基于LSTM-FC的瓦斯浓度时空分布预测

来源：计算机工程与应用杂志2020年第16期北京时间：

作者：程子均，马六章，张翼翔

单位：中国矿业大学（北京） 机电与信息工程学院，北京 100083

摘要：传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性，缺乏与空间相关的先验信息，因此利用瓦斯数据的时空特性，采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC（Long Short Time Memory-Fully Connection）瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性，全连接神经网络能够准确捕捉瓦斯序列的空间关联性，深入挖掘瓦斯数据之间的时空特性，通过预测不同位置的瓦斯值，构造工作面的瓦斯分布图。实验结果表明，通过使用LSTM-FC模型，预测误差有了明显减少，相比于其他神经网络预测模型，预测精度有所提高。

关键词：LSTM-FC,时空序列,瓦斯浓度,神经网络