异;煤层厚度范围为1.5~20 m,均值为4.31 m,标准差为2.80 m,整体为偏薄但个别样本存在较厚煤层;煤层倾角介于4.32°~33°,均值为12.68°,标准差为5.48°,以缓倾斜煤层为主;推进速度范围为1.42~10 m/d,均值为3.97 m/d,标准差为1.64 m/d,反映了不同工作面开采强度的差异;工作面长度介于140~315 m,均值为174.50 m,标准差为32.20 m,分布相对集中,以中等长度工作面为主。

该数据集为后续的模型训练和分析提供了基础,并确保了瓦斯涌出量预测模型的泛化能力,从而适用于不同地理区域和煤矿条件。图7为不同地域瓦斯涌出量的分布情况。

图7所示为7个地域的瓦斯涌出特性。其中河北和山西的瓦斯涌出量具有显著的波动性,表明这些地区的瓦斯涌出具有高度的不确定性和方差,而山东、黑龙江等地的涌出量集中且稳定,分布范围相对较窄,反映了这些省份瓦斯涌出量的低变异性。

3.2 特征分析

除冗余特征,可以减少数据中的噪声干扰,保留与瓦斯涌出量高度相关的因素,从而提高模型的泛化能力和预测精度。层次聚类能够揭示特征之间的内在联系,使得特征选择更加科学和合理,从而优化数据结构,提升模型在不同工况下的适应性和鲁棒性。通过层次聚类法,可以有效地将相似特征归为一类,简化特征空间,进一步去除冗余特征,从而提高模型的精度和稳定性。瓦斯涌出特征层次聚类分析如图8所示。

从图8可以看出,原始瓦斯含量与瓦斯涌出量呈现出显著的正相关性,这表明煤层中的瓦斯储量越高,在开采过程中释放的瓦斯量也越大,与瓦斯吸附-解吸机制相符;煤层深度对瓦斯涌出量也具有较高的正相关性,深部煤层因地压增加使得瓦斯的吸附能力增强,从而增加瓦斯涌出量;煤层厚度与瓦斯涌出量的相关性相对较低,可能是因为煤层厚度更多影响瓦斯的储存空间,而非直接影响瓦斯的解吸和流动。推进速度与瓦斯涌出量存在一定的正相关性,表明在推进速度较快时,煤体应力状态的快速变化会导致瓦斯释放速率的增加;工作面长度与瓦斯涌出量之间也存在一定的相关性,较长的工作面可能会导致煤体暴露面积增大,进而增加瓦斯的释放量,但其影响相对较弱。

综上所述,采用相关性较高的原始瓦斯含量、煤层深度、煤层倾角、推进速度、工作面长度、地域作为瓦斯涌出量预测指标。

3.3 数据生成技术

利用GAN网络对瓦斯涌出量特征及样本进行扩充,发现当生成器的损失值达到0.501 2,判别器的损失值达到0.536 7时,网络逐渐趋于稳定和收敛状态。相关参数选择如表2所示。

为了更加直观地对比增强与原始数据集的相似性,绘制了原始数据与GAN生成数据在绝对瓦斯涌出量的箱线图、t-SNE降维分布图以及频率分布直方图,如图9所示。

图9全面评估了生成数据与原始数据的一致性。箱线图结果表明,生成数据与原始数据在中位数、四分位数范围以及整体分布形态上高度相似,仅在尾部分布的离群值上存在轻微差异。t-SNE降维分布图结果表明,生成数据在特征空间的分布与原始数据几乎完全一致,各簇的位置和分布密集度高度相似。频率分布直方图进一步验证了两组数据在主要区间的分布形态非常接近,且峰值位置一致,仅在尾部分布区间存在少量偏差。总体而言, GAN生成的数据能够精准地模拟原始数据的分布特性,具有极高的相似性。

3.4 数据清洗与模型性能分析

3.4.1 异常值处理

为保证模型精度,防止较大异常数据对预测效果的影响,对瓦斯浓度进行缺失值及异常值检验,通过箱线图的方式,以±2.5四分位距(IQR)之外的数据作为异常值点。

3.4.2 缺失值处理

对于瓦斯涌出量数据的缺失值及异常值点进行剔除后,采用埃尔米特插值进行处理,表达式为

(11)a_i=$\stackrel{\mathit{m}}{\prod _{\mathit{j}=0,\mathit{j}\ne \mathit{i}}}\frac{1}{{\mathit{x}}_{\mathit{i}}-{\mathit{x}}_{\mathit{j}}}$

