(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111412478.1 (22)申请日 2021.11.25 (71)申请人 安徽理工大 学 地址 232000 安徽省淮南市泰丰大街168号 (72)发明人 王向前　徐宁可　孟祥瑞　杨超宇　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 代理人 符继超 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LS TM-LightGBM变权组合模型的瓦 斯浓度预测方法 (57)摘要 本发明公开了一种基于LS TM‑LightGBM变权 组合模型的瓦斯浓度预测方法， 包括： 获取煤矿 瓦斯浓度相关数据， 并进行预处理； 构建LSTM和 LightGBM两种模型 获得对应的预测值； 将两种预 测模型的预测值分别与真实值相比较， 通过给两 种模型赋 予的权值来刻画预测的精准度； 根据t ‑ 1时刻的权值以及单机器模型在t时刻的预测值 通过残差 赋权的方式得到对应的预测值； 计算最 优n值， 使用前n时刻权重的平均值对初始时刻进 行赋权， 与残差赋权进行比较， 当改进后的权值 使得误差变小时， 则替换原始权值， 否则权值保 持不变； 实现对目标区域的瓦斯浓度的预测。 该 方法在多个煤矿应用中， 可以获得较为精准的预 测值。 权利要求书2页 说明书7页 附图4页 CN 114169594 A 2022.03.11 CN 114169594 A 1.一种基于LSTM ‑LightGBM变权组合模型的瓦斯浓度预测方法， 其特 征在于， 包括： S10、 获取煤矿瓦斯浓度相关数据， 并进行预处理； 将经预处理后的数据按照预设比例 划分为训练集、 验证集和 测试集； S20、 采用所述训练集分别对LSTM和LightGBM两种模型进行训练， 采用验证集用于调整 参数以及监控两种模型； 将测试集分别输入两种模型获得对应的预测值； S30、 将两种预测模型的预测值分别与真实值相比较， 通过给两种模型赋予的权值来刻 画预测的精 准度； 根据t ‑1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方 式得到对应的预测值； S40、 计算最优n值， 使用前n时刻权重的平均 值对初始时刻进行赋权， 与 步骤S30中的残 差赋权进行比较， 当改进后的权值使得误差变小时， 则替换原始权值， 否则权值保持不变； 实现对目标区域的瓦斯浓度的预测。 2.根据权利要求1所述的方法， 其特征在于， 获取煤矿瓦斯浓度相关数据， 并进行预处 理； 包括： 提取煤矿工作面中的所有测点的数据信息； 通过皮尔逊积相关系数刻画变量之间的相关性， 选取与瓦斯浓度相关性较大的数据。 3.根据权利要求1所述的方法， 其特征在于， 根据t ‑1时刻的权值以及单机器模型在t时 刻的预测值 通过残差赋权的方式得到对应的预测值， 包括： 计算各模型在t ‑1时刻预测值与真实值的误差， 计算 误差的公式为： 其中， ωi(t‑1)为t‑1时刻第i个模型的权重， fi(xt)为第i个模型的预测值， h(xt)为组合 模型的预测值， 为t‑1时刻第i个模型的预测误差平方和； m为模型的数量； ωi(t)为t时刻第i个模型的权 重， 作为第一权 重。 4.根据权利要求3所述的方法， 其特征在于， 步骤S40中， 计算最优n值， 使用前n时刻权 重的平均值对初始时刻进行 赋权， 包括： 计算最优n值， 使用前n时刻权 重的平均值对初始时刻进行 赋权， 初始赋权的表达式为： 为改进后的t时刻第i个模型的权 重， 作为第二权 重； n＜t； k∈[1,2,. .n]。 5.根据权利要求4所述的方法， 其特征在于， 步骤S40中： 与步骤S30中的残差赋权进行 比较， 当改进后的权值使得误差变小时， 则替换原始权值， 否则权值保持不变； 实现对目标权　利　要　求　书 1/2 页 2 CN 114169594 A 2区域的瓦斯浓度的预测， 包括： S401、 根据第一权重， 计算t时刻各组合模型的预测值和真实值的误差绝对值， 作为第 一误差； S402、 根据第二权重， 计算t时刻各组合模型的预测值和真实值的误差绝对值， 作为第 二误差； S403、 将所述第一误差和第二误差作比较， 选择较小值对应的权重作为组合模型的权 重， 实现对目标区域的瓦斯浓度的预测。权　利　要　求　书 2/2 页 3 CN 114169594 A 3