摘要： 及时准确地预测煤自燃温度对于预防煤矿安全事故的发生至关重要,传统预测方法存在数据特征提取 不充分的问题,提出了一种基于LSTM 改进Transformer 的煤自燃温度预测模型。首先,利用长短时记忆神经网络 (Long Short Term Memory,LSTM)从时间维度捕获给定煤自燃温度文本数据中的时序特征,强化模型对于时间序列数 据的长距离依赖性建模能力;然后,将LSTM 网络的输出作为Transformer 网络的输入,充分利用Transformer 网络的多 头注意力机制对时序特征的上下文位置信息进行编码压缩,细粒度地捕获煤自燃温度文本数据在时序维度的特征全 局关联性;最后,将集成LSTM 上下文时序和Transformer 位置编码强化后的特征作为全连接神经网络的输入,预测下 一时刻的煤自燃温度。通过在开源的某矿煤自燃发火试验数据集上进行测试,所提模型在平均绝对误差(Mean Absolute Error,MAE)、平均百分比误差(Mean Absolute Percentage Error,MAPE)和均方根误差(Root Mean Square Error, RMSE)3 个指标上分别实现了10. 62、6. 04%和25. 19%的性能值,优于当前主流的时间序列神经网络LSTM、GRU、Bi- LSTM,有一定的应用潜力。

关键词: 煤自燃温度预测　Transformer　LSTM　时序维度　位置编码