《Processes》：A VMD-Based Dual-Branch Spatiotemporal Graph Model for Short-Term Gas Concentration Prediction in Coal Mine Return-Air Corners
编辑推荐：
煤矿回风隅角处的瓦斯浓度受通风、开采扰动及瓦斯抽采条件的影响，表现出强烈的非平稳性、局部波动性和动态多点相关性。为提高频率信息分离、监测点关系建模及短期预测精度，研究人员提出了一种基于变分模态分解(VMD)的双分支时空图方法。研究人员将四个关键监测点的瓦斯浓度
煤矿回风隅角处的瓦斯浓度受通风、开采扰动及瓦斯抽采条件的影响，表现出强烈的非平稳性、局部波动性和动态多点相关性。为提高频率信息分离、监测点关系建模及短期预测精度，研究人员提出了一种基于变分模态分解(VMD)的双分支时空图方法。研究人员将四个关键监测点的瓦斯浓度作为输入，并以回风隅角瓦斯浓度作为输出。首先，利用VMD对原始序列进行分解，并将其重构为低频和高频分量。随后，针对不同的频率分量构建了两个分支。低频分支结合自适应图学习(Adaptive Graph Learning)、图卷积(Graph Convolution)和门控循环单元(Gated Recurrent Unit, GRU)来提取全局变化特征，而高频分支则结合图注意力机制(Graph Attention Network, GAT)和GRU来捕捉局部扰动特征。最后，特征融合模块生成多步预测结果，并基于预测值制定了轻量化短期预警策略。实验结果表明，在一维预测中，所提模型的均方根误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)和决定系数(R2)分别达到0.0338、0.0471和0.9499，且在三步和六步条件下性能均优于GRU、长短期记忆网络(Long Short-Term Memory, LSTM)、GCN-GRU、GAT-GRU、VMD-GRU、Informer和时空图卷积网络(Spatio-Temporal Graph Convolutional Network, STGCN)。跨数据集验证和推理时间分析表明该方法具有良好的适应性和在线预测潜力。
一、 研究背景与意义
煤矿安全生产中，瓦斯浓度是关键的监测变量。其变化受通风条件、瓦斯抽采状态、开采扰动及采空区漏风等多因素耦合影响，呈现出强烈的非线性、非平稳性及空间异质性。回风隅角位于采空区与回风流交汇处，因局部风速低且瓦斯迁移延迟，极易导致瓦斯积聚。因此，实现回风隅角瓦斯浓度的精准短期预测，对于早期识别瓦斯超限风险至关重要。现有研究多采用ARIMA、LSTM、GRU及Transformer等模型，虽提升了时序特征的提取能力，但大多聚焦于时间依赖性，未能充分描述煤矿瓦斯监测系统中多点间的动态响应关系。此外，瓦斯浓度序列兼具缓慢变化的趋势与短期局部扰动，传统的单一预测模型难以区分低频趋势演化与高频扰动响应的不同建模需求。同时，如何将预测结果转化为适用于现场的轻量化预警信息仍是工程应用中的一大挑战。为此，研究人员提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)的双分支时空图模型，旨在解决上述问题，提升预测精度与工程实用性。该研究成果发表于国际期刊《Processes》。
二、 主要关键技术方法
研究人员采用山西某高瓦斯煤矿151306工作面的瓦斯监测数据，采样间隔为2分钟，选取采煤面、回风巷、回风隅角及低位抽采管路四处关键监测点。核心技术路径如下：首先，利用VMD算法将各监测点原始序列分解为五个本征模态函数(Intrinsic Mode Function, IMF)，并将前两个IMF重构为低频分量，后三个重构为高频分量。其次，构建双分支时空图网络：低频分支引入自适应图学习(self-adaptive graph learning)机制动态构建邻接矩阵，结合图卷积网络(Graph Convolutional Network, GCN)与门控循环单元(Gated Recurrent Unit, GRU)提取全局趋势特征；高频分支利用图注意力网络(Graph Attention Network, GAT)分配节点权重，结合GRU捕捉局部扰动特征。随后，将两个分支的特征进行拼接融合，并通过多层感知机与短时窗补偿机制实现多步预测。最后，基于预测值设计了一套轻量化短期预警策略。
