来源：期刊VIP网 时间：
作者：王树斌;王旭;闫世平;王珂;
单位：陕煤集团神木柠条塔矿业有限公司;中国矿业大学计算机科学与技术学院;
摘要：传统的基于机器学习的矿井内因火灾预测方法尽管具备一定的预测能力，然而在处理复杂的多变量数据时不能有效捕捉数据间的全局依赖关系，导致预测精度较低。针对上述问题，提出了一种基于Transformer的矿井内因火灾时间序列预测方法。首先，采用Hampel滤波器和拉格朗日插值法对数据进行异常值检测和缺失值填补。然后，利用Transformer的自注意力机制对时间序列数据进行特征提取及趋势预测。最后，通过调节滑动窗口的大小与步长，在不同的时间步长和预测长度下对模型进行不同时间维度的训练。结合气体分析法将矿井火灾产生的标志性气体（CO,O_2,N_2,CO_2,C_2H_2,C_2H_4,C_2H_6）作为模型输入变量，其中CO作为模型输出的目标变量，O_2,N_2,CO_2,C_2H_2,C_2H_4,C_2H_6作为模型输入的协变量。选取陕煤集团柠条塔煤矿S1206回风隅角火灾预警的束管数据进行实验验证，结果表明：(1)对CO进行单变量预测和多变量预测，多变量预测相比单变量预测有着更高的预测精度，说明多变量预测能通过捕捉序列间的相关性提高模型的预测精度。(2)当时间步长固定时，基于Transformer的矿井内因火灾预测模型的预测精度随着预测长度的增加而下降。当预测长度固定时，模型的预测精度随时间步长增加而提高。(3) Transformer算法的预测精度较长短时记忆（LSTM）算法和循环神经网络（RNN）算法分别提高了7.1%～12.6%和20.9%～24.9%。
关键词：矿井内因火灾;Transformer;时间序列;标志性气体;自注意力机制
基金资助：国家自然科学基金重点项目（52130411）
