来源：期刊VIP网 时间：
作者：董立红;赵楠楠;王丹;秦昳;
单位：西安科技大学人工智能与计算机学院;
摘要：准确预测瓦斯浓度对预防瓦斯灾害事故至关重要，预测精度受瓦斯浓度时间变化规律和瓦斯扩散时空分布特征的双重影响。现有的模型驱动预测方法难以胜任长期和大规模瓦斯浓度预测任务，而数据驱动预测方法未考虑动态空间维度特征的影响，导致模型泛化性能较差。为了捕获瓦斯浓度变化的时空依赖性，提高瓦斯预测精确性，提出一种融合多尺度机制的时序-动态图卷积Transformer(TDMformer)并用于构建瓦斯浓度预测模型。在ITransformer框架基础上，设计了时序-变量注意力机制，用于同时建模时序与变量维度特征；融合动态图卷积网络，用于描述井下瓦斯传感器网络拓扑结构，捕获瓦斯浓度数据的空间依赖性；引入多尺度门控Tanh单元，以增强多尺度特征提取能力。实验结果表明，与Graph-WaveNet,GRU,Transformer,AGCRN,DSformer,STAEformer,FourierGNN等模型相比，TDMformer模型的均方根误差分别降低了24.87%,26.37%,21.69%,19.57%,11.90%,10.84%,9.20%，平均绝对误差分别降低了17.09%,25.58%,26.89%,14.56%,11.10%,5.75%,4.53%，拟合系数分别提高了5.94%,6.51%,4.79%,4.12%,2.21%,2.08%,1.76%，验证了该模型具有更高的预测精度和数据拟合度。
关键词：瓦斯浓度预测;;Transformer;;ITransformer;;动态图卷积网络;;时序-变量注意力机制
基金资助：国家自然科学基金项目（62476216）;; 陕西省重点研发计划项目（2024GX-YBXM-146）;; 陕西省教育厅青年创新团队科研计划项目（23JP091）