式(11)中:a_i为第i个插值节点的重心权重系数;x_i和x_j分别为第i个和第j个已知数据节点;m为插值节点的最高下标,共有m+1个节点;连乘下标j=0,1,2,…,m,且j≠i,其中i=0,1,2,…,m。

4 瓦斯涌出量预测算法对比结果

4.1 基础预测模型选取

数据来源包括不同矿区、不同时间段以及多种地质特征的数据样本。这种多源数据的复杂性和异质性使得单一模型难以全面捕捉所有特征,因此需采用更多的算法捕捉其内部特征,鉴于此,选取了4类共30种主流预测算法(表3),包括回归算法、集成学习算法、机器学习算法和深度学习算法。

回归算法(如线性回归、岭回归、Lasso回归)适用于线性特征明显的数据,具有计算效率高、可解释性强的优点,但在瓦斯涌出量这类强非线性问题中预测性能受限。集成学习算法(如XGBoost、CatBoost、随机森林)通过集成多个弱学习器,有效刻画复杂非线性特征,在泛化能力和鲁棒性方面表现突出,适合多源异质数据建模。机器学习算法(如MLP神经网络)能够通过非线性映射挖掘高维复杂特征,但对数据规模和训练时间要求较高。深度学习算法(如CNN、CNN-LSTM、Transformer)依托深层网络结构实现自动特征提取,在高度非线性和复杂时序问题中具有更高的预测精度和适应性,减少了对人工特征工程的依赖。

图10以柱状图的形式展示了不同机器学习算法在瓦斯涌出量预测任务中的性能表现。上方的柱状图展示的是不同模型的决定系数R²,下方的柱状图展示的是不同模型在该任务中的平均绝对误差(MAE)。

决定系数R²用于衡量模型预测输出与真实值之间的相关性,数值越接近1表明模型的拟合效果越好。由图10可以看出,CatBoost、Gradient Boosting、ExtraTress、LightGBM、Random Forest和XGBoost的R²较高,显示出极高的拟合度。这些模型的高表现可能源于它们利用了集成学习的策略,通过将多个弱学习器组合在一起,从而有效捕捉瓦斯涌出量数据的复杂特征,尤其是在多源异质性数据背景下,此类模型表现出了较强的泛化能力^[45-46]。特别是XGBoost,表明其对瓦斯涌出量数据的复杂性有极强的学习能力。下半部分的MAE图则用于衡量模型预测值与真实值之间的平均绝对误差。可以看到,误差最低的模型依然是XGBoost,这与图10中的表现一致,说明这些模型在减少预测误差方面具有显著的优势。综上所述,选取了XGBoost作为瓦斯涌出量的预测模型。

4.2 基于双并行时空卷积注意力的瓦斯涌出量预测算法

集成学习中的XGBoost模型在瓦斯涌出量预测中已取得较高的精度,但由于原始数据中包括诸如推进速度时间信息及煤层厚度、煤层深度、地理位置等空间信息,使得原模型未能提取瓦斯涌出量数据中的时空特征,因此,采用提出的双并行时空卷积注意力特征提取模型对瓦斯涌出量进行时空特征提取,并将该模型输出的特征作为XGBoost的输入,以实现瓦斯涌出量的预测。所提出的模型在配置了一个NVIDIA GTX 4090 GPU的桌面上执行。计算软件环境采用TensorFlow框架配置。

图11为时空卷积注意力模型在不同训练迭代次数下的Loss值和决定系数(R²)变化。图11(a)显示了模型在100、300、500、700、900、1 100、1 300、1 500、1 700和1 900次迭代下的Loss表现,可以看出,随着迭代次数的增加,Loss值逐渐下降,表明模型预测精度不断提高。箱线图的长度反映了预测稳定性,较少迭代时(如100次)箱线图较长,表明模型表现不稳定,预测波动较大;随着迭代次数增加,箱体变短,稳定性逐步增强。图11(b)展示了不同迭代次数下模型的决定系数(R²)变化,可以看出,随着迭代次数的增加,R²逐步提高,表明预测精度有显著改进。同时,箱体的缩短说明模型预测的稳定性逐步增强,尤其在较高的迭代次数(如1 900次)时,R²的波动显著减少,表明模型逐渐趋于收敛。

