基于WOA-LSTM的工作面瓦斯涌出量預(yù)測(cè)研究

張玉財(cái),王 毅,郭凱巖

(太原理工大學(xué) 安全與應(yīng)急管理工程學(xué)院,山西 太原 030024)

礦井瓦斯涌出是造成瓦斯災(zāi)害的主要原因之一,不僅影響礦井的安全高效生產(chǎn),更對(duì)井下設(shè)備、人員造成極大的威脅,因此,準(zhǔn)確高效地對(duì)礦井瓦斯涌出量進(jìn)行預(yù)測(cè)顯得尤為重要[1-3]。對(duì)于瓦斯涌出量的預(yù)測(cè),國(guó)內(nèi)外專家學(xué)者做了大量研究,提出了多種有用的模型和方法。JING Guoxun等[4]在煤礦瓦斯涌出量預(yù)測(cè)方法中對(duì)比了一元線性回歸分析法和灰色預(yù)測(cè)方法,實(shí)驗(yàn)驗(yàn)證之后得出灰色預(yù)測(cè)的GM(1,1)方法具有較好預(yù)測(cè)精度的結(jié)論;邵良杉等[5]將小波理論應(yīng)用于煤礦瓦斯涌出量預(yù)測(cè),建立基于小波理論的支持向量機(jī)模型,實(shí)驗(yàn)表明該模型具有良好的時(shí)間復(fù)雜度和預(yù)測(cè)精度;周西華等[6]采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,建立基于主因子分析的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,測(cè)試表明該模型預(yù)測(cè)平均相對(duì)誤差為0.58%;肖鵬等[7]針對(duì)BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)解的問(wèn)題,采用壓縮映射遺傳算法(CMGA)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化,提出一種KPCA-CMGANN模型,該模型通過(guò)核主成分分析法(KPCA)對(duì)瓦斯數(shù)據(jù)進(jìn)行降維處理,降維后的數(shù)據(jù)經(jīng)過(guò)CMGANN算法對(duì)瓦斯涌出量進(jìn)行預(yù)測(cè),實(shí)例驗(yàn)證了模型預(yù)測(cè)精度和收斂速度均優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò);劉鵬等[8]針對(duì)單一樹(shù)回歸算法(CART)穩(wěn)定性差、容易過(guò)擬合的問(wèn)題,在算法葉子節(jié)點(diǎn)中使用支持向量機(jī)建模輸出一種增強(qiáng)CART算法,通過(guò)實(shí)驗(yàn)證明該算法能夠有效提高工作面瓦斯涌出量預(yù)測(cè)精度;付華等[9]采用蟻群優(yōu)化算法優(yōu)化基于Elman神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)方法,實(shí)驗(yàn)結(jié)果表明該ACC-ENN模型有較好的泛化能力和預(yù)測(cè)精度。上述模型在礦井瓦斯涌出量預(yù)測(cè)中發(fā)揮了重要作用。但瓦斯涌出量變化具有非線性、時(shí)變性的特點(diǎn),如何對(duì)瓦斯涌出量變化因素間的關(guān)聯(lián)特征進(jìn)行有效提取,建立時(shí)間序列模型提高預(yù)測(cè)準(zhǔn)確性仍有待進(jìn)一步深入研究。

隨著深度學(xué)習(xí)理論的進(jìn)一步發(fā)展應(yīng)用,長(zhǎng)短期記憶 (Long Short-Term Memory,LSTM)網(wǎng)絡(luò)因其較強(qiáng)的建模能力和優(yōu)秀的泛化能力而被廣泛應(yīng)用于各個(gè)領(lǐng)域[10-12]。因此,筆者基于LSTM網(wǎng)絡(luò)開(kāi)展瓦斯涌出量預(yù)測(cè)研究[13-15],提出一種WOA-LSTM模型,即基于鯨魚優(yōu)化算法(Whale Optimization Algorithm,WOA)與長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)相結(jié)合的瓦斯涌出量多步預(yù)測(cè)模型,并采用皮爾遜(Pearson)相關(guān)系數(shù)法來(lái)解決預(yù)測(cè)模型特征選擇困難的問(wèn)題,采用鯨魚優(yōu)化算法優(yōu)化LSTM的超參數(shù)來(lái)解決傳統(tǒng)LSTM網(wǎng)絡(luò)超參數(shù)難選的問(wèn)題[16-18]。

