[发明专利]一种基于时空数据的时空图神经网络瓦斯浓度预测方法

权利要求书

1.一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：具体包括如下步骤：

步骤1、通过矿井中布置的瓦斯监测点采集矿井中的瓦斯浓度数据，作为瓦斯数据浓度数据集；

步骤2，测量每个瓦斯监测点之间的距离dist(i,j)，并根据该距离和延时性生成矿井监测点的空间图结构；

步骤3，将矿井监测点采集的瓦斯浓度数据作为时间序列进行处理得到瓦斯浓度的时间序列，根据得到的瓦斯浓度时间序列，建立时空图神经网络的训练样本集；

步骤4，利用时空图神经网络的样本训练样本集，构建时空图神经网络瓦斯浓度预测模型；

步骤5，根据步骤3获得的瓦斯浓度训练样本集与步骤2获得的矿井瓦斯监测点空间图结构，利用时空图神经网络瓦斯浓度预测模型对瓦斯浓度进行预测：将获得瓦斯浓度训练样本和瓦斯监测点空间图结构作为时空图神经网络瓦斯浓度预测模型的输出，模型的输出即为瓦斯浓度预测的结果。

2.根据权利要求1所述的一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：所述步骤1中，通过瓦斯传感器采集矿井中的瓦斯浓度。

3.根据权利要求2所述的一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：所述步骤2的具体过程为：

将矿井中的每个监测点看做空间图结构的不同节点，根据各个节点之间的距离，采用阈值高斯核加权函数定义顶点与顶点之间的边权重，高斯核加权函数定义为：

其中，k和θ为参数，dist(i,j)为节点之间的距离。

4.根据权利要求3所述的一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：所述步骤3中，建立的时空图神经网络的训练样本集为：{(X(n),Y(n)|n＝1,2,…,N)}；

其中，X(n)表示训练样本集的输入；Y(n)表示训练样本集的输出；N表示矿井瓦斯监测点采集的样本个数。

5.根据权利要求4所述的一种基于时空数据的时空图神经网络瓦斯浓度预测方法，其特征在于：所述步骤4的具体过程为：

步骤4.1，构建空域图卷积层，具体为：

针对有向图数据，将图上的信号传递看作是随机扩散，用N个有限步长模拟图信号的扩散过程，当图结构为无向图时其扩散卷积层为：

式中，P为图上的随机扩散矩阵，Z为图结构为无向图时图卷积层的输出，X为输入的特征矩阵，W为需要训练的参数；P可以表示为：

P＝D^-1A (3)；

式中，A为领接矩阵，D为A的度矩阵；

当处理有向图时，则将扩散的过程分为正向扩散和反向扩散；D₁为A的度矩阵，D₂为A^T的度矩阵，则扩散矩阵分别为：

式中，P_f表示正向扩散矩阵，P_b表示反向扩散矩阵；

利用两个扩散矩阵，当图结构为有向图时，空域图卷积层的输出为：

步骤4.2，构建时域卷积层，具体为：

在时间维度上，采用WaveNet模型捕获瓦斯时空数据的时间特征，WaveNet的基本单元是扩张因果卷积，对于给定的输入X＝(x₁,x₂,…，x_T)和卷积核F₂＝(f₁,f₂,…，f_K)和扩张因子d，x和f在t步的扩张因果卷积表示为：

门控机制针对公式(7)扩张因果卷积层控制机制数学表达为：

Z＝g(F₃*X)·σ(F₄*X) (8)；

其中，F₃、F₄是模型参数，·是元素的乘积，g是输出的激活函数，σ是Sigmoid型函数。