煤矿工作面 瓦斯浓度 持续变化、关系复杂，仅靠阈值告警难以提前刻画趋势。Liang 等（2020）针对该问题提出了基于 双向 GRU（BiGRU） 与 Adamax 优化的浓度预测方法。下文归纳其问题设定、技术路线与实验结论。

场景与目标

  • 对象： 矿井瓦斯浓度监测时序，具有非线性、时变特征。
  • 目标： 在数据质量可控的前提下提高预测精度，为安全监测与决策提供依据。
  • 约束： 模型需可部署；需与监测、告警链路衔接。

方法要点

1. 数据治理优先

文献采用 拉依达准则（3σ） 剔除粗大误差，拉格朗日插值 补齐缺失。其核心观点是：预测上限往往由数据质量决定，预处理应纳入建模流程。

2. 双向 GRU（BiGRU）

单向 GRU 仅利用过去信息；BiGRU 同时建模正向与反向上下文并融合输出，适合需要窗口内双向上下文的浓度序列。作者报告其优于单向 RNN、LSTM、GRU。

3. Adamax-BiGRU

  • 损失： MSE
  • 优化器： Adamax（与 SGD、Adam 等对比后选定）
  • 结构： 双层隐层、32 神经元等（以原文实验为准）

4. 实验结论（文献数据）

在某一煤矿工作面测试集上，BiGRU 相对基线的测试集误差约降低：

| 对比基线 | 约降幅 | |----------|--------| | RNN | 25.58% | | LSTM | 12.53% | | 单向 GRU | 3.01% |

上述结果绑定特定数据集，外推需谨慎。

工程启示

  • 先治理数据，再选网络结构。
  • 双向 RNN 族与优化器需在本矿数据上复现验证。
  • 预测结果宜接入实时监测与告警，而非仅作离线分析。

参考文献

Liang, R.; Chang, X.; Jia, P.; Xu, C. Mine Gas Concentration Forecasting Model Based on an Optimized BiGRU Network. ACS Omega 2020, 5 (44), 28579–28586.