基于BO-XGBoost的煤自燃分級(jí)預(yù)警研究

周 旭，王認(rèn)卓，代亞勛，張九零，，孫玉雯

(1.華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210；2.華北理工大學(xué) 人工智能學(xué)院，河北 唐山 063210)

礦井火災(zāi)嚴(yán)重威脅著煤炭的安全生產(chǎn)，據(jù)不完全統(tǒng)計(jì)，礦井火災(zāi)事故90%以上是因?yàn)槊鹤匀家鸬?。因此，合理劃分煤自燃階段，精準(zhǔn)地確定煤自燃等級(jí)，構(gòu)建煤自燃分級(jí)預(yù)警模型對(duì)礦井安全生產(chǎn)及礦工人身安全具有重要意義[1-3]。

近年來，相關(guān)專家學(xué)者針對(duì)煤自燃預(yù)警和煤自燃分級(jí)問題主要進(jìn)行了兩方面研究：一方面，不斷探索各種機(jī)器學(xué)習(xí)算法對(duì)煤自燃溫度的預(yù)測(cè)效果，尋找具備更優(yōu)普適性及準(zhǔn)確性的預(yù)測(cè)模型。鄧軍等[4]提出結(jié)合PCA、PSO、支持向量機(jī)的煤自燃溫度預(yù)警方法，昝軍才等[5]利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建煤自燃溫度預(yù)測(cè)模型。但SVM預(yù)測(cè)效果對(duì)模型的參數(shù)比較敏感，BP神經(jīng)網(wǎng)絡(luò)存在過擬合現(xiàn)象，使得煤自燃溫度預(yù)測(cè)并未達(dá)到理想狀態(tài)。劉寶等[6]提出了一種基于相關(guān)向量機(jī)算法構(gòu)建煤自燃溫度預(yù)測(cè)模型，鄭學(xué)召等[7]將隨機(jī)森林算法應(yīng)用到煤自燃溫度預(yù)測(cè)問題，相較于支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)精度得到了較大的提升。以上研究主要基于機(jī)器學(xué)習(xí)算法構(gòu)建溫度回歸預(yù)測(cè)模型，為煤自燃溫度預(yù)測(cè)提供了新的方法。另一方面，快速、準(zhǔn)確確定煤自燃風(fēng)險(xiǎn)等級(jí)，進(jìn)而采取合理防控措施阻止煤自燃。為有效劃分煤自燃等級(jí)，相關(guān)專家學(xué)者通過分析煤自燃各階段的氣體指標(biāo)特征，尋找指標(biāo)參數(shù)特征點(diǎn)位，挖掘關(guān)聯(lián)關(guān)系確定閾值進(jìn)而劃分煤自燃預(yù)警等級(jí)。譚波等[8]選取特征溫度點(diǎn)的碳氧化物比率作為預(yù)警界限，劃分4個(gè)等級(jí)預(yù)警機(jī)制，同時(shí)結(jié)合灰色關(guān)聯(lián)分析法細(xì)化預(yù)警原則。周言安等[9]結(jié)合煤自燃指標(biāo)氣體的溫度走勢(shì)規(guī)律，確定臨界閾值，劃分了適合于顧北煤礦的煤自燃分級(jí)預(yù)警體系。張鐸等[10]結(jié)合Satava推斷法和Popescu法分析煤樣質(zhì)量隨溫度的變化規(guī)律，確定預(yù)警等級(jí)臨界溫度點(diǎn)。趙敏等[11]根據(jù)遺煤自燃特征，提出了一種基于模糊聚類法和遺傳算法的遺煤火災(zāi)檢測(cè)方法。翟小偉等[12]以系統(tǒng)工程理論為基礎(chǔ)，建立基于SEM的煤自燃危險(xiǎn)等級(jí)綜合評(píng)價(jià)體系。郁亞楠等[13]以唐家礦6號(hào)煤層為實(shí)驗(yàn)基礎(chǔ)，提出將單指標(biāo)氣體、綜合指標(biāo)和標(biāo)志氣體三者結(jié)合的煤自燃“三位一體”預(yù)報(bào)技術(shù)。上述研究通過指標(biāo)氣體法、模糊聚類法、測(cè)溫法等方法劃分特定煤層對(duì)象分級(jí)預(yù)警界限，對(duì)煤自燃預(yù)警和防治具有一定指導(dǎo)意義。由于不同煤礦地質(zhì)結(jié)構(gòu)、開采環(huán)境、煤質(zhì)組成等因素的不同，相同氣體指標(biāo)在數(shù)值上存在很大差異，因此，煤自燃等級(jí)閾值也會(huì)隨著礦井的不同而發(fā)生變化。