在完成训练过程后,对比原始数据与使用GAN生成的数据,分析两者在预测瓦斯涌出量方面的差异,评估GAN在数据增强中的有效性及对模型性能的提升作用。

图12展示了使用GAN生成数据与原始数据在瓦斯涌出量预测中的表现对比。通过散点图可以看出,使用GAN生成的数据在整体预测精度上略高于原始数据,且模型的拟合度有所提升。决定系数(R²)分别为0.88和0.86,表明使用GAN生成的数据略微改善了模型的拟合效果。通过数据的分布图也可以看出,GAN生成的数据在分布上更加接近真实数据,且波动较小,表现出更好的稳定性。

4.3 不同算法下瓦斯涌出量预测对比

为进一步对比验证提出的双并行时空卷积注意力架构模型的合理性以及预测性能,首先基于消融实验的思想,在标准XGBoost预测模型的基础上逐步引入时空卷积模块TG-Conv、时空注意力模块ST-Attention,形成了不同的模型,并对它们在瓦斯涌出量预测任务中的性能进行对比。通过衡量各模型在测试数据集上的均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)来评估其在瓦斯涌出量预测中的性能表现。并与LSTM-LightGBM、IWOA-LSTM-CEEMDAN和RF-RFECV-Bi-LSTM 等模型进行了对比实验,所有模型均在相同数据集条件下进行验证。结果如表4所示。

为进一步验证所提出的双并行时空卷积注意力架构(TG-Conv-ST-Attention)的合理性和预测性能,基于标准XGBoost模型进行逐步消融实验:先后引入时空卷积模块(TG-Conv)与时空注意力模块(ST-Attention),进而与XGBoost结合,形成不同模型并在同一瓦斯涌出量数据集上进行对比。结果如表4所示,XGBoost基线模型在测试集上取得了MSE=2.640、MAE=0.900、R²=0.710;当分别引入TG-Conv或ST-Attention模块时,模型在测试集上的精度得到一定提升(例如TG-Conv在测试集上MSE=1.977,R²=0.786),说明时空卷积及注意力机制在瓦斯涌出量预测中都具备一定增益作用。进一步地,融合了两者的 TG-Conv-ST-Attention模型在测试集上取得了MSE=1.547、MAE=0.803、R²=0.832的性能。最后,完整的TG-Conv-ST-Attention- XGBoost模型在测试集上更是显著提高到MSE=1.155、MAE=0.708、R²=0.875,相较于基线有了跨越式提升。

同时,为全面评价模型的优越性,与文献中的RF-RFECV-Bi-LSTM^[17]、LSTM-LightGBM^[25]、IWOA-LSTM-CEEMDAN^[16]进行了对比。结果表明上述文献算法在本数据集上表现并不理想,而TG-Conv-ST-Attention-XGBoost在测试集上取得最高的R²(0.875)以及相对较低的误差指标(MSE=1.155,MAE=0.708),充分证明了时空卷积与注意力机制的结合在刻画瓦斯涌出量数据的多维度关联以及非线性时空特性方面具有明显优势。综上所述,所提出的双并行时空卷积注意力架构结合XGBoost的思路,能更有效地捕捉时空耦合关系与特征重要性,从而进一步提升瓦斯涌出量预测的精度与稳健性。

5 结论

(1)提出了基于生成对抗网络(GAN)的数据生成方法,以应对瓦斯涌出量预测中常见的数据不足问题。通过生成与源数据具有重要依赖关系的合成数据,能够显著增强训练集的规模和多样性,从而提高模型的泛化能力和鲁棒性。实验结果表明,生成的数据在特征分布上与原始数据高度相似,成功弥补了实际数据收集中的缺陷,并提升了模型的稳定性与预测精度。

(2)所提出的双并行时空卷积注意力架构通过联合时空卷积网络和注意力机制,有效捕捉了瓦斯涌出量数据中的时空依赖关系与复杂的非线性耦合特征。时空卷积模块能够提取原始瓦斯含量、煤层深度、煤层厚度、煤层倾角、推进速度、工作面长度、地域等空间信息之间的相互关系,时间注意力机制则有效聚焦于关键时间步的变化趋势。实验验证表明,融合时空卷积与注意力机制的模型相比传统方法具有显著的性能提升,能够更精准地模拟瓦斯涌出量的动态变化过程。

