摘要： 针对现有的粉尘监测预警技术存在数据延迟高、信息融合差和预测精度低等缺陷,利用杭来湾煤矿 30202 综掘面粉尘监测数据集,集成机器学习和深度学习混合算法框架,构建了多变量特征耦合的粉尘浓度预测模 型。基于偏差—方差均衡准则对预测模型进行了超参数优化,并采用均方误差(MSE) 与平均绝对百分比误差 (MAPE)双指标评估模型预测效果。结果表明:① 机器学习算法的MSE 普遍低于深度学习算法,其局部准确性优于 深度学习算法,MAPE 和整体稳定性则相反,XGBoost 和Bi-RNN 分别是机器学习和深度学习算法中预测结果局部准 确性和整体稳定性最优的。② 机器学习、深度学习及混合集成模型较基学习器平均MSE 降低了23. 86、11. 82、 24. 84;机器学习模型的MAPE 提高了0. 42 个百分点,其余2 种模型的MAPE 分别降低了0. 83、1. 08 个百分点,混合 集成模型兼具机器学习局部准确率高和深度学习整体稳定性强的特点,整体预测效果最好。研究结果可为矿山智能 精准高效降尘技术的发展提供理论基础。

关键词: 粉尘浓度预测　机器学习　深度学习　集成学习