[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

说明书

本发明公开了本发明一种基于时空数据的时空图神经网络瓦斯浓度预测方法，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，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，输出瓦斯浓度预测的结果。本发明解决了传统神经网络瓦斯浓度预测模型没有考虑实测瓦斯数据的时空特性导致预测精度偏低的问题。

技术领域

本发明属于矿井瓦斯浓度检测技术领域，涉及一种基于时空数据的时空图神经网络瓦斯浓度预测方法。

背景技术

瓦斯突出是煤炭资源开采工程主要灾害之一，实现对采区瓦斯浓度变化精准预测是预防瓦斯突出灾害的关键。瓦斯突出发生内在机理非常复杂，其机理模型依然不明确。目前对瓦斯浓度预测主要采用神经网络、混沌及非线性理论、灰色理论等方法，通过预测采区瓦斯涌出量来判断瓦斯突出灾害。

传统神经网络预测模型借助实测的大量历史数据，采用时间序列预测方法来实现对瓦斯浓度的预测。虽然传统的预测方法在一定程度上提高了瓦斯浓度预测的精度，但这些模型都没有考虑到不同瓦斯监测点的相互作用，即瓦斯监测数据的空间特性。根据气体动理论可知，气体的分布不仅在时间维度上关联，而且与空间维度也存在密切的关系。因此，如果只考虑瓦斯数据的时间属性而忽略其空间属性必然影响预测精度。

发明内容

本发明的目的是提供一种基于时空数据的时空图神经网络瓦斯浓度预测方法，解决了传统神经网络瓦斯浓度预测模型没有考虑实测瓦斯数据的时空特性导致预测精度偏低的问题。

本发明所采用的技术方案是，一种基于时空数据的时空图神经网络瓦斯浓度预测方法，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。

本发明的特点还在于：

步骤1中，通过瓦斯传感器采集矿井中的瓦斯浓度。

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。

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。

步骤4的具体过程为：

步骤4.1，构建空域图卷积层，具体为：