基于多元融合时空特征卷积网络的气体浓度预测方法技术

本发明专利技术涉及一种基于多元融合时空特征卷积网络的气体浓度预测方法，包括以下步骤：步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析，选择与目标气体相关性高的气体作为辅助变量；步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析，得到三维时空特征；步骤C、使用时空卷积模型对目标气体的气体浓度进行预测；步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。本发明专利技术在时间卷积网络基础上，融合了采空区目标监测点周围其他监测点的空间数据，然后提取目标监测点处的空间特征，还通过分析目标监测点处其他气体浓度数据数据与目标气体数据之间的相关性，作为辅助因素来提高预测精度。高预测精度。

【技术实现步骤摘要】
基于多元融合时空特征卷积网络的气体浓度预测方法


[0001]本专利技术涉及煤矿采空区气体浓度预测
，特别涉及一种基于多元融合时空特征卷 积网络的气体浓度预测方法。

技术介绍

[0002]自燃火灾的防治成为了煤矿火灾防治的重点，而自燃火灾的防治重点区域就是采空区。 由于煤炭自燃过程中会产生碳氧化合物、烷烃类气体，通过分析指标气体生成状况的变化就 可大致判断煤氧化过程所处的阶段。传统的预测方法只考虑时间序列数据的时间特性，即利 用标志性气体浓度的历史数据作为观测值对未来数据进行预测，未考虑空间属性。但是在气 体的扩散及风流的影响下，采空区中的气体不仅有时间特性，还有空间特性，即该处变量值 与其他监测点位置变量的值有密切关系。若不考虑空间属性的影响，则会忽略风流场这一影 响重要因素，影响预测结果。