(3)通过对30种机器学习算法的对比分析,选取了XGBoost作为瓦斯涌出量预测的核心模型,结合双并行时空卷积注意力特征提取模块,显著提升了模型的预测精度和鲁棒性。与传统机器学习模型(如随机森林、SVM)和深度学习模型(如CNN-LSTM、Transformer)相比,提出的集成学习与深度学习结合的模型在瓦斯涌出量预测中表现出更高的决定系数(R²)和更低的平均绝对误差(MAE)。研究结果为解决复杂非线性、多源异质数据问题提供了一种有效的解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Wang L, Sun Y, Zheng S, et al. How efficient coal mine methane control can benefit carbon-neutral target: evidence from China[J]. Journal of Cleaner Production, 2023, 424: 138895.

[2]	曹偈, 胡千庭, 赵旭生, 等. 碎煤初期解吸瓦斯对煤与瓦斯突出动力效应影响的试验研究[J]. 煤炭学报, 2025, 50(9): 4260-4276.

[3]	Cao Jie, Hu Qianting, Zhao Xusheng, et al. Experimental study on the influence of initial desorbed gas from crushed coal on the dynamic effects of coal and gas outburst[J]. Journal of China Coal Society, 2025, 50(9): 4260-4276.

[4]	Chen Q, Qu H, Liu C, et al. Spontaneous coal combustion temperature prediction based on an improved grey wolf optimizer-gated recurrent unit model[J]. Energy, 2025, 314: 133980.

[5]	杨小彬, 韩超, 胡慢谷, 等. 考虑时空特征的瓦斯涌出量预测模型及其可解释性分析[J]. 安全与环境学报, 2025, 25(10): 3794-3802.

[6]	Yang Xiaobin, Han Chao, Hu Mangu, et al. A spatiotemporal feature-based prediction model for gas emission: an interpretability analysis[J]. Journal of Safety and Environment, 2025, 25(10): 3794-3802.

[7]	杨宝琳, 刘杰, 娄来宗. 基于粒子群算法优化BP神经网络及SVM的瓦斯超限预测预警方法[J]. 科学技术与工程, 2025, 25(26): 11098-11106.

[8]	Yang Baolin, Liu Jie, Lou Laizong, et al. Prediction and early warning method for gas overrun based on PSO-optimized BP neural network and SVM[J]. Science Technology and Engineering, 2025, 25(26): 11098-11106.

[9]	万宇, 齐金平, 张儒, 等. 基于信息增益优化支持向量机模型的煤矿瓦斯爆炸风险预测[J]. 科学技术与工程, 2021, 21(9): 3544-3549.

[10]	Wan Yu, Qi Jinping, Zhang Ru, et al. Risk prediction of coal mine gas explosion based on information gain-support vector machine (IG-SVM) model[J]. Science Technology and Engineering, 2021, 21(9): 3544-3549.

[11]	Karacan C Ö, Olea R A, Goodman G. Geostatistical modeling of the gas emission zone and its in-place gas content for Pittsburgh-seam mines using sequential Gaussian simulation[J]. International Journal of Coal Geology, 2012, 90: 50-71.

[12]	Roy A, Choi Y. Temperature dependence of source specific volatility basis sets for motor vehicle exhaust[J]. Atmospheric Environment, 2015, 119: 258-261.

[13]	Yakovlev V V, Kalugin Y I, Kalugin A Y, et al. Mathematical modelling of enhanced gas production[J]. Journal of Petroleum Exploration and Production Technology, 2019, 9(1): 561-571.

[14]	陈巧军, 余浩, 李艳昌, 等. 基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测[J]. 中国安全生产科学技术, 2024, 20(4): 78-84.

[15]	Chen Qiaojun, Yu Hao, Li Yanchang, et al. Prediction of gas emission quantity in mining face based on KPCA-LSSVM[J]. Journal of Safety Science and Technology, 2024, 20(4): 78-84.

[16]	王琴. 基于时空深度学习和非参数估计的煤矿瓦斯浓度预测方法研究[D]. 淮南: 安徽理工大学, 2025.