基于此，為了快速、準(zhǔn)確確定煤自燃危險(xiǎn)等級(jí)，提高煤自燃分級(jí)預(yù)警精準(zhǔn)性與魯棒性，提出構(gòu)建基于貝葉斯優(yōu)化XGBoost的煤自燃分級(jí)預(yù)警模型，并與傳統(tǒng)預(yù)測(cè)模型進(jìn)行對(duì)比分析，結(jié)果顯示BO-XGBoost模型在優(yōu)化方法尋優(yōu)速度和模型準(zhǔn)確率方面具有明顯的優(yōu)勢(shì)。為進(jìn)一步驗(yàn)證模型魯棒性與穩(wěn)定性，將模型應(yīng)用到唐山某礦的煤自燃分級(jí)預(yù)警中。該研究對(duì)煤自燃分級(jí)預(yù)警預(yù)報(bào)具有重要意義。

1 基本原理

1.1 貝葉斯超參數(shù)優(yōu)化算法

在機(jī)器學(xué)習(xí)中，優(yōu)化超參數(shù)的方法有隨機(jī)搜索，網(wǎng)格搜索和貝葉斯優(yōu)化等方法。貝葉斯優(yōu)化相較于隨機(jī)搜索和網(wǎng)格搜索，能夠在較短的迭代時(shí)間內(nèi)獲得較優(yōu)的參數(shù)組合。因此，近年來貝葉斯優(yōu)化算法在參數(shù)尋優(yōu)領(lǐng)域得到了廣泛應(yīng)用[14]。其中，概率代理模型和采集函數(shù)[15]是貝葉斯優(yōu)化算法中兩個(gè)重要部分。為了使目標(biāo)函數(shù)代理模型更貼近真實(shí)函數(shù)，應(yīng)用概率代理模型增加試驗(yàn)次數(shù)。采樣函數(shù)在最大概率出現(xiàn)全局最優(yōu)區(qū)域選取新的樣本點(diǎn)，通過不斷迭代更新樣本點(diǎn)，使目標(biāo)函數(shù)最小。

高斯過程(GP)與樹形Parzen估計(jì)器(TPE)是常用的概率代理模型，最大概率提升(PI)與最大期望提升(EI)[16]是常見的兩種采集函數(shù)。TPE相較于GP在效率和精度上均有提高，因此選擇TPE和EI作為貝葉斯優(yōu)化的概率代理模型和采集函數(shù)。

TPE對(duì)先驗(yàn)概率p(x|y)與目標(biāo)函數(shù)評(píng)估值概率p(y)定義，TPE定義的p(x|y)如式(1)所示。

式中，x為超參數(shù)組合；y為目標(biāo)函數(shù)評(píng)價(jià)函數(shù)值；y*為目標(biāo)函數(shù)評(píng)價(jià)函數(shù)最大值；當(dāng)x(i)的損失函數(shù)小于y*時(shí)，概率密度函數(shù)為l(x)；當(dāng)x(i)的損失函數(shù)大于等于y*時(shí)，概率密度函數(shù)為g(x)。