三、 研究结果
1. 瓦斯浓度预测模型
研究人员构建了包含数据预处理、VMD低频/高频重构、双分支时空图网络以及特征融合与多步预测的完整框架。通过VMD将非平稳信号分解为有限数量的带限本征模态函数，有效减少了模式混叠。低频分支利用可学习的嵌入向量构建自适应邻接矩阵，解决了固定图结构无法表征动态多点响应关系的局限；高频分支利用GAT的注意力系数强化了对关键监测点和关键时刻的敏感性。特征融合模块不仅结合了双分支特征，还引入了目标点近期观测值的自适应补偿，显著提高了短期预测的稳定性。
2. 数据预处理
数据来源于山西某煤矿151306工作面，按时间顺序划分为训练集、验证集和测试集。预处理阶段采用线性插值填补缺失值，利用3σ准则修正异常值。VMD参数经优化设定为：模态数K=5，惩罚因子α=2000，噪声容限τ=0。分解后，IMF1和IMF2被重构为低频分量，反映整体变化趋势；IMF3、IMF4和IMF5被重构为高频分量，反映局部快速振荡和间歇峰值响应，实现了主变信息与快速波动信息的有效分离。
3. 实验与结果
参数设置与评估指标：实验在PyTorch框架下开展，采用直接多输出预测策略避免误差累积。评估指标包括平均绝对误差(Mean Absolute Error, MAE)、均方根误差(Root Mean Square Error, RMSE)和决定系数(R2)。
预测结果分析：单步预测中，模型MAE、RMSE和R2分别达到0.0338、0.0471和0.9499。预测曲线与观测曲线高度一致，即使在波动明显的局部区间也能紧密拟合，无明显滞后或失真。模型参数量少，单次推理时间仅为0.1855至0.2223毫秒，远低于2分钟的采样周期，具备在线应用潜力。
对比实验结果分析：在单步、三步和六步预测条件下，所提模型性能均优于GRU、LSTM、GCN-GRU、GAT-GRU、VMD-GRU、Informer和STGCN等基线模型。相较于表现较好的GAT-GRU，单步预测MAE降低约36%；相较于GCN-GRU，单步预测R2提升约23%。消融实验证明，低频分支贡献最大，其次是高频分支、短时窗跳跃连接和补偿模块。
泛化能力验证：在不同监测点配置的另一独立数据集上重新训练模型，结果显示其依然保持最佳性能，证明了模型架构在不同开采条件下的适应性与稳定性。
短期预警策略：研究人员建立了不依赖额外分类模型的轻量化预警策略。结合1步、3步、6步预测值与阈值，采用“多步预测-趋势确认-等级判定”规则进行风险分级，有效降低了因单点波动导致的误报，为现场人员提供了早期参考。
四、 讨论与结论
讨论
研究人员指出，虽然模型表现出色，但在实际部署前仍需关注若干问题。当前实验主要基于有限的矿井场景，未来需进一步评估跨矿井测试及迁移学习策略。此外，尽管直接多输出策略避免了误差累积，但面对突发开采扰动或通风调整时，预测不确定性仍会增加。提出的预警策略目前基于阈值规则，未来需结合真实超限事件记录进行系统校准，并向边缘端推理和在线更新机制拓展。
结论
论文得出了以下核心结论：
(1) VMD成功将原始瓦斯浓度序列分离为低频趋势分量和高频扰动分量，减少了混合频率信息的干扰，为特定频率特征提取提供了更清晰的输入。
(2) 提出的双分支结构提升了多点瓦斯浓度关系的表征能力。低频分支通过自适应图学习、GCN和GRU编码捕获稳定的趋势级时空关系，高频分支利用GAT和GRU增强局部扰动响应表征。消融实验显示低频分支贡献最大。
(3) 所提模型在单步预测中取得了优异的性能指标(MAE: 0.0338, RMSE: 0.0471, R2: 0.9499)，并在多步预测中优于多种基线模型，有效提高了回风隅角瓦斯浓度的短期和中短期预测精度。
(4) 跨数据集验证证实了该架构在不同数据源下的良好适应性。基于多步预测结果的轻量化预警策略无需复杂分类模型即可将连续预测值转化为分级风险信息，为早期识别瓦斯超限风险提供了实用支持。