[17]	Wang Qin. Research on coal mine gas concentration prediction method based on spatiotemporal deep learning and nonparametric estimation[D]. Huainan: AnHui University of Science and Technology, 2025.

[18]	徐耀松, 白济宁, 王雨虹, 等. 基于CEEMDAN-DA-GRU的瓦斯涌出量预测模型[J]. 传感技术学报, 2023, 36(3): 441-448.

[19]	Xu Yaosong, Bai Jining, Wang Yuhong, et al. Prediction model of gas emission based on CEEMDAN-DA-GRU[J]. Chinese Journal of Sensors and Actuators, 2023, 36(3): 441-448.

[20]	陈光胜. 瓦斯涌出量预测的IPCA-CPSO-BP神经网络模型研究及应用[D]. 焦作: 河南理工大学, 2024.

[21]	Chen Guangsheng. Research and application of IPCA-CPSO-BP neural network model for gas emission prediction[D]. Jiaozuo: Henan Polytechnic University, 2024.

[22]	陈云飞. 基于KPCA-GA-XGBoost模型的回采工作面瓦斯涌出量动态预测研究[D]. 徐州: 中国矿业大学, 2024.

[23]	Chen Yunfei. Research on dynamic prediction of gas emission in mining face based on KPCA-GA-XGBoost model[D]. Xuzhou: China University of Mining and Technology, 2024.

[24]	Cheng L, Li L, Li S, et al. Prediction of gas concentration evolution with evolutionary attention-based temporal graph convolutional network[J]. Expert Systems with Applications, 2022, 200: 116944.

[25]	Xu N, Wang X, Meng X, et al. Gas concentration prediction based on IWOA-LSTM-CEEMDAN residual correction model[J]. Sensors, 2022, 22(12): 4412.

[26]	Lin H, Li W, Li S, et al. Coal mine gas emission prediction based on multifactor time series method[J]. Reliability Engineering & System Safety, 2024, 252: 110443.

[27]

Wu B, Zhang W, Guo Z, et al. Research on forecasting model of gas emission in coal mining and heading face based on ARIMA-GM method[C]// Machinery, Materials Science and Energy Engineering (ICMMSEE 2015) Proceedings of the 3rd International Conference. Singapore: World Scientific Publishing Co. Pte. Ltd., 2015: 685-692.

[28]	Thambawita V, Salehi P, Sheshkal S A, et al. SinGAN-Seg: synthetic training data generation for medical image segmentation[J]. PloS ONE, 2022, 17(5): e0267976.

[29]	Chui K T, Lee L K, Wang F L, et al. A review of data augmentation and data generation using artificial intelligence in education[C]// International Conference on Technology in Education. Singapore: Springer Nature Singapore, 2023: 242-253.

[30]	Wu X, Han Y, Zhang M, et al. GAN-based pseudo random number generation optimized through genetic algorithms[J]. Complex & Intelligent Systems, 2025, 11(1): 31.

[31]	封之聪, 祝云, 高枫. 基于BLS-Lasso组合模型的火电厂蒸汽量预测[J]. 科学技术与工程, 2022, 22(26): 11394-11401.

[32]	Feng Zhicong, Zhu Yun, Gao Feng. Steam volume prediction of thermal power plant based on BLS-Lasso combined model[J]. Science Technology and Engineering, 2022, 22(26): 11394-11401.

[33]	陈聪, 候磊, 李乐乐, 等. 基于GRU改进RNN神经网络的飞机燃油流量预测[J]. 科学技术与工程, 2021, 21(27): 11663-11673.

[34]	Chen Cong, Hou Lei, Li Lele, et al. Prediction of aircraft fuel flow based on recurrent neural network[J]. Science Technology and Engineering, 2021, 21(27): 11663-11673.

[35]	Yunita A, Pratama M H D I, Almuzakki M Z, et al. Performance analysis of neural network architectures for time series forecasting: a comparative study of RNN, LSTM, GRU, and hybrid models[J]. MethodsX, 2025, 15: 103462.

[36]	Gong J, Qu Z, Zhu Z, et al. Ensemble models of TCN-LSTM-LightGBM based on ensemble learning methods for short-term electrical load forecasting[J]. Energy, 2025, 318: 134757.

[37]	Fan Z, Gou J, Weng S. Complementary CatBoost based on residual error for student performance prediction[J]. Pattern Recognition, 2025, 161: 111265.

