基于GAT-Informer的采空区煤自燃温度预测模型

现有的煤自燃温度预测模型仅考虑监测数据前后的时间关联性,未考虑监测点之间的空间关系,并存在多步长煤自燃温度预测精度低的问题。针对上述问题,提出了一种基于图注意力网络(GAT)和Informer模型(GAT-Informer)的采空区煤自燃温度预测模型。首先,采用随机森林回归法和Savitzky-Golay滤波器对采空区沿空侧煤自燃监测数据中的异常值、缺失值和噪声进行处理,并使用Z-score方法对数据进行标准化。其次,采用GAT提取多个监测点煤自燃监测数据间的空间特征。然后,使用Informer模型的编码器对包含空间特征的数据进行编码,利用多头概率稀疏自注意力机制捕捉数据之间的长期依赖关系和时间特征;解码器通过交叉注意力机制与编码器交互,结合编码器提取的全局特征与目标序列的上下文依赖关系,生成特征矩阵并输入全连接层,得到煤自燃温度预测值。最后,对Informer模型输出的煤自燃温度预测值进行反标准化处理,恢复到原始数据尺度,得到最终的预测结果。实验结果表明,相较于循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)和Informer模型,GAT-Informer模型在6个监测点上预测24步长煤自燃温度时,均方误差(MSE)分别平均降低了15.70%,22.15%,25.45%,36.49%,平均绝对误差(MAE)分别平均降低了16.01%,14.60%,20.30%,26.27%,表明GAT-Informer模型能有效提高煤自燃温度多步长预测精度。