1 WOA-LSTM模型

1.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對(duì)長(zhǎng)序列數(shù)據(jù)易造成“梯度消失”和“梯度爆炸”問(wèn)題進(jìn)行改進(jìn)而提出的一種神經(jīng)網(wǎng)絡(luò)[19]。LSTM在RNN的基礎(chǔ)上增加了輸入門(Input Gate)、輸出門(Output Gate)和遺忘門(Forget Gate)3個(gè)特殊結(jié)構(gòu)來(lái)實(shí)現(xiàn)信息的長(zhǎng)期保存,網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示。

圖1 LSTM記憶網(wǎng)絡(luò)基本結(jié)構(gòu)

圖1中,X(t)為t時(shí)刻的輸入數(shù)據(jù);ht-1和ht分別為t-1與t時(shí)刻隱藏層輸出;Ct-1和Ct分別為t-1與t時(shí)刻細(xì)胞單元的狀態(tài);tanh為雙曲正切激活函數(shù);σ為sigmoid 激活函數(shù)。t時(shí)刻LSTM網(wǎng)絡(luò)的輸入門i、遺忘門f、輸出門O和網(wǎng)絡(luò)輸出值h的具體計(jì)算過(guò)程如下:

1)遺忘門對(duì)數(shù)據(jù)信息進(jìn)行篩選,決定選取多少有用信息。t時(shí)刻的輸入X(t)與前一時(shí)刻隱藏層的輸出ht-1經(jīng)過(guò)σ函數(shù)輸出0～1的數(shù)值,其中0表示不允許任何歷史數(shù)據(jù)信息保留,1則表示所有歷史數(shù)據(jù)信息保留。計(jì)算公式如下:

ft=σ{Wf[ht-1,X(t)]+bf}

(1)

2)輸入門對(duì)傳輸信息進(jìn)行存放和決定哪些保留被用來(lái)更新處理器狀態(tài)。it表示對(duì)新加入信息的取舍程度,通過(guò)tanh函數(shù)生成候選單元Ct,計(jì)算公式如下:

it=σ{Wi[ht-1,X(t)]+bi}

(2)

(3)

(4)

3)輸出門決定多少數(shù)據(jù)信息基于新的單元狀態(tài)輸出。Ot表示對(duì)當(dāng)前已融合歷史信息和輸入信息的取舍程度,ht表示輸出預(yù)測(cè)數(shù)據(jù)。計(jì)算公式如下:

Ot=σ{Wo[ht-1,X(t)]+bo}

(5)

ht=OttanhCt

(6)

式(1)～(6)中W和b為對(duì)應(yīng)的權(quán)重系數(shù)矩陣和偏差向量。

1.2 WOA鯨魚優(yōu)化算法

鯨魚優(yōu)化算法(Whale Optimization Algorithm,WOA)是由澳大利亞學(xué)者Seyedali Mirjalili和Andrew Lewis提出的一種群體智能優(yōu)化算法[20]。該算法模擬了鯨魚獨(dú)特的氣泡網(wǎng)捕食行為,具有搜索能力強(qiáng)、能夠跳出局部最優(yōu)且收斂速度更快等優(yōu)點(diǎn)。算法包含包圍捕食、螺旋氣泡襲擊和搜尋獵物3個(gè)階段,其具體流程如下:

1)包圍捕食階段

WOA算法中,各個(gè)鯨魚通過(guò)信息交流機(jī)制不斷獲取獵物信息,算法初期將距離魚群最近的鯨魚個(gè)體當(dāng)作局部最優(yōu)解,其余鯨魚計(jì)算當(dāng)前位置到最優(yōu)解的距離,進(jìn)而朝著當(dāng)前最優(yōu)解聚攏,包圍獵物。數(shù)學(xué)上,將包圍獵物的行為描述為:

X(n+1)=X*(n)-A|CX*(n)-X(n)|

(7)

