基于麻雀搜索算法优化的CNN-LSTM煤自燃温度预测模型研究

摘要

针对煤矿火灾中煤自燃温度预测精度不足的问题，本文以龙煤集团某矿煤样为研究对象，开展程序升温实验获取多种指标气体数据。结合斯皮尔曼相关性分析、随机森林特征筛选及现场经验，优选φ_CO、■作为关键预测指标。在完成异常值处理、缺失值补全与归一化等数据预处理后，构建了融合卷积神经网络（CNN）与长短期记忆网络（LSTM）的煤自燃温度预测模型，以充分挖掘气体指标的时序特征。进一步引入改进麻雀搜索算法（ISSA）对模型超参数进行智能寻优，形成ISSA-CNN-LSTM预测模型。实验结果表明：与LSTM及未优化的CNN-LSTM模型相比，ISSA-CNN-LSTM在E_MA、E_MAP、E_RMS和R²等指标上均表现最优，决定系数达到0.995 4，具有更高的预测精度和泛化能力，对煤自燃温度预测与防控具有重要应用价值。

关键词

煤自然发火 / 温度预测 / 气体指标 / CNN-LSTM模型 / 深度学习

基金资助

黑龙江省省属高等学校基本科研业务费项目（2024-KYYWF-1106）; 黑龙江省“揭榜挂帅”科技攻关项目（2021ZXJ02A03）