高维小样本下煤与瓦斯突出集成学习预测模型

摘要

煤与瓦斯突出预测数据具有高维、小样本等特征，给预测建模带来巨大挑战。针对这一问题，通过构建包含瓦斯压力、瓦斯含量、煤体破坏类型等7个指标的60组样本数据库，采用排列重要性降维方法进行特征降维，筛选出5个关键特征（瓦斯放散初速度、煤层厚度、瓦斯含量、瓦斯压力和煤的坚固系数）,以减少弱相关特征对预测建模的影响；选取支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）、逻辑回归（LR）和梯度提升算法（XGBoost）作为基学习器，XGBoost为元学习器构建Stacking集成模型，并结合贝叶斯优化（BO）算法对模型超参数进行全局寻优，构建一种煤与瓦斯突出预测的BO-Stacking集成模型，并采用沙普利加和解释（SHAP）方法对模型预测结果进行可解释性分析。结果表明：经过特征降维后的BO-Stacking模型准确率、F₁值、Kappa系数和AUC值分别为92.4%、0.956、0.927和0.969,均优于各单一模型的预测性能；各特征指标对预测结果的影响大小排序为瓦斯放散初速度>瓦斯含量>瓦斯压力>煤的坚固系数>煤层厚度。BO-Stacking集成学习模型具有良好的预测性能和稳定性，为煤与瓦斯突出预测提供了一种新方法。

关键词

煤与瓦斯突出预测 / 特征降维 / Stacking集成学习 / 贝叶斯优化 / SHAP可解释性