A=2ar1-a

(8)

C=2r2

(9)

式中:X(n+1)為下一次迭代后解得的位置向量;X*(n)為當(dāng)前的最優(yōu)解的位置向量;X(n)為當(dāng)前的位置向量;n為迭代次數(shù);A、C為隨機(jī)系數(shù)向量;r1、r2為[0,1]的隨機(jī)向量;a為從2到0線性遞減的系數(shù),即a=2-2n/nmax;nmax為最大迭代次數(shù)。

2)螺旋氣泡襲擊階段

鯨魚沿著螺旋狀的軌跡運(yùn)動(dòng),縮小包圍獵物圈捕捉獵物。該階段主要包括收縮包圍機(jī)制和螺旋更新位置兩種行為,由于這兩種行為是同時(shí)發(fā)生的,所以每只鯨魚在該階段隨機(jī)選擇一種方式來(lái)更新自己位置,假設(shè)兩者概率均為50%,其數(shù)學(xué)表達(dá)式如下:

(10)

式中:D為迭代第n次時(shí)個(gè)體鯨魚到目標(biāo)的距離;b為常數(shù);l為[-1, 1]的隨機(jī)數(shù);p為策略選擇閾值,取值范圍為[0, 1]。

3)搜尋獵物階段

在搜尋獵物階段,鯨魚通過(guò)|A|的值來(lái)控制是搜尋階段還是包圍階段。當(dāng)|A|大于1時(shí),各個(gè)鯨魚判斷彼此位置進(jìn)行隨機(jī)搜索,其數(shù)學(xué)描述如下:

X(n+1)=Xrand(n)-A|CXrand-X(n)|

(11)

式中Xrand(n)為迭代第n次時(shí)鯨魚種群中任意選擇的一個(gè)鯨魚的位置向量。

2 模型建立

2.1 數(shù)據(jù)預(yù)處理

為了提高模型的預(yù)測(cè)準(zhǔn)確度、避免數(shù)據(jù)影響造成的過(guò)擬合現(xiàn)象,對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理,通過(guò)將所有有量綱的數(shù)據(jù)轉(zhuǎn)化為[0,1]的無(wú)量綱數(shù)據(jù)。選用最值歸一化,其計(jì)算公式如下:

(12)

2.2 特征值篩選

瓦斯涌出量的變化受煤層的瓦斯含量、地質(zhì)構(gòu)造、煤壁及其他瓦斯涌出量、開(kāi)采深度、工作面推進(jìn)速度、時(shí)間和位置、風(fēng)量變化、采煤方法與頂板控制等多個(gè)因素的影響。采集山西常村煤礦掘進(jìn)工作面的數(shù)據(jù),原始數(shù)據(jù)有 11個(gè)影響掘進(jìn)工作面瓦斯涌出的特征量,分別為風(fēng)量X1、回風(fēng)流瓦斯?jié)舛?CH4體積分?jǐn)?shù),下同)最大值X2、回風(fēng)流瓦斯?jié)舛绕骄礨3、工作面瓦斯?jié)舛茸畲笾礨4、工作面瓦斯?jié)舛绕骄礨5、煤壁及其他瓦斯涌出量X6、掘進(jìn)進(jìn)度X7、巷道總進(jìn)度X8、回風(fēng)流距離X9、瓦斯含量X10、巷道斷面積X11,將這11個(gè)主要影響因素作為模型的初始輸入樣本實(shí)現(xiàn)對(duì)瓦斯涌出量Y的預(yù)測(cè)。該工作面的部分?jǐn)?shù)據(jù)見(jiàn)表1。

表1 掘進(jìn)工作面瓦斯涌出量與影響因素?cái)?shù)據(jù)

采用皮爾遜相關(guān)系數(shù)法對(duì)輸入特征進(jìn)行特征篩選,結(jié)果如圖2所示。

圖2 特征之間皮爾遜相關(guān)系數(shù)

