基于注意力机制的ResNet-LSTM煤矿瓦斯浓度预测模型

作     者：张玲 杨超宇 ZHANG Ling;YANG Chaoyu

作者机构：安徽理工大学经济与管理学院安徽淮南232000 安徽理工大学人工智能学院安徽淮南232000 

出 版 物：《煤炭技术》 (Coal Technology)

年 卷 期：2024年第43卷第8期

页      面：208-213页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0819[工学-矿业工程] 081903[工学-安全技术及工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61873004) 

主　　题：瓦斯浓度预测 ResNet网络 LSTM网络 注意力机制 

摘      要：对煤矿井下瓦斯浓度的预测一直以来是矿井安全进行早期预警和管理的关键问题。为了进一步提高煤矿瓦斯浓度预测的准确度,提出了一种基于深度学习的方法,称为AR-LSTM,它包括残差神经网络(ResNet)、长短时记忆(LSTM)网络和基于注意力的网络,用于煤矿井下瓦斯浓度的预测。AR-LSTM不仅使用瓦斯浓度这一变量,同时将采集的温度、风速和一氧化碳浓度作为输入。因此,在AR-LSTM模型中,ResNet-LSTM网络学习多变量时间序列数据的时序相关性和相互依赖性,注意力机制用于捕捉过去不同时间步的特征状态对未来瓦斯浓度的重要性程度。基于注意力的层可以自动加权过去的特征状态以提高预测准确性,使用煤矿地区的瓦斯浓度数据进行预测,并将其与3种基准方法进行比较。为了比较每种方法的整体性能,实验中使用了均方根误差E_(RMS)、平均绝对误差E_(MA)和决定系数R^(2)。实验结果表明,AR-LSTM模型能够以最高性能处理煤矿瓦斯浓度的预测问题,并且可以实现1步或多步提前预测。