自适应异构堆叠集成学习方法在预测煤矿瓦斯浓度中的应用

《Advanced Engineering Informatics》：Adaptive heterogeneous stacking ensemble learning for predicting coal mine gas concentration

瓦斯浓度预测方法通过自适应异构集成学习框架AHSEL解决多尺度信号分解与异质地质适应性问题，采用CEEMDAN分解、GA优化模型组合及MIMO注意力架构，实现跨矿区高精度预测（R2>0.94）。

　　

姚晓|龚凯|赵海成|孙振辰|戴琦|周旭

华北科技大学理学院，中国唐山063210

摘要

准确的气体浓度预测对于防止地下煤矿发生灾难性爆炸至关重要，因为气体事故一直是导致死亡的主要原因之一，近年来占所有报告的矿难死亡人数的六分之一以上。现有的预测方法存在两个根本性限制：多尺度传感器信号中的模态混叠会掩盖可提取的模式，而在异质地质条件下的泛化能力不足使得固定模型方法不适用于多地点部署。本研究提出了自适应异构堆叠集成学习（AHSEL）框架，通过三项创新系统地解决了这些挑战。首先，自适应噪声完备集成经验模态分解（CEEMDAN）将浓度信号分解为物理上可解释的频段——将长期地质排放与短期通风动态分开——与传统方法相比，模态混叠减少了74.4%。其次，基于遗传算法的选择机制自动识别来自八个异构模型的最佳基础学习者组合，消除了手动配置的主观性，并能够根据特定地点的特点调整模型组合。第三，一种基于注意力加权的多输入多输出架构实现了零误差传播的多步直接预测。在来自河北、贵州、安徽、云南和内蒙古五个地理上不同的煤矿区域的七个数据集上的验证中，预测准确率始终超过R² = 0.94。比较实验表明，在十个基准模型中，AHSEL在所有评估指标上都表现最佳。可解释的人工智能分析建立了分解频率分量与物理因素之间的明确映射，低频模式与地质结构相关，高频模式反映了操作参数。这种可解释的方法有机地将数据驱动的预测与可操作的安全管理策略相结合。

引言

煤矿气体爆炸是地下采矿中最具灾难性的危害之一，是全球矿难死亡的主要原因之一，每年给产煤国家带来沉重的经济负担。准确的气体浓度预测是至关重要的第一道防线，可以及时疏散人员、调整通风并停止生产，从而在灾难发生之前加以预防[1]，[2]。随着煤矿逐渐向更深区域扩展，深矿的地质条件变得更加复杂和多变。高地质应力、高气体压力和高渗透性使得采矿更加困难[3]，[4]。气体浓度预测方法已经从机械模型发展到经验模型。早期的物理-数学模型使用地质参数来预测煤层气体[5]，但难以适应变化的矿井环境。基于线性假设的统计方法也难以捕捉非线性、非平滑的特征。

不同矿山和工作条件下的气体浓度序列具有不同的特征，这使得将固定模型应用于多种场景变得具有挑战性[6]，[7]。深度学习可以探索时间和气体浓度之间的非线性关系[8]，[9]。模型适应和自动选择机制是构建异构集成模型的关键挑战[10]，[11]。Bertsimas等人[12]构建了一个基于自适应鲁棒优化的集成预测模型，可以随时间自适应调整模型权重，在空气污染管理等应用中表现良好。Palli等人[13]提出了一种智能自适应集成模型，用于非平稳数据流，通过动态选择基础分类器来减轻概念漂移的影响。Carvalho等人系统地回顾了过去十年中回归任务中的动态选择技术，确定了三种主要策略：动态选择、动态加权和混合方法。然而，将自适应选择机制引入异构堆叠集成框架，特别是在气体浓度预测的背景下，仍需要进一步研究[14]，[15]。

尽管在数据驱动预测方面取得了显著进展，现有方法在信号分解、模型选择和时空特征集成方面仍存在结构性缺陷。当前的气体浓度预测方法存在三个关键限制。首先，信号分解中的模态混叠问题尚未得到充分解决——传统的基于EMD的方法在地质排放和通风动态的频率分量重叠时难以完全消除模式混合[16]。其次，现有模型缺乏数据特征驱动的选择机制；组合预测框架通常采用任意的模型组合，而没有与分解信号组分的特定属性（稳定性、非线性、复杂性）相匹配的架构。第三，时空依赖性被严重低估——传统的时间序列方法忽略了温度变化和气体浓度变化之间的滞后效应，以及地下网络中分布式传感器之间的空间相关性[17]。这些限制共同阻碍了现有方法同时实现高准确率和跨地点的鲁棒性，需要集成框架系统地解决信号分解质量、自适应模型配置和时空意识问题。

