绝对瓦斯涌出量是通风能力校核、抽采工程设计与安全管理的共同输入。现场监测往往同时存在 地质赋存、开采扰动、抽采工况 等多路信息，彼此 非线性强、时序相关明显；若仅用单因素历史序列外推，容易在工况切换时失真。Lin 等（2024）在 Reliability Engineering & System Safety 将问题表述为 多因素时序预测，提出 RFECV（递归特征消除 + 交叉验证） 与 Bi-LSTM 串联流程，并在固定实验设置下报告了较高的拟合指标。下文按「问题—数据—方法—结果—局限—工程启示」归纳，便于与通风/监测系统集成时对照原文。
1. 问题背景：为何从单因素走向多因素
1.1 涌出量在系统中的作用
文献强调：涌出量预测不仅是回归精度问题，还直接关系 通风系统可靠性 与 瓦斯抽采设计的数据基础。通风需保证工作面风量足以稀释涌出；抽采则需根据涌出水平配置钻孔与负压。预测偏差若系统性偏低，可能 低估稀释需求；偏高则带来过度抽采或频繁调风。
1.2 传统方法的局限
作者归纳的痛点包括：
- 影响因素多：地质与开采参数耦合，难以手工固定一组「万能」变量；
- 非线性与时序性并存：同一因素在不同生产阶段对涌出的贡献可能变化；
- 既有工作多偏单因素时序：只用涌出自身历史，难以利用可观测的 外生驱动（产量、推进、抽采量等）。
因此论文主张：先压缩有效因子维度，再用深度时序网络建模。
2. 影响因素框架（文献脉络）
原文将问题定义为 multifactor time series。结合同团队先期关于工作面涌出协作预测的工作，煤矿涌出研究里常见的 一级指标 通常分为两类（具体是否全部采用以原文实验为准）：
| 类别 | 典型变量（符号常见于相关研究） | 物理含义（简述） | |------|--------------------------------|------------------| | 地质因素 | 煤层厚度 M、埋深 H、倾角 D、煤层瓦斯含量 GC、底板标高 BLV、层间距 SD、邻层厚度 ML 等 | 描述赋存与储渗背景 | | 开采因素 | 日产量 DO、日推进距离 V、抽采纯量 EP 等 | 描述扰动强度与卸压抽采 |
RFECV 的作用正是在此类 候选因子池 上，用数据驱动筛出 对当前样本最有效的子集，而不是依赖人工一次性拍板。论文以 Ridge 回归 与 随机森林（RF） 分别作为 RFECV 的嵌入模型，得到 四种多因素组合（Ridge-RFECV 与 RF-RFECV 各对应一套入选特征），再进入下游预测网络。
3. 方法流程
整体可理解为两阶段流水线：
多因素监测时序 → RFECV（Ridge / RF 嵌入）→ 4 组因子组合 → Bi-LSTM → 涌出量预测
3.1 RFECV 特征选择
递归特征消除（RFE） 反复训练模型、剔除最弱特征；叠加 交叉验证（CV） 可在不同折上估计泛化误差，减轻「过拟合式删特征」。
文献设置要点：
- 两套嵌入学习器：Ridge（线性、可解释）与 RF（非线性、抗噪）；
- 输出：四套可用于涌出的 多因素输入组合；
- 动机：在「因子太多」与「信息不够」之间折中，为 Bi-LSTM 提供 维度可控、物理可解释 的输入。
工程上可把 RFECV 结果固化为 特征白名单，在数据治理阶段校验：缺失率、量纲、滞后对齐是否满足建模要求。
3.2 Bi-LSTM 时序预测
在选定因子组合上，采用 双向 LSTM（Bi-LSTM）：
- 前向 LSTM 利用过去时刻信息；
- 后向 LSTM 利用序列中「未来侧」上下文（在固定长度窗口内）；
- 融合输出 用于下一时刻（或目标时刻）涌出量回归。
相对单向 RNN/LSTM，Bi-LSTM 更适合 窗口内双向依赖明显 的涌出序列；相对纯 MLP，更能保留 时间结构。文献报告的最优配置为 RF-RFECV-Bi-LSTM（RF 嵌入的 RFECV + Bi-LSTM）。
3.3 训练划分与评价指标
实验在训练集占比 60%、70%、80% 三种划分下对比不同因子组合与模型，考察划分比例对泛化的影响。
文献对 RF-RFECV-Bi-LSTM 报告的代表性结果（特定矿样、特定实验环境）：
| 指标 | 报告值 | 解读提示 | |------|--------|----------| | RMSE | 0.2455 | 需结合涌出量量纲与归一化方式理解 | | MAE | 0.1914 | 平均绝对误差，便于业务侧感知偏差量级 | | R² | 0.9897 | 拟合度很高，落地前应做样本外与时间外验证 | | 模型稳定性 | 0.9431 | 文献用于衡量不同划分下性能一致性（定义见原文） | | 运行时间 | 约 12.20 s | 依赖硬件与实现，仅作量级参考 |
注意： 上表绑定作者数据集；换矿、换工作面、换传感器体系后，指标可能显著变化，不宜直接作为验收阈值。
4. 与相关路线的对比（阅读定位）
同类研究常见三条路线，便于理解本文位置：
| 路线 | 代表思路 | 本文侧重 | |------|----------|----------| | 单因素时序 | 仅用涌出历史（ARIMA、单变量 LSTM 等） | 显式引入多因素外生变量 | | 特征选择 + 浅层学习 | RFE、LASSO、RF 重要性 + SVR/RF 回归 | RFECV 系统筛因子 + 深度时序 Bi-LSTM | | 端到端深度 | 大网络直接吃全量传感器 | 先 RFECV 降维 再 Bi-LSTM，兼顾可解释子集 |
后续文献（如分解—图模型、注意力 Transformer 等）多在 浓度波动监测、多传感器融合 方向延伸；涌出 绝对量 的多因素预测仍可把本文视为 「可解释因子筛选 + RNN 族」 的基线参考。
5. 局限与复现时应注意的点
- 数据域绑定：地质—开采因子与涌出序列需 时间对齐（日尺度或更细），滞后项设置影响因果解释。
- 高 R² 的验证纪律：建议在 时间滚动切分、新工作面 hold-out 上复现，避免随机打乱导致信息泄漏。
- RFECV 稳定性：换嵌入模型（Ridge vs RF）会得到不同因子组合，需结合 物理可解释性 审查，而非只看误差最小。
- 与浓度预测的区别：涌出量（m³/min 等）与 风排瓦斯浓度 不同链路；接入预警系统时要明确预测对象与传感器测点。
- 闭环缺失：论文侧重离线建模；现场还需定义 预测—通风演算—告警—人工确认 的闭环与责任边界。
6. 工程启示
- 建模顺序：先治理监测数据（缺失、异常、对齐），再 RFECV 定因子，最后选时序网络。
- 与通风耦合：预测输出应能进入 风量需求估算 或 通风网络调节 的输入，而不是停留在报表。
- 与抽采耦合：当 抽采纯量 EP 等进入模型时，抽采调整会改变未来涌出，需 滚动重训或在线更新 策略。
- 可运维性：保留四套 RFECV 组合的 特征清单版本号，便于审计「某次告警依据了哪些因子」。
- 安全冗余：高精度预测不能替代 甲烷监测、断电仪、通风备用 等硬安全设施。
参考文献
Lin, H.; Li, W.; Li, S.; Wang, L.; Ge, J.; Tian, Y.; Zhou, J. Coal Mine Gas Emission Prediction Based on Multifactor Time Series Method. Reliability Engineering & System Safety 2024, 252, 110443.