基于GAT−Informer的采空区煤自燃温度预测模型

关键词：煤自燃；煤自燃温度预测；多步长时间序列预测；图注意力网络；Informer；数据时空特征

中图分类号：TD323 文献标志码：A

0引言

煤自燃是在煤炭开采和储运过程中常见的重大灾害之一，严重威胁煤矿安全生产和矿工生命安全[1-3]。为减少煤自燃引发的瓦斯爆炸、粉尘爆炸、矿井火灾等灾害，煤自燃预测成为防治煤自燃灾害的关键[4-5]，其中最有效的方式是研究煤自燃过程中温度与指标气体浓度之间的规律[6-7]，建立煤自燃温度预测模型。

近年来随着人工智能技术的快速发展，已有许多学者将传统机器学习和深度学习与煤自燃指标气体相结合，对煤自燃温度进行预测。赵琳琳等[8]利用主成分分析法（Principal Component Analysis，PCA）提取O2 浓度等指标的主成分，并将主成分作为自适应增强（Adaptive Boosting，AdaBoost）算法输入参数，发火情况作为AdaBoost 算法输出参数，建立了不均衡数据下采空区自然发火PCA−AdaBoost 预测模型，提高了采空区自然发火预测准确率。昝军才等[9]建立了BP 神经网络预测模型， 选取CO， CO2， CH4，C2H4，C2H6 气体浓度作为特征，对煤自燃温度进行预测。郑学召等[10]采用随机森林算法构建了基于向量机的煤自燃温度预测模型。汪伟等[11]将粒子群优化（Particle Swarm Optimization， PSO）算法和改进反向传播神经网络（Back Propagation Neural Network，BPNN）结合，构建了基于PSO−BPNN 的煤自燃预测模型，克服了收敛速度慢、易陷入局部最优的缺点。基于机器学习的方法具有泛化能力好、计算效率高等优点，但在预测准确性方面还有待进一步提高。随着深度学习的发展，一些学者将简单循环单元（Simple Recurrent Unit， SRU） [12]、长短期记忆网络（Long Short-Term Memory， LSTM） [13]、门控循环单元（Gated Recurrent Unit， GRU） [14]、Transformer[15]模型等应用于煤自燃温度预测，取得了较好的效果，但这些模型多数仅针对单一监测点进行预测，对于多监测点情况，无法考虑监测点的空间关系。另外，在预测步长方面，目前大部分研究致力于提高煤自燃温度的单步长预测精度，对煤自燃温度的多步长预测研究较少。

煤矿采空区是一个复杂的环境空间，采空区气体是流动的，不同位置的遗煤量也不相同。对采空区沿空侧进行监测时，布置的多个监测点之间具有空间关联性[16]，所以在预测采空区的煤自燃温度时，需要将采空区多个煤自燃监测点作为一个整体进行研究[17-18]。本文将图注意力网络（Graph AttentionNetworks， GAT） [19]与Informer 模型[20]进行融合，提出了一种GAT−Informer 模型，并用于采空区煤自燃温度预测，可有效提取采空区多个监测点煤自燃监测数据间的空间关联特征和时间关联特征，提高煤自燃温度多步长预测精度。

1GAT−Informer 型

GAT−Informer 模型由输入层、GAT、Informer 模型和输出层4 个部分组成，如图1 所示。

2.3评价指标

为评估模型性能，选取均方误差（Mean SquaredError， MSE） 及平均绝对误差（Mean Absolute Error，MAE）作为评价指标。模型评价指标的大小体现预测值与真实值之间的偏差程度，指标值越小，表明煤自燃温度预测值和真实值越接近，预测结果越准确。

2.4预测结果分析

实验中分别采用循环神经网络（Recurrent NeuralNetwork， RNN） 、LSTM、GRU、Informer 和GAT−Informer 模型进行煤自燃温度预测。设置历史数据窗口步长为48。

对于监测点1，设置预测煤自燃温度的步长为1，6，12，24和48，各模型在不同步长下的预测结果对比见表1和表2。

从表1和表2可看出，在步长为1和6时，RNN，LSTM 和GRU 模型表现出的性能较好，但随着预测的步长增加， GAT−Informer 模型不论是在MSE 还是MAE 上，都取得了最好的预测效果。

为更清晰地对比各模型的煤自燃温度预测效果，针对6 个监测点，设置预测的步长为24，不同模型预测结果对比见表3和表4。

从表3 和表4 可看出，与RNN， LSTM， GRU 和Informer 模型相比，GAT−Informer 模型在6 个监测点上均取得了最好的预测效果。

对于6 个监测点， 预测的步长为24 时， GAT−Informer 模型相较于RNN， LSTM， GRU和Informer模型在MSE 和MAE 指标上的降低幅度见表5。

从表5 可看出，与RNN，LSTM，GRU 和Informer模型相比， GAT−Informer 模型MSE 分别平均降低了15.70%，22.15%， 25.45%，36.49%， MAE 分别平均降低了16.01%，14.60%，20.30%，26.27%，表明GAT−Informer 模型能有效提高煤自燃温度预测精度。

GAT−Informer 模型在各监测点测试集上预测未来2 h（24 个步长）中第1 个5 min（1 个步长）煤自燃温度的结果如图4 所示。可看出GAT−Informer 模型的预测曲线变化趋势与真实测量曲线变化趋势大致相同，说明GAT-Informer 模型预测精度高。

为更清晰地展示GAT−Informer模型在煤自燃温度多步长预测的效果，针对监测点6，GAT−Informer模型预测未来24 个步长的煤自燃温度结果如图5 所示。可看出GAT−Informer 模型预测的未来24 个步长的煤自燃温度与真实值相差不大，趋势大致相同，煤自燃温度范围为37.4～37.7 ℃，变化幅度较小，说明该模型在对煤自燃温度的多步长预测时具有良好的效果。

3结论

1） 基于GAT−Informer 的采空区煤自燃温度预测模型通过GAT 提取采空区各监测点煤自燃监测数据之间的空间特征关系；将包含空间特征的数据传入Informer 模型，利用多头概率稀疏自注意力机制提取数据的长时间依赖特征，捕捉数据变化的时间序列趋势，并通过蒸馏层进一步提取特征；解码器结合编码器提取的全局特征与目标序列的上下文依赖关系，生成特征矩阵并输入到全连接层，经反标准化处理得到煤自燃温度预测结果。

2） 相较于RNN，LSTM，GRU，Informer 等单一煤自燃温度预测模型，GAT−Informer 模型在预测步长为24 时， MSE 分别平均降低了15.70%， 22.15%，25.45%， 36.49%， MAE 分别平均降低了16.01%，14.60%， 20.30%， 26.27%，表明GAT-Informer 模型能有效提高煤自燃温度预测精度，适合于采空区多监测点多步长煤自燃温度的预测。

3） 未来将对GAT−Informer模型结构进一步优化，加入多特征融合模型，挖掘指标气体与煤自燃温度之间的关系，进一步提高模型的整体预测精度和泛化性能。