基于Informer神经网络的工作面矿压预测研究

简介

为了有效改善工作面矿压预测精度低、泛化能力不足的问题,基于Informer神经网络模型建立矿压时序预测模型,以液压支架采集到的历史矿压数据为输入,实现对未来一段时间的工作面矿压预测。所建立模型基于概率稀疏(ProbSpare)自注意力机制所提取到的矿压输入序列信息,可捕获输入序列的长期依赖关系,并对影响因素之间较为复杂的非线性关系进行建模,从而提高模型预测精度。采用成庄矿XV1307工作面矿压数据进行模型训练和测试,所得结果与粒子群优化BP神经网络(PSO-BP)和长短期记忆网络(LSTM)的预测结果进行对比。结果表明3种模型对未来1~4 d的矿压预测中,Informer神经网络的均方根误差、平均绝对值误差以及决定系数均为最优,取得了较好的预测效果。