一种基于MSADBO-CNN-GRU-Attention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MSADBO‑CNN‑GRU‑Attention的瓦斯浓度时序预测方法。首先，使用动态Pearson相关性分析，基于1小时的时间窗口对各指标进行赋权，揭示不同时间段主导瓦斯浓度的关键因素，从而减弱无关因素的干扰同时增强关键因素的信号强度。接着，应用卷积神经网络(CNN)对数据进行局部特征提取并捕捉多尺度信息，结合门控循环单元(GRU)学习时间序列数据长期依赖关系并传递时间步间的状态信息，添加Attention机制对GRU输出的隐藏状态进行加权以突出关键时间节点的重要性并提升多步预测的准确性。然后，融合改进正弦算法、自适应高斯‑柯西混合变异扰动及Bernoulli混沌映射改进蜣螂搜索算法得到MSADBO，进而全局自适应优化模型超参数。最后，训练模型，建立基于MSADBO‑CNN‑GRU‑Attention的预测模型，并通过对比模型验证了其性能。本发明提出的瓦斯浓度多指标多步长时序预测方法，结合了参数自适应性、特征挖掘与深度时序建模，提高了瓦斯浓度的预测性能，为复杂工况下瓦斯浓度的高精度多步时序预测提供了解决方案。