技术实现思路

[0003]为了解决现存技术中的问题，本专利技术提供一种基于多元融合时空特征卷积网络的气体浓 度预测方法。本专利技术在时间卷积网络基础上，融合了采空区目标监测点周围其他监测点的空 间数据，然后提取目标监测点处的空间特征，还通过分析目标监测点处其他气体浓度数据数 据与目标气体数据之间的相关性，作为辅助因素来提高预测精度。
[0004]本专利技术的上述目的通过以下技术方案实现：基于多元融合时空特征卷积网络的气体浓度 预测方法，包括以下步骤：
[0005]步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析，选 择与目标气体相关性高的气体作为辅助变量；所述目标气体为指标气体中的任意一个气体， 其余为其他气体；
[0006]步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析，得到三维时空 特征；
[0007]步骤C、使用时空卷积模型对目标气体的气体浓度进行预测；
[0008]步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。
[0009]进一步地，所述步骤A具体包括以下步骤：
[0010]步骤A1、计算目标气体和其他气体延迟T(1,2,
…
7)个时刻的时间序列的相关系数；
[0011]步骤A2、根据所述步骤A1的相关系数计算结果选择出与目标气体相关性高的气体作 为辅助变量。
[0012]进一步地，所述步骤B具体包括以下步骤：
[0013]步骤B1、构建GSM气体空间矩阵；
[0014](1)根据传感器分布情况，将空间划分为l*w*h个具有相同大小的单元，每个单元包 含一组传感器；其中，l*w*h为划分后的长*宽*高，单位分别为米；
[0015](2)根据两个时间序列S
ij
＝(S
i
,S
j
)，并计算皮尔逊相关系数，S
i
和S
j
的皮尔逊相关系 数如式1所示；
[0016][0017]其中，为序列S
i
在P
[d:g]时间段内的平均值，同理，为序列S
j
在 P
[d:g]时间段内的平均值；为序列S
i
在P
[d:g]时间段内的 方差；为序列S
j
在P
[d:g]时间段内的方差；
[0018]单维时间序列是由传感器采样得到的连续的数据点，一条长度为N的时间序列表示为 S＝{S1,S2,
…
,S
T
}，其中每个序列点S
u
＝(x
u
,t
u
)表示为一个时间点的数值，x
u
是一个实数值， t
u
是时间记录点；是所有时间点的集合；
[0019]时间区间P
[d:g]是时间区间P
[1:T]内的一个时间段，则S
[d:g]代表起始于d，终止于g的单维 时间序列段；
[0020]步骤B2、分析目标气体在t时刻的多维空间特征；
[0021](1)在t时刻，对GSM气体空间矩阵每一个单元监测点为中心，将D
XY
,D
XZ
,D
YZ
三个 维度分别提取出来，得到三个方向上的特征矩阵，且每一维度监测位置及其周围邻域大小的 矩阵大小为n
×
n，监测点位于每一维矩阵的中心；n的大小与所涉及的传感器的数量相关， 保证每个矩阵内包含一个传感器；其中D
XY
,D
XZ
,D
YZ
代表三个二维平面；
[0022](2)对已经提取出来的D
XY
,D
XZ
,D
YZ
三个维度，单独对每一个维度的特征矩阵提取特征， 即每一个特征矩阵作为具有一个通道的张量，输入卷积核大小为3
×
3以及k层卷积层、池化 层和全连接层，获得三个维度的特征其中，设采空区各个监测点为 L＝{l0,l1,
…
,l
i
,
…
,l
n
}，l
i
为目标监测点；R为实数集，n
×
n
×
λ表示三维矩阵的大小；
[0023](3)为了减少参数量，将三个维度的特征的组合，再利用1
×
1卷积进行特征压缩，最 终得到目标监测点在t时刻的三维空间特征R为实数集，n
×
n
×
λ表示三维矩阵的 大小。
[0024]进一步地，所述步骤C具体包括以下步骤：
[0025]步骤C1、输入数据属性包括时间、温度、指标气体的气体浓度的传感器数据，具体表 示为其中为l
i
位置处的多元序列，l
i
(i＝0,...,n)代表第i个采 空区中对指标气体进行采集测量的地点，r为多元序列数，
[0026]步骤C2、利用式2，对三维空间特征提取过程中每一个特征矩阵进行卷积操作，其中， f(
·
)表示激活函数，*表示卷积操作，和是第k层卷积层的参数；
[0027][0028]经过k层卷积层之后，分别得到了三个维度的特征R为实数集，n
×
n
×
λ表示 三维矩阵的大小；
[0029]步骤C3、将三个维度的特征的合并后使用一层flatten函数转换成一维特征；
[0030]步骤C4、使用一个全连接层来减少空间特征的尺寸，最终的输出特征R为实 数集，计算方式如式3，其中，和是第i个监测地点l
i
在t时刻全连接层的参数；
[0031][0032]步骤C5、由于指标气体的气体浓度数据在时间方面具有因果关系，
[0033]因此为了数据的特征以及模型的准确性，该模型中的卷积操作使用因果卷积；对于输入 数据监测位置多元特征序列时间卷积核在输入矩阵的空间维度(q*j*z)上进 行卷积操作，q为监测位置维度大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，包括以下步骤：步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析，选择与目标气体相关性高的气体作为辅助变量；所述目标气体为指标气体中的任意一个气体，其余为其他气体；步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析，得到三维时空特征；步骤C、使用时空卷积模型对所述目标气体的气体浓度进行预测；步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。2.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，所述步骤A具体包括以下步骤：步骤A1、计算所述目标气体和所述其他气体延迟T(1,2,
…
7)个时刻的时间序列的相关系数；步骤A2、根据所述步骤A1的相关系数计算结果选择出与所述目标气体相关性高的气体作为所述辅助变量。3.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，所述步骤B具体包括以下步骤：步骤B1、构建GSM气体空间矩阵；1)根据所述传感器分布情况，将空间划分为l*w*h个具有相同大小的单元，每个单元包含一组传感器；其中，l*w*h为划分后的长*宽*高，单位分别为米；2)根据两个时间序列S
ij
＝(S
i
,S
j
)，计算皮尔逊相关系数，S
i
和S
j
的皮尔逊相关系数如式1所示；其中，为序列S
i
在P
[d:g]
时间段内的平均值，同理，为序列S
j
在P
[d:g]
时间段内的平均值；为序列S
i
在P
[d:g]
时间段内的方差；为序列S
j
在P
[d:g]
时间段内的方差；单维时间序列是由所述传感器采样得到的连续的数据点，一条长度为N的时间序列表示为S＝{S1,S2,
…
,S
T
}，其中每个序列点S
u
＝(x
u
,t
u
)表示为一个时间点的数值，x
u
是一个实数值，t
u
是时间记录点；是所有时间点的集合；时间区间P
[d:g]
是时间区间P
[1:T]
内的一个时间段，则S
[d:g]
代表起始于d，终止于g的单维时间序列段；步骤B2、分析目标气体在t时刻的多维空间特征；
1)在t时刻，对GSM气体空间矩阵每一个单元监测点为中心，将D
XY
,D
XZ
,D
YZ
三个维度分别提取出来，得到三个方向上的特征矩阵，且每一维度监测位置及其周围邻域大小的矩阵大小为n
×
n，监测点位于每一维矩阵的中心；n的大小与所涉及的传感器的数量相关，保证每个矩阵内包含一个传感器；其中D
XY
,D
XZ
,D
YZ
代表三个二维平面；2)对已经提取出来的D
XY
,D
XZ
,D
YZ
三个维度，单独对每一个维度的特征矩阵提取特征，即每一个特征矩阵作为具有一个通道的张量，输入卷积核大小为3
×
3以及k层卷积层、池化层和全连接层，获得三个维度的特征其中，设采空区各个监测点为L＝{l0,l1,
…
,l
i
,
…
...

【专利技术属性】
技术研发人员：梁运涛，孟祥宁，王刚，田富超，王永敬，于重重，孙勇，苏伟伟，张军杰，冯文彬，任杰，唐辉，韩露，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：