[發明專利]一種基于時空數據的時空圖神經網絡瓦斯濃度預測方法

在審

• 申請號: 202110962525.3
• 申請日: 2021-08-20
• 公開（公告）號: CN113657582A
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 張昭昭;葉雨豪;王小慧;朱應欽;劉眾奇;于振華
• 申請（專利權）人: 西安科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62;G06F16/901;G06F17/16
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 劉娜

本發明公開了本發明一種基于時空數據的時空圖神經網絡瓦斯濃度預測方法，具體包括如下步驟：步驟1，通過礦井中布置的瓦斯監測點采集礦井中的瓦斯濃度數據，作為瓦斯數據濃度數據集；步驟2，生成礦井監測點的空間圖結構；步驟3，將礦井監測點采集的瓦斯濃度數據作為時間序列進行處理得到瓦斯濃度的時間序列，根據得到的瓦斯濃度時間序列，建立時空圖神經網絡的訓練樣本集；步驟4，利用時空圖神經網絡的樣本訓練樣本集，構建時空圖神經網絡瓦斯濃度預測模型；步驟5，輸出瓦斯濃度預測的結果。本發明解決了傳統神經網絡瓦斯濃度預測模型沒有考慮實測瓦斯數據的時空特性導致預測精度偏低的問題。

技術領域

本發明屬于礦井瓦斯濃度檢測技術領域，涉及一種基于時空數據的時空圖神經網絡瓦斯濃度預測方法。

背景技術

瓦斯突出是煤炭資源開采工程主要災害之一，實現對采區瓦斯濃度變化精準預測是預防瓦斯突出災害的關鍵。瓦斯突出發生內在機理非常復雜，其機理模型依然不明確。目前對瓦斯濃度預測主要采用神經網絡、混沌及非線性理論、灰色理論等方法，通過預測采區瓦斯涌出量來判斷瓦斯突出災害。

傳統神經網絡預測模型借助實測的大量歷史數據，采用時間序列預測方法來實現對瓦斯濃度的預測。雖然傳統的預測方法在一定程度上提高了瓦斯濃度預測的精度，但這些模型都沒有考慮到不同瓦斯監測點的相互作用，即瓦斯監測數據的空間特性。根據氣體動理論可知，氣體的分布不僅在時間維度上關聯，而且與空間維度也存在密切的關系。因此，如果只考慮瓦斯數據的時間屬性而忽略其空間屬性必然影響預測精度。

發明內容

本發明的目的是提供一種基于時空數據的時空圖神經網絡瓦斯濃度預測方法，解決了傳統神經網絡瓦斯濃度預測模型沒有考慮實測瓦斯數據的時空特性導致預測精度偏低的問題。

本發明所采用的技術方案是，一種基于時空數據的時空圖神經網絡瓦斯濃度預測方法，具體包括如下步驟：

步驟1，通過礦井中布置的瓦斯監測點采集礦井中的瓦斯濃度數據，作為瓦斯數據濃度數據集；

步驟2，測量每個瓦斯監測點之間的距離dist(i,j)，并根據該距離和延時性生成礦井監測點的空間圖結構；

步驟3，將礦井監測點采集的瓦斯濃度數據作為時間序列進行處理得到瓦斯濃度的時間序列，根據得到的瓦斯濃度時間序列，建立時空圖神經網絡的訓練樣本集；

步驟4，利用時空圖神經網絡的樣本訓練樣本集，構建時空圖神經網絡瓦斯濃度預測模型；

步驟5，根據步驟3獲得的瓦斯濃度訓練樣本集與步驟2獲得的礦井瓦斯監測點空間圖結構，利用時空圖神經網絡瓦斯濃度預測模型對瓦斯濃度進行預測：將獲得瓦斯濃度訓練樣本和瓦斯監測點空間圖結構作為時空圖神經網絡瓦斯濃度預測模型的輸出，模型的輸出即為瓦斯濃度預測的結果。

本發明的特點還在于：

步驟1中，通過瓦斯傳感器采集礦井中的瓦斯濃度。

步驟2的具體過程為：

將礦井中的每個監測點看做空間圖結構的不同節點，根據各個節點之間的距離，采用閾值高斯核加權函數定義頂點與頂點之間的邊權重，高斯核加權函數定義為：

其中，k和θ為參數，dist(i,j)為節點之間的距離。

步驟3中，建立的時空圖神經網絡的訓練樣本集為：{(X(n),Y(n)|n＝1,2,…,N)}；

其中，X(n)表示訓練樣本集的輸入；Y(n)表示訓練樣本集的輸出；N表示礦井瓦斯監測點采集的樣本個數。

步驟4的具體過程為：

步驟4.1，構建空域圖卷積層，具體為：