最大期望提升EI如式(2)所示。

式中，γ=p(y

1.2 XGBoost算法

集成學(xué)習(xí)算法包括：Bagging、Boosting和Stacking三類。其中，XGBoost算法是基于Boosting集成思想，由梯度提升樹改進(jìn)得來的。它將決策樹作為弱分類器，增加錯(cuò)分樣本權(quán)重，通過加入新的決策樹，糾正原分類器產(chǎn)生的誤差，最后將多個(gè)決策樹加權(quán)求和，作為最終預(yù)測(cè)結(jié)果[17-19]。

首先定義一棵決策樹輸出函數(shù)如式(3)所示。

f(a)=ωq(a)，ω∈RT，q：Rd→{1，2，…，T}

(3)

式中，a為輸入向量；q為樹結(jié)構(gòu)；ω為對(duì)應(yīng)的葉子分?jǐn)?shù)；T為樹中葉子節(jié)點(diǎn)數(shù)量；d為數(shù)據(jù)特征維數(shù)。

XGBoost是一種由K棵決策樹基于Boosting的集成算法，其輸出函數(shù)u如式(4)所示。

在單顆決策樹的目標(biāo)函數(shù)中引入懲罰項(xiàng)ζ，以防止決策樹葉子節(jié)點(diǎn)過多出現(xiàn)過擬合現(xiàn)象，其中，式(5)為單棵決策樹的復(fù)雜度。

目標(biāo)函數(shù)最優(yōu)解如式(7)所示：

2 基于BO-XGBoost的煤自燃分級(jí)預(yù)警模型

XGBoost模型的準(zhǔn)確率和魯棒性易受參數(shù)的影響，本文提出基于貝葉斯方法優(yōu)化XGBoost的學(xué)習(xí)率、n_estimators、最大深度等參數(shù)的煤自燃分級(jí)預(yù)警模型，其算法流程如圖1所示。BO-XGBoost算法步驟如下：

圖1 煤自燃分級(jí)預(yù)警流程

1)步驟一：數(shù)據(jù)預(yù)處理，將原數(shù)據(jù)中連續(xù)型溫度劃分為合適的煤自燃溫度等級(jí)，并將輸入氣體指標(biāo)特征數(shù)據(jù)進(jìn)行縱向歸一化處理。

2)步驟二：將預(yù)處理后的數(shù)據(jù)以7：3比例劃分成訓(xùn)練集和測(cè)試集兩部分，訓(xùn)練集用以模型訓(xùn)練與參數(shù)尋優(yōu)，測(cè)試集用以模型檢驗(yàn)。其中煤自燃溫度等級(jí)為輸出標(biāo)簽，其對(duì)應(yīng)的氣體指標(biāo)數(shù)據(jù)為輸入。

3)步驟三：確定初始采樣點(diǎn)個(gè)數(shù)init_points與迭代次數(shù)n_iter，選取概率代理模型為TPE，采集函數(shù)為EI，將min_child_weight、learning_rate、max_depth、n_estimators設(shè)置為待尋優(yōu)的超參數(shù)組合并初始化參數(shù)尋優(yōu)范圍。

5)步驟五：判斷是否滿足結(jié)束條件，如果不滿足繼續(xù)重復(fù)步驟四，如果滿足則輸出當(dāng)前最優(yōu)超參數(shù)組合，完成模型構(gòu)建。

3 算例測(cè)試

3.1 數(shù)據(jù)來源

模型采用的源數(shù)據(jù)是文獻(xiàn)[20]中公開發(fā)表的山東省某礦煤自然發(fā)火實(shí)驗(yàn)數(shù)據(jù)，共有337組數(shù)據(jù)，部分?jǐn)?shù)據(jù)見表1。

3.2 煤自燃等級(jí)劃分

根據(jù)源數(shù)據(jù)繪制各指標(biāo)氣體的溫度走勢(shì)曲線，如圖2—4所示，根據(jù)圖中指標(biāo)氣體變化趨勢(shì)分析煤自燃過程中各指標(biāo)特征確定各階段溫度節(jié)點(diǎn)。