[38]	毕灵月, 王强, 巫宇航. 基于自适应方差阈值算法的DTS合成气管道漏损检测与定位[J]. 科学技术与工程, 2025, 25(12): 5037-5044.

[39]	Bi Lingyue, Wang Qiang, Wu Yuhang. DTS synthesis gas pipeline leakage or damage detection and location based on adaptive variance threshold algorithm[J]. Science Technology and Engineering, 2025, 25(12): 5037-5044.

[40]	Neubauer A, Brandt S, Kriegel M. Explainable multi-step heating load forecasting: using SHAP values and temporal attention mechanisms for enhanced interpretability[J]. Energy and AI, 2025, 20: 100480.

[41]	谢丽蓉, 王晋瑞, 穆塔里夫·阿赫迈德, 等. 基于LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测[J]. 煤矿安全, 2017, 48(12): 150-152, 156.

[42]	Xie Lirong, Wang Jinrui, Mutellip Ahmat, et al. Prediction for coal mine gas emission based on LVQ-GA-BP neural network[J]. Safety in Coal Mines, 2017, 48(12): 150-152, 156.

[43]	刘鹏, 魏卉子, 景江波, 等. 基于增强CART回归算法的煤矿瓦斯涌出量预测技术[J]. 煤炭科学技术, 2019, 47(11): 116-122.

[44]	Liu Peng, Wei Huizi, Jing Jiangbo, et al. Predicting technology of gas emission quantity in coal mine based on enhanced CART regression algorithm[J]. Coal Science and Technology, 2019, 47(11): 116-122.

[45]	张科学, 李中旭, 陈学习, 等. 基于PCA-HPO-ELM的智能化矿井瓦斯涌出量预测研究[J]. 矿业科学学报, 2025, 10(5): 879-889.

[46]	Zhang Kexue, Li Zhongxu, Chen Xuexi, et al. Gas emission prediction of intelligent mines based on PCA-HPO-ELM[J]. Journal of Mining Science and Technology, 2025, 10(5): 879-889.

[47]	孙建华, 张志立, 石茜, 等. 基于主成分-逐步回归分析法的瓦斯涌出量预测研究[J]. 煤炭工程, 2020, 52(1): 89-94.

[48]	Sun Jianhua, Zhang Zhili, Shi Qian, et al. Prediction of gas emission based on principal component-stepwise regression analysis[J]. Coal Engineering, 2020, 52(1): 89-94.

[49]	王磊, 刘雨, 刘志中, 等. 基于IABC-LSSVM的瓦斯涌出量预测模型研究[J]. 传感器与微系统, 2022, 41(2): 34-38.

[50]	Wang Lei, Liu Yu, Liu Zhizhong, et al. Research on prediction model for gas emission based on IABC-LSSVM[J]. Transducer and Microsystem Technologies, 2022, 41(2): 34-38.

[51]	周西华, 孙家正. 基于主因子分析的改进BP神经网络瓦斯涌出量预测[J]. 矿业安全与环保, 2018, 45(6): 43-47, 52.

[52]	Zhou Xihua, Sun Jiazheng. Prediction of gas emission based on principal factor analysis and improved BP neural network[J]. Mining Safety & Environmental Protection, 2018, 45(6): 43-47, 52.

[53]	吴奉亮, 霍源, 高佳南. 基于随机森林回归的煤矿瓦斯涌出量预测方法[J]. 工矿自动化, 2021, 47(8): 102-107.

[54]	Wu Fengliang, Huo Yuan, Gao Jianan. Coal mine gas emission prediction method based on random forest regression[J]. Industry and Mine Automation, 2021, 47(8): 102-107.

[55]	李文华, 杨子凝, 王来贵. 耦合神经网络在瓦斯涌出量动态预测中的应用[J]. 辽宁工程技术大学学报(自然科学版), 2018, 37(4): 750-755.

[56]	Li Wenhua, Yang Zining, Wang Laigui. Application of gas emission dynamic prediction based on coupled neural network[J]. Journal of Liaoning Technical University(Natural Science), 2018, 37(4): 750-755.

[57]	王媛彬, 李媛媛, 韩骞, 等. 基于PCA-BO-XGBoost的矿井回采工作面瓦斯涌出量预测[J]. 西安科技大学学报, 2022, 42(2): 371-379.

