来源：期刊VIP网 时间：
作者：马文伟;
单位：中煤科工集团沈阳研究院有限公司;煤矿安全技术国家重点实验室;
摘要：影响工作面瓦斯涌出量的特征众多，利用主成分分析等方法对原始数据降维，可节省计算资源，但会改变数据集的原始特征结构，损失部分原始数据特征的细节信息。针对该问题，建立梯度提升决策树（GBDT）瓦斯涌出量预测模型，利用5种特征选择算法对数据集进行特征过滤，分析每种特征组合在GBDT模型中的拟合度、计算时间及预测结果，优选出包装法为最佳的特征选择算法；结合现场实际，优选出8种特征进行瓦斯涌出量预测，结果表明，特征数量的多少与预测结果的准确性和泛化性并不呈正比关系，冗余特征或无关特征的存在反而会降低模型的预测准确性。为进一步提高模型精度，通过5种超参数寻优算法对GBDT模型进行超参数寻优，对比分析每一种超参数组合下GBDT模型的预测性能，结果表明：寻优算法本身对GBDT模型的准确性和泛化性影响较小，但基于树结构Parzen估计器(TPE)的贝叶斯优化（BO）算法所得出的最优超参数组合在GBDT模型中具有最高的准确率和相对较少的优化时间，其优化性能最佳，以此建立BO-GBDT模型。将特征选择后的数据集划分出训练集及测试集，利用BO-GBDT模型进行工作面瓦斯涌出量预测，并与随机森林、支持向量机、神经网络模型进行对比，结果表明：BO-GBDT模型具有更高的准确性和泛化性，其平均相对误差为2.61%，相比随机森林、支持向量机、神经网络模型分别降低了35.56%,37.41%,32.03%，能够满足现场工程应用需求，为矿井安全生产提供理论指导。
关键词：瓦斯涌出量预测;特征选择;梯度提升决策树;贝叶斯优化;超参数优化;机器学习
基金资助：国家科技重大专项资助项目（2016ZX05045-004-001）