表1 部分源數(shù)據(jù)

圖2 O2和CO氣體含量變化曲線

由圖2發(fā)現(xiàn)，煤O2含量隨溫度的升高而呈現(xiàn)下降的趨勢(shì)，因?yàn)槊鹤匀际且粋€(gè)氧化過程，在這個(gè)過程中需要消耗大量的氧氣；在60℃之前屬于緩慢氧化階段，O2含量存在小范圍波動(dòng)；230℃之后氧氣含量呈現(xiàn)急劇下降趨勢(shì)，說明煤開始劇烈燃燒；中間溫度段總體呈現(xiàn)下降趨勢(shì)。CO含量整體呈現(xiàn)上升趨勢(shì)；在100℃之前含量極低且趨于平穩(wěn)，這是因?yàn)樵诜磻?yīng)溫度較低時(shí)，大部分CO由煤的物理脫附與化學(xué)反應(yīng)生成，而由煤不完全氧化生成的CO含量相對(duì)較少；230℃到380℃之間CO含量趨于穩(wěn)定；380℃后CO含量驟增。

由圖3曲線走勢(shì)分析可得，C2H4濃度整體呈現(xiàn)上升趨勢(shì)；230℃之前C2H4濃度極低且趨于平穩(wěn)；230℃之后呈現(xiàn)大幅度波動(dòng)上升趨勢(shì)，這是由于原始煤樣中僅含有微量C2H4氣體，在高溫階段，煤分子鍵斷裂產(chǎn)生大量C2H4氣體。CO/ΔO2比值整體呈現(xiàn)上升趨勢(shì)；100℃之前CO/ΔO2處在微量且平穩(wěn)狀態(tài)；當(dāng)煤溫大120℃時(shí)，由于煤樣復(fù)合反應(yīng)加快，因此120℃到230℃之間呈現(xiàn)大幅度波動(dòng)上升趨勢(shì)；230℃到380℃之間呈現(xiàn)穩(wěn)定狀態(tài)；380℃之后CO/ΔO2比值驟增。

圖3 C2H4和CO/ΔO2氣體含量變化曲線

由圖4曲線走勢(shì)分析可得，C2H4/C2H6整體呈現(xiàn)上升趨勢(shì)；100℃到230℃之間呈現(xiàn)大幅度波動(dòng)上升趨勢(shì)；230℃后呈現(xiàn)穩(wěn)定狀態(tài)。C2H6含量整體呈現(xiàn)上升趨勢(shì)；210℃之前C2H6含量極低且趨于平穩(wěn)；210℃到230℃之間C2H6氣體呈現(xiàn)小幅度上升趨勢(shì)；230℃之后呈現(xiàn)大幅度上升趨勢(shì)。

圖4 C2H4/C2H6和C2H6氣體含量變化曲線

根據(jù)指標(biāo)氣體隨溫度變化的趨勢(shì)圖，分析各指標(biāo)氣體與煤自燃危險(xiǎn)等級(jí)間非線性關(guān)系，選定40℃、60℃、100℃、120℃、230℃為煤自燃反應(yīng)過程重要溫度節(jié)點(diǎn)。進(jìn)而將煤自燃劃分為6個(gè)等級(jí)，用6種顏色表示，分別為綠色，藍(lán)色，紫色，黃色，橙色，紅色。煤自燃風(fēng)險(xiǎn)等級(jí)劃分見表2。

證明 (1) 設(shè){xn}是([0,1], ρπ)中的Cauchy-列,則對(duì)任意的ε>0,存在N,當(dāng)m>n>N時(shí), ρπ(xm,xn)

