为了提高矿井油型气含量的预测精度和准确性，提出1种基于多元数据融合的精准判定方法。首先，分析了影响油型气含量的主要因素，收集了27组矿井实际测量数据；通过对数据进行深入分析，使用XGBoost算法筛选出了埋深、顶底板岩性、褶皱及孔隙率作为关键特征，并对其进行了标准化处理，以确保不同量纲的数据在建模过程中能够得到合理的融合；采用克里金插值法、最小二乘支持向量机、多层感知器和梯度提升回归树4种经典的机器学习算法进行初步预测，针对油型气含量这一回归问题进行了比较分析。结果表明：梯度提升回归树算法在预测性能上表现最佳，其判定系数达到0.987，归一化均方误差在0.001～0.010之间，总信息准则则在0.019～0.046之间；结合Stacking堆叠算法进一步提升预测精度，Stacking方法通过将多个基学习器的预测结果作为新特征进行融合，在此基础上，利用改进的鲸鱼优化算法对各基学习器的权重进行优化；为了进一步提升模型的预测能力，引入双向长短期记忆网络，通过元学习机制对基学习器的预测结果进行深度学习，以捕捉更复杂的非线性关系和时序信息，构建了最终的融合模型，模型在测试集上的表现显著优于传统的单一算法；模型的预测平均绝对误差为0.111 m3/t，归一化均方误差平均值为0.006，总信息准则平均值为0.004，判定系数高于0.98，显示出其在矿井油型气含量预测中的高精度和稳定性。

苏嘉豪,刘扬,孙亮,等.基于多元融合算法的矿井油型气含量预测[J/OL].煤矿安全,1-12[2025-03-07].https://doi.org/10.13347/j.cnki.mkaq.20241129.