一种基于CNN-BiLSTM的瓦斯浓度时序预测方法

本发明涉及矿山瓦斯灾害预测技术领域，具体为一种基于CNN‑BiLSTM的瓦斯浓度时序预测方法。首先，应用卷积神经网络(CNN)对输入时序数据进行特征提取，优化输入特征，并结合双向长短时记忆网络(BiLSTM)捕捉数据的时序信息，以增强模型对瓦斯浓度变化的敏感度；接着，通过融合正余弦和柯西变异改进麻雀搜索算法(SCSSA)，提高搜索性能、全局收敛性及复杂非线性优化能力，进而优化模型超参数；然后，通过完全自适应噪声集合经验模态分解(CEEMDAN)对初始瓦斯浓度数据进行分解与重构，以提取数据的多尺度特征；最后，训练模型，建立CNN‑BiLSTM预测模型，并通过对比模型及评价指标验证了其性能。本发明提出的瓦斯浓度时序预测方法，结合了信号分解与重构多尺度提取数据特征的能力，改进搜索算法的寻优能力与深度学习的时序特征提取与学习能力，提高了瓦斯浓度的预测能力，对煤矿开采过程中瓦斯灾害的防治具有重大意义。