圖2中,按照相關(guān)系數(shù)從大到小的排列順序依次為X3、X6、X1、X2、X10、X5、X7、X8、X9、X4、X11。對(duì)于皮爾遜相關(guān)系數(shù)而言,其絕對(duì)值小于0.3說(shuō)明特征之間相關(guān)程度較弱,可視為特征之間非線性相關(guān),0.3～0.5視為低相關(guān),0.5～0.8視為中度相關(guān),高于0.8時(shí),可視為高度相關(guān)。基于圖2中的計(jì)算結(jié)果,X4、X11相關(guān)系數(shù)分別為0.23、0.13,相關(guān)性較低,所以選擇回風(fēng)流瓦斯?jié)舛绕骄怠⒚罕诩捌渌咚褂砍隽俊L(fēng)量、回風(fēng)流瓦斯?jié)舛茸畲笾怠⑼咚购俊⒐ぷ髅嫱咚節(jié)舛绕骄怠⒕蜻M(jìn)進(jìn)度、巷道總進(jìn)度、回風(fēng)流距離等9個(gè)特征作為瓦斯涌出量預(yù)測(cè)的外部輸入特征量。

2.3 模型評(píng)價(jià)指標(biāo)

為了衡量模型的預(yù)測(cè)效果,選用平均絕對(duì)誤差(MAE,eMA)、均方根誤差(RMSE,eRMS)來(lái)驗(yàn)證數(shù)據(jù)集的預(yù)測(cè)結(jié)果及檢驗(yàn)?zāi)Ｐ吞卣髦g皮爾遜相關(guān)系數(shù)的效果,其計(jì)算公式如下:

(13)

(14)

2.4 模型預(yù)測(cè)流程

LSTM神經(jīng)網(wǎng)絡(luò)的初始參數(shù)設(shè)置是預(yù)測(cè)模型建立的重要環(huán)節(jié)之一,參數(shù)選取合理與否直接關(guān)系著模型的擬合速度和預(yù)測(cè)誤差[21]。實(shí)踐證明,模型的預(yù)測(cè)誤差主要受隱藏層神經(jīng)元個(gè)數(shù)和時(shí)間步長(zhǎng)設(shè)置的影響,而模型收斂速度的快慢則受批處理數(shù)的影響。為避免人為經(jīng)驗(yàn)差異影響,使用WOA算法對(duì)LSTM的隱藏層神經(jīng)元個(gè)數(shù)、時(shí)間步長(zhǎng)和模型批處理數(shù)3個(gè)參數(shù)進(jìn)行尋優(yōu)。模型的預(yù)測(cè)流程如下:

1)數(shù)據(jù)標(biāo)準(zhǔn)化處理。由于多步預(yù)測(cè)需要將上個(gè)時(shí)間段的瓦斯涌出量相關(guān)的時(shí)間序列數(shù)據(jù)進(jìn)行轉(zhuǎn)換并轉(zhuǎn)化監(jiān)督學(xué)習(xí)問(wèn)題,因此需對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

2)特征篩選。利用皮爾遜相關(guān)系數(shù)法對(duì)輸入特征進(jìn)行篩選,合理選取模型輸入特征因子以減少模型的復(fù)雜性。

3)LSTM網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。LSTM網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)是指對(duì)模型輸入層、輸出層及隱藏層維數(shù)的設(shè)計(jì)。針對(duì)瓦斯涌出量數(shù)據(jù),設(shè)計(jì)選用輸入層、一個(gè)隱藏層和輸出層。針對(duì)LSTM超參難選問(wèn)題,采用鯨魚尋優(yōu)算法優(yōu)化隱藏層神經(jīng)元個(gè)數(shù)、時(shí)間步長(zhǎng)和批處理數(shù)這3個(gè)參數(shù)。

4)鯨魚算法種群初始化。將(neurons,time_steps,batch_size)這3個(gè)變量組成的一組值作為待優(yōu)化參數(shù)輸入到鯨魚算法中,3個(gè)變量分別代表隱藏層神經(jīng)元個(gè)數(shù)、時(shí)間步長(zhǎng)和批處理數(shù),選擇模型的RMSE值作為算法的適應(yīng)度值。

5)LSTM網(wǎng)絡(luò)訓(xùn)練。將傳統(tǒng)LSTM訓(xùn)練得到的模型均方根誤差值作為系統(tǒng)的終止值,并求取鯨魚算法優(yōu)化后的誤差值。

