基于GAT?Informer的采空區煤自燃溫度預測模型

關鍵詞：煤自燃；煤自燃溫度預測；多步長時間序列預測；圖注意力網絡；Informer；數據時空特征

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害之一，嚴重威脅煤礦安全生產和礦工生命安全[1-3]。為減少煤自燃引發的瓦斯爆炸、粉塵爆炸、礦井火災等災害，煤自燃預測成為防治煤自燃災害的關鍵[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律[6-7]，建立煤自燃溫度預測模型。

近年來隨著人工智能技術的快速發展，已有許多學者將傳統機器學習和深度學習與煤自燃指標氣體相結合，對煤自燃溫度進行預測。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增強（Adaptive Boosting，AdaBoost）算法輸入參數，發火情況作為AdaBoost 算法輸出參數，建立了不均衡數據下采空區自然發火PCA?AdaBoost 預測模型，提高了采空區自然發火預測準確率。昝軍才等[9]建立了BP 神經網絡預測模型， 選取CO， CO2， CH4，C2H4，C2H6 氣體濃度作為特征，對煤自燃溫度進行預測。鄭學召等[10]采用隨機森林算法構建了基于向量機的煤自燃溫度預測模型。汪偉等[11]將粒子群優化（Particle Swarm Optimization， PSO）算法和改進反向傳播神經網絡（Back Propagation Neural Network，BPNN）結合，構建了基于PSO?BPNN 的煤自燃預測模型，克服了收斂速度慢、易陷入局部最優的缺點?；跈C器學習的方法具有泛化能力好、計算效率高等優點，但在預測準確性方面還有待進一步提高。隨著深度學習的發展，一些學者將簡單循環單元（Simple Recurrent Unit， SRU） [12]、長短期記憶網絡（Long Short-Term Memory， LSTM） [13]、門控循環單元（Gated Recurrent Unit， GRU） [14]、Transformer[15]模型等應用于煤自燃溫度預測，取得了較好的效果，但這些模型多數僅針對單一監測點進行預測，對于多監測點情況，無法考慮監測點的空間關系。另外，在預測步長方面，目前大部分研究致力于提高煤自燃溫度的單步長預測精度，對煤自燃溫度的多步長預測研究較少。

煤礦采空區是一個復雜的環境空間，采空區氣體是流動的，不同位置的遺煤量也不相同。對采空區沿空側進行監測時，布置的多個監測點之間具有空間關聯性[16]，所以在預測采空區的煤自燃溫度時，需要將采空區多個煤自燃監測點作為一個整體進行研究[17-18]。本文將圖注意力網絡（Graph AttentionNetworks， GAT） [19]與Informer 模型[20]進行融合，提出了一種GAT?Informer 模型，并用于采空區煤自燃溫度預測，可有效提取采空區多個監測點煤自燃監測數據間的空間關聯特征和時間關聯特征，提高煤自燃溫度多步長預測精度。

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預測值與真實值之間的偏差程度，指標值越小，表明煤自燃溫度預測值和真實值越接近，預測結果越準確。

2.4預測結果分析

實驗中分別采用循環神經網絡（Recurrent NeuralNetwork， RNN） 、LSTM、GRU、Informer 和GAT?Informer 模型進行煤自燃溫度預測。設置歷史數據窗口步長為48。

對于監測點1，設置預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測結果對比見表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 模型表現出的性能較好，但隨著預測的步長增加， GAT?Informer 模型不論是在MSE 還是MAE 上，都取得了最好的預測效果。

為更清晰地對比各模型的煤自燃溫度預測效果，針對6 個監測點，設置預測的步長為24，不同模型預測結果對比見表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 個監測點上均取得了最好的預測效果。

對于6 個監測點， 預測的步長為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測精度。

GAT?Informer 模型在各監測點測試集上預測未來2 h（24 個步長）中第1 個5 min（1 個步長）煤自燃溫度的結果如圖4 所示?？煽闯鯣AT?Informer 模型的預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測的效果，針對監測點6，GAT?Informer模型預測未來24 個步長的煤自燃溫度結果如圖5 所示?？煽闯鯣AT?Informer 模型預測的未來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測時具有良好的效果。

3結論

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

2） 相較于RNN，LSTM，GRU，Informer 等單一煤自燃溫度預測模型，GAT?Informer 模型在預測步長為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測精度，適合于采空區多監測點多步長煤自燃溫度的預測。

3） 未來將對GAT?Informer模型結構進一步優化，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系，進一步提高模型的整體預測精度和泛化性能。