程子均，马六章，张翼翔

中国矿业大学（北京）机电与信息工程学院，北京 100083

1 引言

瓦斯灾害是威胁煤矿生产安全的重大问题，为降低瓦斯灾害发生的概率，做到提前预防，瓦斯浓度预测一直是众多学者和专家研究的重要课题。

瓦斯浓度的变化具有时变性、非线性和高复杂度等特点，很多学者、工程师采用灰色理论、混沌时间理论、支持向量机、人工神经网络等方法进行了大量的预测研究。其中，胥良等人提出遗传算法优化灰色神经网络预测瓦斯浓度[1]；张剑英等人提出了基于支持向量机的瓦斯浓度预测[2-3]；吴兆法等人提出了基于插值梯形模糊信息粒化的瓦斯预测方法[4]；赵爱荣、刘奕君等人分别提出了基于小波分析和遗传算法优化的BP神经网络的瓦斯浓度预测方法[5-6]；耿越提出基于混沌粒子群神经网络的瓦斯浓度预测[7]。这些非线性预测方法考虑了影响瓦斯浓度的多种环境因素，忽略瓦斯浓度变化的时间特性。而瓦斯时间序列预测方法只考虑瓦斯浓度序列的时间特性，忽略了瓦斯浓度变化的空间关联性。然而根据气体分子运动理论，瓦斯的运移和分布与时间、空间密切相关，分别独立处理会造成部分先验知识的丢失[8]，影响瓦斯的预测效果。

本文研究采用深度学习理论建立一种瓦斯浓度的时空分布预测模型。将LSTM（Long Short Time Memory）的记忆细胞结构和全连接神经网络自适应能力巧妙地结合，通过预测不同位置瓦斯浓度变化，构建整体的瓦斯分布，探索一种瓦斯时空分布预测的新方法。……