6)判斷是否滿足終止條件。若鯨魚算法優(yōu)化后的模型誤差值小于系統(tǒng)終止值則輸出最優(yōu)參數(shù);若模型誤差無(wú)法小于終止值或迭代次數(shù)未達(dá)到最大值,則更新參數(shù)重新進(jìn)行訓(xùn)練。

7)最優(yōu)參數(shù)預(yù)測(cè)。將滿足終止條件獲取的最優(yōu)參數(shù)輸入LSTM模型進(jìn)行瓦斯涌出量的預(yù)測(cè)。

3 實(shí)例應(yīng)用與分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

建立的WOA-LSTM模型由輸入層,一個(gè)隱藏層和輸出層構(gòu)成,模型采用Adam優(yōu)化算法更新模型參數(shù),為了避免模型過(guò)擬合設(shè)置丟棄率為0.2。鯨魚算法中初始種群數(shù)設(shè)為30,對(duì)待優(yōu)化的隱藏層神經(jīng)元個(gè)數(shù)、時(shí)間步長(zhǎng)和批處理數(shù)這3個(gè)參數(shù)分別設(shè)置下界lb=[10,1,20],上界ub=[100,20,200],為了防止過(guò)擬合,設(shè)置迭代次數(shù)為100次。算法尋優(yōu)的適應(yīng)度收斂曲線如圖3所示。

圖3 適應(yīng)度收斂曲線

從圖3中可以看出,WOA優(yōu)化算法在第20次迭代時(shí)出現(xiàn)最優(yōu)適應(yīng)度值,相對(duì)應(yīng)的最小均方根誤差為0.201。獲得的最優(yōu)參數(shù)組合如表2所示。

表2 LSTM模型最優(yōu)參數(shù)組合

3.2 實(shí)驗(yàn)結(jié)果分析

為了探究時(shí)間步長(zhǎng)對(duì)瓦斯涌出量預(yù)測(cè)的影響,按照表2所得最優(yōu)隱藏層神經(jīng)元個(gè)數(shù)、批處理數(shù)的條件,構(gòu)建LSTM網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。為了避免模型訓(xùn)練次數(shù)不足所造成的數(shù)據(jù)誤差,取10次模型訓(xùn)練預(yù)測(cè)后所得數(shù)據(jù)的平均值 ,1～5步時(shí)間步長(zhǎng)的預(yù)測(cè)誤差見(jiàn)表3。

表3 不同時(shí)間步長(zhǎng)預(yù)測(cè)誤差指標(biāo)對(duì)比

在進(jìn)行時(shí)間序列預(yù)測(cè)時(shí),若時(shí)間步長(zhǎng)較小,則模型不能夠有效利用歷史信息易造成模型預(yù)測(cè)不收斂、預(yù)測(cè)精度較低等問(wèn)題;若時(shí)間步長(zhǎng)過(guò)大,則會(huì)造成模型收斂性降低,容易出現(xiàn)過(guò)擬合現(xiàn)象。因此預(yù)測(cè)步長(zhǎng)選取的合理與否,直接影響著模型的預(yù)測(cè)效果。分析表3 可以看出,隨著預(yù)測(cè)步長(zhǎng)的增加,瓦斯預(yù)測(cè)均方根誤差值在逐漸減小,在3個(gè)時(shí)間段的歷史數(shù)據(jù)上,模型的預(yù)測(cè)誤差達(dá)到最小,繼續(xù)增加時(shí)間步長(zhǎng),模型預(yù)測(cè)誤差開(kāi)始逐漸增大。最佳3個(gè)時(shí)間段的步長(zhǎng)預(yù)測(cè)相較單步預(yù)測(cè),其eRMS值降低了67.4%,eMA值降低了66.9%,驗(yàn)證了多步預(yù)測(cè)模型能夠有效挖掘歷史信息、提高模型預(yù)測(cè)精度。