3.3 數(shù)據(jù)歸一化

在劃分?jǐn)?shù)據(jù)集之前，將氣體指標(biāo)特征數(shù)據(jù)歸一化到[-1，1]區(qū)間內(nèi)，歸一化后數(shù)據(jù)能夠有效反映氣體特征相對(duì)變化趨勢(shì)，可以減少同一氣體指標(biāo)因煤礦差異造成的數(shù)值差距，增加XGBoost模型的普適性，能有效地應(yīng)用到其它煤礦分級(jí)預(yù)警中?？v向歸一化公式如式(8)所示。

式中，Bij為歸一化后第i個(gè)特征中第j個(gè)數(shù)據(jù)；Zij為原數(shù)據(jù)第i個(gè)特征中第j個(gè)數(shù)據(jù)；minZi為第i個(gè)特征的最小值；maxZi為第i特征的最大值。

表2 煤自燃預(yù)警分級(jí)

預(yù)處理后部分?jǐn)?shù)據(jù)見表3，其中溫度并未進(jìn)行歸一化處理，而是將表2中溫度依據(jù)煤自燃危險(xiǎn)等級(jí)從低到高進(jìn)行等級(jí)化處理。

表3 部分預(yù)處理后數(shù)據(jù)

3.4 基于貝葉斯優(yōu)化XGBoost模型應(yīng)用

XGBoost模型中參數(shù)較多，模型精度易受超參數(shù)影響，其中典型參數(shù)有：建樹棵數(shù)n_estimators、最大樹深度max_depth、學(xué)習(xí)率learning_rate、最小葉子節(jié)點(diǎn)權(quán)重和min_child_weight。為了尋求最優(yōu)超參數(shù)組合，首先劃分合理的參數(shù)尋優(yōu)范圍見表4。XGBoost模型采用Python中sklearn庫(kù)，貝葉斯優(yōu)化模型采用Python中Hyperopt庫(kù)，迭代次數(shù)n_iter設(shè)置為200次，初始樣本點(diǎn)init_points設(shè)置為20個(gè)，并以訓(xùn)練集五折交叉驗(yàn)證的平均準(zhǔn)確率為目標(biāo)函數(shù)。learning_rate和n_estimators參數(shù)尋優(yōu)過程與煤自燃分級(jí)預(yù)警模型準(zhǔn)確率關(guān)系如圖5所示。

表4 XGBoost參數(shù)

最優(yōu)的n_estimators參數(shù)與learning_rate參數(shù)通過迭代獲得，圓型點(diǎn)表示不同參數(shù)取值下XGBoost在訓(xùn)練集中的準(zhǔn)確率，星型點(diǎn)表示全局最優(yōu)點(diǎn)，即訓(xùn)練集準(zhǔn)確率最高時(shí)參數(shù)值。最優(yōu)準(zhǔn)確率為0.91，此時(shí)learning_rate=0.13，max_depth=4，n_estimators=63，min_child_weight=2。

圖5 參數(shù)尋優(yōu)

將氣體指標(biāo)特征對(duì)分類結(jié)果影響權(quán)重進(jìn)行重要性排序，分析各個(gè)指標(biāo)特征在煤自燃分級(jí)預(yù)警中作用，如圖6所示。結(jié)果發(fā)現(xiàn)所選的各個(gè)指標(biāo)氣體均占有較高權(quán)重，進(jìn)一步證實(shí)了所選指標(biāo)氣體進(jìn)行煤自燃預(yù)警分類的正確性與合理性。其中C2H4、CO、C2H4/C2H6含量影響權(quán)重最大。

圖6 特征重要性排序

3.5 模型評(píng)價(jià)指標(biāo)

