针对综采工作面周期来压预测的技术难题,研究了理论分析、数据采集与预处理、模型评估与优化等方法,提出了具有时空关联分析与POI(Point of Intersesting)数据的ConvLSTM模型,利用多源数据融合得到周期来压预测的最优解,实现工作面环境...针对综采工作面周期来压预测的技术难题,研究了理论分析、数据采集与预处理、模型评估与优化等方法,提出了具有时空关联分析与POI(Point of Intersesting)数据的ConvLSTM模型,利用多源数据融合得到周期来压预测的最优解,实现工作面环境状态的实时感知和预测。试验结果表明:基于POI-ConvLSTM的工作面周期来压预测模型,均方误差为0.159,R 2评价指标为0.999,相比于Seq2Seq和ConvLSTM模型的均方误差分别降低了68.07%和4.22%。可见,融合了多元数据POI-ConvLSTM模型的预测精度更高,普适性更强,能够准确地提前预测周期来压问题。展开更多
文摘针对综采工作面周期来压预测的技术难题,研究了理论分析、数据采集与预处理、模型评估与优化等方法,提出了具有时空关联分析与POI(Point of Intersesting)数据的ConvLSTM模型,利用多源数据融合得到周期来压预测的最优解,实现工作面环境状态的实时感知和预测。试验结果表明:基于POI-ConvLSTM的工作面周期来压预测模型,均方误差为0.159,R 2评价指标为0.999,相比于Seq2Seq和ConvLSTM模型的均方误差分别降低了68.07%和4.22%。可见,融合了多元数据POI-ConvLSTM模型的预测精度更高,普适性更强,能够准确地提前预测周期来压问题。