[58]	Wang Yuanbin, Li Yuanyuan, Han Qian, et al. Gas emission prediction of the stope in coal mine based on PCA-BO-XGBoost[J]. Journal of Xi'an University of Science and Technology, 2022, 42(2): 371-379.

[59]	于健, 隋丽丽, 仓定帮, 等. 基于核熵成分分析与支持向量机组合算法的瓦斯涌出量预测模型[J]. 数学的实践与认识, 2020, 50(23): 93-99.

[60]	Yu Jian, Sui Lili, Cang Dingbang, et al. Gas emission quantity prediction model based on kernel entropy component analysis and support vector machine combination algorithm[J]. Mathematics in Practice and Theory, 2020, 50(23): 93-99.

[61]	刘锋. 基于PCA-SAPSO-BP神经网络的瓦斯涌出量预测研究[J]. 煤矿安全, 2023, 54(4): 60-68.

[62]	Liu Feng. Prediction of gas emission based on PCA-SAPSO-BP neural network[J]. Safety in Coal Mines, 2023, 54(4): 60-68.

[63]	徐刚, 王磊, 金洪伟, 等. 因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测[J]. 西安科技大学学报, 2019, 39(6): 965-971.

[64]	Xu Gang, Wang Lei, Jin Hongwei, et al. Gas emission prediction in mining face by factor analysis and BP neural network coupling model[J]. Journal of Xi'an University of Science and Technology, 2019, 39(6): 965-971.

[65]	丰胜成, 邵良杉, 卢万杰, 等. PCA-PSO-LSSVM模型在瓦斯涌出量预测中的应用[J]. 辽宁工程技术大学学报(自然科学版), 2019, 38(2): 124-129.

[66]	Feng Shengcheng, Shao Liangshan, Lu Wanjie, et al. Application of PCA-PSO-LSSVM model in gas emission prediction[J]. Journal of Liaoning Technical University(Natural Science), 2019, 38(2): 124-129.

[67]	徐耀松, 齐翠玉, 丰胜成. 基于IGSA-BP网络的瓦斯涌出量预测模型[J]. 电子测量与仪器学报, 2019, 33(5): 111-117.

[68]	Xu Yaosong, Qi Cuiyu, Feng Shengcheng. Gas emission prediction model based on IGSA-BP network[J]. Journal of Electronic Measurement and Instrumentation, 2019, 33(5): 111-117.

[69]	马晟翔, 李希建. 改进的BP神经网络煤矿瓦斯涌出量预测模型[J]. 矿业研究与开发, 2019, 39(10): 138-142.

[70]	Ma Shengxiang, Li Xijian. Study on prediction model of coal mine gas emission by improved bp neural network[J]. Mining Research and Development, 2019, 39(10): 138-142.

[71]	杨超, 周文铮, 刘雨竹. 自适应增强优化的瓦斯涌出量预测模型[J]. 辽宁工程技术大学学报(自然科学版), 2023, 42(6): 733-739.

[72]	Yang Chao, Zhou Wenzheng, Liu Yuzhu. Prediction model of gas emission based on adaptive enhancement optimization[J]. Journal of Liaoning Technical University(Natural Science), 2023, 42(6): 733-739.

[73]	周馨语, 朱琴跃. 基于VMD-IIAO-KELM的超短期风电功率预测[J]. 科学技术与工程, 2025, 25(35): 15125-15136.

[74]	Zhou Xinyu, Zhu Qinyue. Ultra-short-term wind power prediction based on VMD-IIAO-KELM[J]. Science Technology and Engineering, 2025, 25(35): 15125-15136.

[75]	郑永奇, 张琳, 高胜强, 等. 基于NRBO-FMD-BiGRU-Attention的光伏电站出力预测[J]. 科学技术与工程, 2025, 25(30): 12954-12963.

[76]	Zheng Yongqi, Zhang Lin, Gao Shengqiang, et al. Photovoltaic power output prediction based on NRBO-FMD-BiGRU-Attention[J]. Science Technology and Engineering, 2025, 25(30): 12954-12963.

基金资助

国家自然科学基金(52274206)

国家自然科学基金(51904144)

PDF (11486KB)

访问

被引

详细

导航

Received	Published	Revised
2026-01-17	2026-10-18	2026-04-07
Online Date
2026-10-30

摘要