選取分類學(xué)習(xí)中常用的準(zhǔn)確率、精確率、召回率、F1值四個(gè)模型評(píng)估指標(biāo)，由于煤自燃預(yù)警等級(jí)為多分類問題，采取每一等級(jí)計(jì)算求平均值的方式得到最終評(píng)估指標(biāo)，評(píng)估指標(biāo)計(jì)算公式如式(9)—(12)所示。其中，Ac為準(zhǔn)確率；Re為召回率；Pre為精確率；CPi表示第i個(gè)等級(jí)的預(yù)測(cè)正確的總數(shù)；IPi表示第i個(gè)等級(jí)預(yù)測(cè)錯(cuò)誤的總數(shù)；Pi表示預(yù)測(cè)為第i等級(jí)的總數(shù)；Ri表示實(shí)際為第i等級(jí)的總數(shù)。

3.6 優(yōu)化算法對(duì)比分析

為了驗(yàn)證貝葉斯優(yōu)化方法的優(yōu)越性，將BO-XGBoost模型分別與采用隨機(jī)搜索、網(wǎng)格搜索的XGBoost模型在尋優(yōu)速度、準(zhǔn)確率上進(jìn)行對(duì)比分析。為了提高對(duì)比結(jié)果的可靠性，在采用網(wǎng)格搜索及隨機(jī)搜索時(shí)，尋優(yōu)超參數(shù)組合及參數(shù)尋優(yōu)范圍同貝葉斯優(yōu)化算法一致，見表4，迭代次數(shù)仍設(shè)置為200次。結(jié)果見表5。

表5 優(yōu)化算法性能比較

由對(duì)比結(jié)果發(fā)現(xiàn)，從尋優(yōu)結(jié)果準(zhǔn)確率看，未采用優(yōu)化的XGBoost模型準(zhǔn)確率為87.2%，采用優(yōu)化算法的XGBoost模型準(zhǔn)確率均有不同程度提高，貝葉斯優(yōu)化下準(zhǔn)確率最佳為91%，網(wǎng)格搜索和隨機(jī)搜索下的準(zhǔn)確率分別為89.8%、89.7%，相較貝葉斯優(yōu)化算法準(zhǔn)確率低。從計(jì)算耗時(shí)看，貝葉斯優(yōu)化算法優(yōu)化XGBoost模型參數(shù)用時(shí)1.43min，相較于網(wǎng)格搜索算法和隨機(jī)搜索算法，其尋優(yōu)速度較快。因此貝葉斯優(yōu)化算法效果較好，能在較短的時(shí)間內(nèi)找到最優(yōu)參數(shù)組合。

3.7 各預(yù)測(cè)模型精度對(duì)比分析

3.7.1 各模型在源數(shù)據(jù)測(cè)試集上的應(yīng)用

為了驗(yàn)證XGBoost模型在煤自燃分級(jí)預(yù)警中的預(yù)測(cè)效果，將所建立的BO-XGBoost模型在測(cè)試集上進(jìn)行測(cè)試，并將預(yù)測(cè)結(jié)果分別同隨機(jī)森林、支持向量機(jī)、KNN模型的結(jié)果進(jìn)行對(duì)比分析，其中，各模型的超參數(shù)組合均采用貝葉斯優(yōu)化算法尋優(yōu)。隨機(jī)森林模型中最優(yōu)參數(shù)組合為min_samples_leaf=10，n_estimators=30，max_depth=19；支持向量機(jī)模型的最優(yōu)參數(shù)組合為核函數(shù)kernel選擇高斯徑向基函數(shù)，gamma=3.9，C=50.7；KNN模型中最優(yōu)參數(shù)組合為n_neighbors=20，leaf_size=32；未經(jīng)優(yōu)化算法優(yōu)化的XGBoost模型選用默認(rèn)參數(shù)，默認(rèn)超參數(shù)組合為：learning_rate=0.1，max_depth=3，n_estimators=100，min_child_weight=1。