为了解决上述挑战，本研究开发了一种结合预测建模和领域知识提取的完备集成经验模态分解与自适应噪声-RFECV-GA-MIMO-注意力-堆叠自适应异构集成预测框架（AHSEL）。在第一阶段，应用完备集成经验模态分解与自适应噪声来分解多个尺度上的原始气体浓度序列，有效解决了模态混叠问题，并在不同时间尺度上获得了相对平滑的内在模态分量（IMFs）[18]，[19]。其次，从模型架构异质性的角度设计了具有特征互补性和协同性的堆叠学习者候选池，包括八个候选模型：TCN、Transformer、RNN、Bi-LSTM、LSTM、MLP、Informer和SVM。结合递归特征消除与交叉验证以及遗传算法进行自适应优化和基础学习者组合的定量排名。最后，通过构建多输入多输出架构并引入自注意力模块，实现了自适应分配每个基础模型的输出权重系数，从而实现了原生的多步预测能力[20]，[21]。使用来自五个不同地理位置的煤矿区域的七个数据集进行的实证验证表明，该模型的预测准确率始终超过R² = 0.94，为主动安全管理提供了可靠的预测。本研究的主要贡献总结如下：

• (1)
  基于完备集成经验模态分解与自适应噪声的分解策略解决了由于模式混合导致的频率分量之间的干扰。该策略改进了气体浓度序列中非平滑特征的提取，每个IMF编码了相应时间尺度上的独特物理特征。
• (2)
  该框架整合了递归特征消除、交叉验证和遗传算法。这为异构基础学习者建立了自适应偏好机制。该方法实现了不同模型之间的特征互补性和协同性，解决了手动选择基础学习者的主观性和泛化能力不足的问题。
• (3)
  通过构建多输入多输出框架并引入基于注意力的加权方案来自适应地为每个基础模型分配输出权重系数，实现了气体浓度的原生多步预测能力，从而实现了及时的早期预警，以预防危险。
• (4)
  可解释性分析建立了IMF分量与物理因素之间的明确映射，将数据驱动的预测转化为支持矿山安全决策的可操作工程知识。

本文的其余部分结构如下：第2节回顾了现有的煤矿气体浓度预测文献；第3节详细阐述了所提出的方法；第4节提供了实证分析及数据处理程序；第5节展示了结果及其相应的解释；最后，第6节总结了这项工作并指出了未来的研究方向。

相关工作

相关工作

时间序列预测已经从机械建模发展到智能数据驱动的预测方法。数据驱动的预测方法展示了强大的非线性建模能力和泛化性能。然而，单个模型往往难以全面描述复杂动态系统中固有的多尺度特征。因此，本节简要回顾了基于机器学习或深度学习的气体预测方法

自适应异构堆叠集成学习

基于堆叠集成算法，提出了一个用于预测气体浓度时间序列的框架。AHSEL的总体框架由三个部分组成：数据分解、基础模型的集成和注意力模块的集成，如图1所示。首先，原始输入数据通过完备集成经验模态分解与自适应噪声进行处理，以产生稳定的内在模态函数（IMF）

数据集

为了全面验证所提出模型的预测性能和泛化能力，从中国五个不同的煤矿区域收集了七个数据集。应当注意的是，本研究的主要焦点不在于地质因素建模，而在于评估所提出模型在多种地下气体监测场景中的预测准确性和泛化能力。

实验结果与讨论

为了验证AHSEL模型在气体浓度时间序列中的应用，选择了Y251工作面1分钟时间尺度的数据。实验分为五个部分：（1）完备集成经验模态分解与自适应噪声分解研究；（2）模型性能实验；（3）实验结果比较；（4）消融实验；（5）可解释性实验。

结论

在本研究中，我们提出了AHSEL（自适应异构堆叠集成学习）框架，用于预测煤矿中的气体浓度，系统地解决了非线性模态混叠和模型适应不良的关键问题，同时为工程决策支持建立了明确的知识表示。该方法通过完备集成经验模态分解与自适应噪声实现了多尺度自适应分解。它结合了递归特征

CRediT作者贡献声明

姚晓：撰写——原始草稿、可视化、验证、方法论、调查、形式分析、数据整理。龚凯：验证、软件、方法论、形式分析。赵海成：撰写——审阅与编辑、资源整理。孙振辰：验证、调查、数据整理。戴琦：撰写——审阅与编辑、可视化、调查。周旭：撰写——审阅与编辑、监督、项目管理、资金获取、概念化。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：龚凯报告称获得了中国国家自然科学基金会的财务支持。周旭报告称获得了河北省教育部门的财务支持。如果有其他作者，他们声明没有已知的可能会影响所报告工作的财务利益或个人关系。

致谢

本工作得到了中国国家自然科学基金会（资助编号：52274202）和河北省高等教育科学技术研究项目（资助编号：QN2025165）的财务支持，后者由河北省教育厅资助。