矿井 瓦斯浓度 时序往往同时含 线性趋势 与 非线性波动，单一 ARIMA 或 LSTM 难以兼顾。Li 等（2023）在 Processes 提出 ARIMA-LSTM 组合模型：ARIMA 给出线性预报与残差，LSTM 学习残差中的非线性，再叠加得到最终预测。下文按「背景—数据—方法—结果—局限—工程启示」归纳。

1. 问题背景

1.1 单模型的不足

| 模型 | 优势 | 在瓦斯序列上的局限 | |------|------|-------------------| | ARIMA | 线性结构、可解释 | 非线性模式捕捉弱 | | LSTM | 非线性、长依赖 | 线性成分利用不足 |

既有 SVM、蚁群、随机森林、纯 LSTM 等工作提升了精度，但较少 显式分解线性/非线性。

1.2 组合思路

将序列分解为 y = 线性 + 非线性：

  1. ARIMA → 线性预报 l 与残差 δ = y − l
  2. LSTM → 对残差建模得非线性项 nl
  3. 叠加 → ŷ = l + nl

2. 数据与预处理

  • 测点： 某矿 803 工作面上隅角
  • 时段： 2021 年 3 月 1–6 日；30 min 采样，共 288 条
  • 划分： 训练 3 月 1–4 日（192 条）；测试 3 月 5–6 日（96 条）
  • 清洗： 3σ（拉依达）准则 剔除粗差；异常值以邻点均值替代

3. 方法流程

原始序列 → 3σ 清洗 → ADF + 差分 → ARIMA(3,1,0) → 残差 → LSTM → 叠加 → 预报

3.1 ARIMA 定阶

  • ADF 检验： 原序列非平稳 → 一阶差分
  • ACF/PACF + BIC → 最优 ARIMA (3, 1, 0)
  • 残差 Ljung–Box（p ≈ 0.55）、Q–Q 图支持白噪声假设

3.2 LSTM 拟合残差

  • 输入为 ARIMA 残差（非线性成分）
  • ReLU 激活；batch_size = 1；最多 100 轮；损失约 第 30 轮 收敛
  • 数据经归一化后送入网络

4. 结果（原文 Table 2，测试集）

| 模型 | R² | MAPE | RMSE | |------|-----|------|------| | 仅 ARIMA | 0.3648 | 1.4135 | 1.5769 | | 仅 LSTM | 0.5244 | 0.4253 | 0.7823 | | ARIMA-LSTM | 0.9825 | 0.0124 | 0.0830 |

组合模型在报告指标上明显优于两种单模型。作者指出，误差仍可能来自 通风、采速等未建模外生因素。

5. 局限与复现注意

  1. 样本短： 单点上隅角 6 天——部署前宜在多工作面、更长时段验证。
  2. 单变量： 尚未纳入外生协变量；作者计划扩展多因素预测。
  3. 指标量纲： RMSE/MAPE 与浓度尺度相关，不宜当作通用验收门槛。
  4. 高 R² 风险： 需排查泄漏、小测试集过拟合，并做 时间外推 检验。
  5. 安全链路： 预报服务预警，不能替代甲烷传感器、通风联锁与规程限值。

6. 工程启示

  • 瓦斯浓度序列可优先尝试 线性模型 + 残差深度网络，再对比端到端黑箱。
  • 保留 ADF、ACF/PACF、Ljung–Box 等 ARIMA 诊断，便于审计与运维。
  • 与 同一测点阈值/报警策略 对接，形成「预测 → 告警 → 人工确认」闭环。
  • 下一步可引入 风量、推进速度、抽采量 等外生变量，与本系列 RFECV-Bi-LSTM 涌出量工作形成对照。

参考文献

Li, C.; Fang, X.; Yan, Z.; Huang, Y.; Liang, M. Research on Gas Concentration Prediction Based on the ARIMA-LSTM Combination Model. Processes 2023, 11 (1), 174.