基于GAT?Informer的采空區(qū)煤自燃溫度預(yù)測模型

關(guān)鍵詞：煤自燃；煤自燃溫度預(yù)測；多步長時間序列預(yù)測；圖注意力網(wǎng)絡(luò)；Informer；數(shù)據(jù)時空特征

中圖分類號：TD323 文獻標志碼：A

0引言

煤自燃是在煤炭開采和儲運過程中常見的重大災(zāi)害之一，嚴重威脅煤礦安全生產(chǎn)和礦工生命安全[1-3]。為減少煤自燃引發(fā)的瓦斯爆炸、粉塵爆炸、礦井火災(zāi)等災(zāi)害，煤自燃預(yù)測成為防治煤自燃災(zāi)害的關(guān)鍵[4-5]，其中最有效的方式是研究煤自燃過程中溫度與指標氣體濃度之間的規(guī)律[6-7]，建立煤自燃溫度預(yù)測模型。

近年來隨著人工智能技術(shù)的快速發(fā)展，已有許多學者將傳統(tǒng)機器學習和深度學習與煤自燃指標氣體相結(jié)合，對煤自燃溫度進行預(yù)測。趙琳琳等[8]利用主成分分析法（Principal Component Analysis，PCA）提取O2 濃度等指標的主成分，并將主成分作為自適應(yīng)增強（Adaptive Boosting，AdaBoost）算法輸入?yún)?shù)，發(fā)火情況作為AdaBoost 算法輸出參數(shù)，建立了不均衡數(shù)據(jù)下采空區(qū)自然發(fā)火PCA?AdaBoost 預(yù)測模型，提高了采空區(qū)自然發(fā)火預(yù)測準確率。昝軍才等[9]建立了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型， 選取CO， CO2， CH4，C2H4，C2H6 氣體濃度作為特征，對煤自燃溫度進行預(yù)測。鄭學召等[10]采用隨機森林算法構(gòu)建了基于向量機的煤自燃溫度預(yù)測模型。汪偉等[11]將粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法和改進反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）結(jié)合，構(gòu)建了基于PSO?BPNN 的煤自燃預(yù)測模型，克服了收斂速度慢、易陷入局部最優(yōu)的缺點?；跈C器學習的方法具有泛化能力好、計算效率高等優(yōu)點，但在預(yù)測準確性方面還有待進一步提高。隨著深度學習的發(fā)展，一些學者將簡單循環(huán)單元（Simple Recurrent Unit， SRU） [12]、長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM） [13]、門控循環(huán)單元（Gated Recurrent Unit， GRU） [14]、Transformer[15]模型等應(yīng)用于煤自燃溫度預(yù)測，取得了較好的效果，但這些模型多數(shù)僅針對單一監(jiān)測點進行預(yù)測，對于多監(jiān)測點情況，無法考慮監(jiān)測點的空間關(guān)系。另外，在預(yù)測步長方面，目前大部分研究致力于提高煤自燃溫度的單步長預(yù)測精度，對煤自燃溫度的多步長預(yù)測研究較少。

煤礦采空區(qū)是一個復(fù)雜的環(huán)境空間，采空區(qū)氣體是流動的，不同位置的遺煤量也不相同。對采空區(qū)沿空側(cè)進行監(jiān)測時，布置的多個監(jiān)測點之間具有空間關(guān)聯(lián)性[16]，所以在預(yù)測采空區(qū)的煤自燃溫度時，需要將采空區(qū)多個煤自燃監(jiān)測點作為一個整體進行研究[17-18]。本文將圖注意力網(wǎng)絡(luò)（Graph AttentionNetworks， GAT） [19]與Informer 模型[20]進行融合，提出了一種GAT?Informer 模型，并用于采空區(qū)煤自燃溫度預(yù)測，可有效提取采空區(qū)多個監(jiān)測點煤自燃監(jiān)測數(shù)據(jù)間的空間關(guān)聯(lián)特征和時間關(guān)聯(lián)特征，提高煤自燃溫度多步長預(yù)測精度。

1GAT?Informer 型

GAT?Informer 模型由輸入層、GAT、Informer 模型和輸出層4 個部分組成，如圖1 所示。

2.3評價指標

為評估模型性能，選取均方誤差（Mean SquaredError， MSE） 及平均絕對誤差（Mean Absolute Error，MAE）作為評價指標。模型評價指標的大小體現(xiàn)預(yù)測值與真實值之間的偏差程度，指標值越小，表明煤自燃溫度預(yù)測值和真實值越接近，預(yù)測結(jié)果越準確。

