基于ARIMA-CNN-LSTM的可燃气体智能识别及浓度预测方法

一种基于ARIMA‑CNN‑LSTM的可燃气体智能识别及浓度预测方法，在实验室条件下，通过海量试验过程收集传感器阵列的若干响应数据，并截取初期响应序列作为原始数据集；选用ARIMA模型作为后续响应预测模型，基于原始数据集进行预测，得到后续响应序列，再将初期响应序列和后续响应序列进行融合，形成融合数据集；将融合数据集输入至基于CNN‑LSTM的初始分类及浓度预测模型中，先利用CNN网络从融合响应数据中提取出特征数据，再通过LSTM网络利用特征数据来捕捉时间数据序列中的长期依赖关系，最终通过多任务学习框架并行输出气体分类结果和气体浓度预测值。该方法能在减少响应数据获取时间的同时，极大减少误差累积，能高效精准地实现对气体种类的识别和气体浓度的确定。