基于可变时序移位Transformer-LSTM的集成学习矿压预测方法

现有的矿压预测模型多为依赖固定长度时序序列特征的单一预测模型,难以准确捕捉矿压时序数据的复合特征,影响矿压预测的准确度。针对该问题,提出一种基于可变时序移位Transformer-长短时记忆(LSTM)的集成学习矿压预测方法。基于拉依达准则和拉格朗日插值法,剔除矿压监测数据中的异常值,插入缺失值,并进行归一化预处理;提出可变时序移位策略,划分不同尺度的矿压时序数据,避免固定长度时序序列可能存在的数据偏移问题;在此基础上,构建基于Transformer-LSTM的集成学习矿压预测模型,通过结合注意力机制和准确的时序特征表示能力,多层次捕捉矿压变化规律的动态特征,采用集成学习的投票算法,联合预测矿压数据,克服单一预测模型的局限性。实验结果表明:采用集成学习的投票算法可降低矿压预测平均绝对误差(MAE)和均方根误差(RMSE)的波动性,有效减小不同尺度特征序列对矿压预测结果的敏感性影响;Transformer-LSTM模型在2个综采工作面顶板矿压数据集上预测结果的MAE较Transformer模型分别提高了8.9%和9.5%,RMSE分别提高了12.7%和16.5%,且高于反向传播(BP)神经网络模型和LSTM模型,有效提升了矿压预测准确度。