2.4預(yù)測結(jié)果分析

實驗中分別采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent NeuralNetwork， RNN） 、LSTM、GRU、Informer 和GAT?Informer 模型進行煤自燃溫度預(yù)測。設(shè)置歷史數(shù)據(jù)窗口步長為48。

對于監(jiān)測點1，設(shè)置預(yù)測煤自燃溫度的步長為1，6，12，24和48，各模型在不同步長下的預(yù)測結(jié)果對比見表1和表2。

從表1和表2可看出，在步長為1和6時，RNN，LSTM 和GRU 模型表現(xiàn)出的性能較好，但隨著預(yù)測的步長增加， GAT?Informer 模型不論是在MSE 還是MAE 上，都取得了最好的預(yù)測效果。

為更清晰地對比各模型的煤自燃溫度預(yù)測效果，針對6 個監(jiān)測點，設(shè)置預(yù)測的步長為24，不同模型預(yù)測結(jié)果對比見表3和表4。

從表3 和表4 可看出，與RNN， LSTM， GRU 和Informer 模型相比，GAT?Informer 模型在6 個監(jiān)測點上均取得了最好的預(yù)測效果。

對于6 個監(jiān)測點， 預(yù)測的步長為24 時， GAT?Informer 模型相較于RNN， LSTM， GRU和Informer模型在MSE 和MAE 指標上的降低幅度見表5。

從表5 可看出，與RNN，LSTM，GRU 和Informer模型相比， GAT?Informer 模型MSE 分別平均降低了15.70%，22.15%， 25.45%，36.49%， MAE 分別平均降低了16.01%，14.60%，20.30%，26.27%，表明GAT?Informer 模型能有效提高煤自燃溫度預(yù)測精度。

GAT?Informer 模型在各監(jiān)測點測試集上預(yù)測未來2 h（24 個步長）中第1 個5 min（1 個步長）煤自燃溫度的結(jié)果如圖4 所示?？煽闯鯣AT?Informer 模型的預(yù)測曲線變化趨勢與真實測量曲線變化趨勢大致相同，說明GAT-Informer 模型預(yù)測精度高。

為更清晰地展示GAT?Informer模型在煤自燃溫度多步長預(yù)測的效果，針對監(jiān)測點6，GAT?Informer模型預(yù)測未來24 個步長的煤自燃溫度結(jié)果如圖5 所示。可看出GAT?Informer 模型預(yù)測的未來24 個步長的煤自燃溫度與真實值相差不大，趨勢大致相同，煤自燃溫度范圍為37.4～37.7 ℃，變化幅度較小，說明該模型在對煤自燃溫度的多步長預(yù)測時具有良好的效果。

3結(jié)論

1） 基于GAT?Informer 的采空區(qū)煤自燃溫度預(yù)測模型通過GAT 提取采空區(qū)各監(jiān)測點煤自燃監(jiān)測數(shù)據(jù)之間的空間特征關(guān)系；將包含空間特征的數(shù)據(jù)傳入Informer 模型，利用多頭概率稀疏自注意力機制提取數(shù)據(jù)的長時間依賴特征，捕捉數(shù)據(jù)變化的時間序列趨勢，并通過蒸餾層進一步提取特征；解碼器結(jié)合編碼器提取的全局特征與目標序列的上下文依賴關(guān)系，生成特征矩陣并輸入到全連接層，經(jīng)反標準化處理得到煤自燃溫度預(yù)測結(jié)果。

2） 相較于RNN，LSTM，GRU，Informer 等單一煤自燃溫度預(yù)測模型，GAT?Informer 模型在預(yù)測步長為24 時， MSE 分別平均降低了15.70%， 22.15%，25.45%， 36.49%， MAE 分別平均降低了16.01%，14.60%， 20.30%， 26.27%，表明GAT-Informer 模型能有效提高煤自燃溫度預(yù)測精度，適合于采空區(qū)多監(jiān)測點多步長煤自燃溫度的預(yù)測。

3） 未來將對GAT?Informer模型結(jié)構(gòu)進一步優(yōu)化，加入多特征融合模型，挖掘指標氣體與煤自燃溫度之間的關(guān)系，進一步提高模型的整體預(yù)測精度和泛化性能。