各預(yù)測(cè)模型的準(zhǔn)確率、精確率、召回率、F1值對(duì)比結(jié)果如圖7所示。在基于貝葉斯優(yōu)化的XGBoost算法中，四個(gè)評(píng)級(jí)指標(biāo)均最高，各指標(biāo)均達(dá)到85%以上。各模型預(yù)測(cè)精度排序?yàn)椋築O-XGBoost>BO-RF> XGBoost>BO-SVM>BO-KNN，其中，BO-XGBoost模型的準(zhǔn)確率為91%，相較于其他四種模型分別提高3%、4%、9%、12%。

圖7 模型在源數(shù)據(jù)測(cè)試集上的預(yù)測(cè)精度對(duì)比

3.7.2 各模型在其他礦實(shí)驗(yàn)數(shù)據(jù)上的應(yīng)用

為了進(jìn)一步說明BO-XGBoost模型的普適性，首先選取唐山某礦四個(gè)煤層的實(shí)驗(yàn)數(shù)據(jù)作為驗(yàn)證模型的基礎(chǔ)數(shù)據(jù)集，然后根據(jù)表2進(jìn)行煤自燃等級(jí)劃分并進(jìn)行數(shù)據(jù)歸一化處理。最后將數(shù)據(jù)分別帶入BO-XGBoost，BO-RF，BO-SVM，BO-KNN，XGBoost模型進(jìn)行對(duì)比分析，其中各模型采用的超參數(shù)組合選擇與前面保持一致。各預(yù)測(cè)模型評(píng)價(jià)指標(biāo)結(jié)果如圖8所示。

圖8 模型在其他礦上的預(yù)測(cè)精度對(duì)比

結(jié)果顯示基于貝葉斯優(yōu)化的XGBoost模型在準(zhǔn)確率、精準(zhǔn)率、召回率、F1值四個(gè)評(píng)級(jí)指標(biāo)上相對(duì)最優(yōu)。各指標(biāo)均達(dá)到80%以上，且在不同煤層的實(shí)驗(yàn)數(shù)據(jù)下指標(biāo)浮動(dòng)范圍在4%以內(nèi)，具有較高的準(zhǔn)確性與穩(wěn)定性。BO-RF，BO-SVM，BO-KNN，XGBoost模型的分類準(zhǔn)確率相對(duì)較低，針對(duì)不同煤層的煤自燃風(fēng)險(xiǎn)等級(jí)分類效果存在較大差異，穩(wěn)定性相對(duì)較差。

4 結(jié) 論

1)本文提供了一種結(jié)合貝葉斯優(yōu)化算法和XGBoost的煤自燃分級(jí)預(yù)警模型，并與BO-RF、XGBoost、BO-SVM、BO-KNN模型的分類結(jié)果進(jìn)行對(duì)比分析，結(jié)果顯示BO-XGBoost模型在準(zhǔn)確率、精確率、召回率、F1值四個(gè)評(píng)估指標(biāo)中都表現(xiàn)出了良好的性能。

2)為了檢驗(yàn)貝葉斯優(yōu)化算法的優(yōu)越性，將BO-XGBoost模型分別與基于網(wǎng)格搜索算法、隨機(jī)搜索算法優(yōu)化的XGBoost模型、未進(jìn)行參數(shù)尋優(yōu)的XGBoost模型進(jìn)行對(duì)比分析，結(jié)果顯示經(jīng)過貝葉斯算法優(yōu)化后XGBoost模型的準(zhǔn)確率最高，而且在參數(shù)尋優(yōu)過程中貝葉斯優(yōu)化算法速度相對(duì)較快。

3)為了進(jìn)一步驗(yàn)證BO-XGBoost模型的普適性與穩(wěn)定性，將其應(yīng)用到河北省唐山市某礦，并與BO-RF、XGBoost、BO-SVM、BO-KNN模型精度與穩(wěn)定性進(jìn)行對(duì)比分析，結(jié)果顯示BO-XGBoost模型具有較優(yōu)的穩(wěn)定性與分類精度。表明BO-XGBoost模型在不同礦井的煤自燃分級(jí)預(yù)警中取得了較好的效果。