基于LSTM-FC的瓦斯浓度时空分布预测

• 作者: 张翼翔 程子均 马六章
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: LSTM-FC 时空序列 瓦斯浓度 神经网络
• 年，卷（期）: 2020,（16）
• 所属期刊栏目: 工程与应用
• 页码范围: 258-264
• 页数: 7页
• 分类号: TP18
• 字数: 5389字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2005-0250

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.