[发明专利]一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法及装置

权利要求书

1.一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，具体包括以下步骤：

基于煤矿矿井下分布的各个瓦斯浓度传感器的位置，根据巷道风向及分布距离构建有向稀疏邻接矩阵，通过神经网络学习更新矩阵中的权值，使得融合相关多个传感器的数据特征，得到当前传感器的时空信息；

设置M个时间粒度，将当前传感器的空间位置特征基于设置的时间粒度划分时间片段，对每个时间片段下的数据进行聚合，得到每个时间粒度下的输入数据；

将每个时间粒度下的输入数据分别通过双层LSTM网络进行编码，得到各个时间粒度下输入数据的特征；

通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息，并删除该时空信息中重复的信息；

将获取的时空信息输入预测模块，得到各个时间粒度下的当前传感器的浓度预测值，并将各个时间粒度下的预测值融合作为当前传感器的最终预测值。

2.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，当前传感器的空间位置特征的获取过程包括以下步骤：

根据煤矿矿井巷道风向及瓦斯传感器之间的分布位置距离构建有向稀疏邻接权值矩阵M，M∈R^1×K，K代表传感器个数；

将该矩阵权值归一化作为网络神经元初始值，通过线性运算计算当前待预测传感器与其他传感器采集的数据特征，通过线性组合的方式得到各个传感器的线性组合特征该过程表示为：

X′＝ωX+b

在训练过程中，根据煤矿瓦斯浓度预测结果的误差，通过神经网络的反向传播机制，更新M中的权值ω，动态调整多传感器的线性组合特征；

针对当前待预测的传感器，采用拼接的方式，将当前传感器采集的数据与其对应的相关性特征通过拼接的方式进行融合；该过程表示为：

X¹＝Concat(X_cur；X′)

其中，X′为各个传感器的线性组合特征，X为各个传感器的时序特征，ω为有向稀疏邻接矩阵M的权值，使用sigmoid函数作为激活函数；b表示线性组合过程中的偏置参数；X_cur为待预测瓦斯传感器的历史特征，X¹为拼接其他传感器时序特征的待预测瓦斯传感器的数据特征。

3.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，每个时间粒度下的输入数据的获取包括以下步骤：

构建CNN网络，通过设定CNN网络中卷积层的卷积核大小获取获不同时间粒度下的数据，其中时间粒度越细则卷积核越小，得到M个时间粒度的数据，时间粒度为m的数据表示为：

X^m＝σ(CONV2D(X¹))；

其中，σ()表示ReLU激活函数；CONV2D()表示二维卷积函数；X¹表示拼接其他传感器时序特征的待预测瓦斯传感器的数据特征，且其为最细时间粒度的据特征；X^m表示经过聚合学习得到当前瓦斯传感器时间粒度为m的时空数据特征。

4.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，将每个时间粒度下的输入数据统一特征维度后分别输入双层LSTM网络进行编码，双层LSTM网络由两个级联的LSTM网络构成。

5.根据权利要求4所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息包括：

其中，MHAtt(Q^m,K^m,V^m)表示进行多头注意力机制特征提取；Q^m表示时间粒度为m的数据对应的Query矩阵，K^m表示时间粒度为m的数据对应的Key矩阵，V^m表示时间粒度为m的数据对应的Value矩阵；分别为Q^m、K^m、V^m对应的权值矩阵；为时间粒度为m的数据下第i头注意力机制的输出，N为多头注意力机制头的数量。