為了驗(yàn)證所建模型的有效性,采集山西常村煤礦掘進(jìn)工作面統(tǒng)計(jì)數(shù)據(jù),經(jīng)過(guò)處理統(tǒng)計(jì)出800條數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。按照7∶3的比例劃分訓(xùn)練集、測(cè)試集,對(duì)其進(jìn)行建模預(yù)測(cè),預(yù)測(cè)結(jié)果如圖4所示。

圖4 WOA-LSTM預(yù)測(cè)值與實(shí)際值對(duì)比

為了進(jìn)一步驗(yàn)證WOA-LSTM模型的預(yù)測(cè)效果,分別采用LSTM、RNN、BP模型進(jìn)行瓦斯涌出量預(yù)測(cè),所得預(yù)測(cè)效果如圖5所示(為了圖線清晰,圖5中僅畫出間隔10個(gè)時(shí)間段的預(yù)測(cè)值)。

圖5 不同模型對(duì)瓦斯涌出量預(yù)測(cè)效果對(duì)比

由圖4和圖5可以看出,BP神經(jīng)網(wǎng)絡(luò)由于內(nèi)部結(jié)構(gòu)的限制在挖掘時(shí)間序列潛在規(guī)律、預(yù)測(cè)穩(wěn)定性等方面具有一定的缺陷,RNN與LSTM模型能夠整體刻畫出瓦斯涌出量變化趨勢(shì),但WOA-LSTM瓦斯涌出量多步預(yù)測(cè)模型比其他3種模型更加接近瓦斯涌出量的實(shí)際值且具有較好的泛化能力。同時(shí)也可以看出,隨著時(shí)間序列的延長(zhǎng),WOA-LSTM多步模型對(duì)于長(zhǎng)時(shí)間序列的預(yù)測(cè)精度較之前有所下降,但總體上對(duì)于長(zhǎng)時(shí)間的預(yù)測(cè)WOA-LSTM多步預(yù)測(cè)模型所表現(xiàn)的預(yù)測(cè)精度和效果更好。各個(gè)模型的預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)如表4所示。

表4 多種模型預(yù)測(cè)結(jié)果對(duì)比

從表4中可以看出,WOA-LSTM瓦斯涌出量多步預(yù)測(cè)模型相較于LSTM、RNN及BP模型,其eRMS分別降低了29.7%、32.0%、55.1%,eMA分別降低了41.6%、46.6%、65.8%,說(shuō)明WOA-LSTM瓦斯涌出量多步預(yù)測(cè)模型在進(jìn)行瓦斯時(shí)間序列數(shù)據(jù)預(yù)測(cè)時(shí)具有較好的預(yù)測(cè)精度。

4 結(jié)論

1)礦井瓦斯涌出量的影響因素眾多,采用皮爾遜相關(guān)系數(shù)法篩選輸入特征因子,算法篩選了9個(gè)主要影響瓦斯涌出量變化的特征作為模型的外部輸入特征,驗(yàn)證了該算法能夠有效挖掘輸入特征的有效信息,從而提高預(yù)測(cè)模型訓(xùn)練效率并降低復(fù)雜性。

2)對(duì)于LSTM模型中超參數(shù)優(yōu)選難題,采用WOA優(yōu)化算法對(duì)LSTM模型的隱藏層神經(jīng)元個(gè)數(shù)、時(shí)間步長(zhǎng)、批處理數(shù)進(jìn)行尋優(yōu),結(jié)果表明3個(gè)時(shí)間步長(zhǎng)瓦斯模型預(yù)測(cè)誤差最低,最佳神經(jīng)元個(gè)數(shù)與批處理數(shù)分別為13、20,有效解決了LSTM模型中超參數(shù)優(yōu)選難題。

3)相較于傳統(tǒng)的LSTM網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò),WOA-LSTM瓦斯涌出量多步預(yù)測(cè)模型在預(yù)測(cè)精度與預(yù)測(cè)效果上更優(yōu),其平均絕對(duì)誤差相較于LSTM、RNN和BP神經(jīng)網(wǎng)絡(luò)模型分別降低了41.6%、46.6%、65.8%,具有較強(qiáng)的魯棒性,可為預(yù)防礦井瓦斯災(zāi)害的發(fā)生提供參考。