针对煤矿微震时序预测问题，数据驱动的深度学习模型能够有效提取微震数据中的关键特征和规律，从而实现精准预测。然而，由于工况条件随工作面的推进不断变化，这使得微震事件的成因复杂且分布无序，单一预测模型学习局部时序特征的方式难以维持稳定而准确的预测效果，且对回采初期无法预测。为提高煤矿微震时序预测的稳定性、完整性和准确性，本文利用海量微震数据，分析了不同工作面、同一工作面不同回采阶段之间的微震时序特征。通过Adaptive-Dickey-Fuller(ADF)平稳性检验和波动性分析，明确了事件成因对微震时序特征的显著影响，构建了对应不同事件成因主导下的多种微震时序数据集。利用Blending集成学习算法，结合一维卷积神经网络(1D-CNN)和双向长短期记忆网络(BiLSTM)，提出了一种基于自适应集成学习的煤矿微震时序预测模型。依托赵楼煤矿7302工作面微震数据，使用集成模型对微震每日最大能量、平均能量和频次进行预测，并针对每日最大能量进行了详细的对比分析。结果表明：在保证预测完整性的前提下（预测时长为600天），本文提出的集成模型能够较好地适应事件成因复杂多变、无序分布的实际情况，预测结果与实际监测值误差较小，各参量拟合优度计算结果均在0.8以上。研究成果可为煤矿微震时序预测提供新思路和借鉴。

1 数据集及数据预处理
1.1数据统计与分析
1.2 微震时序数据集
1.3数据预处理
1.3.1 多元特征提取
1.3.2 模态分解
2 自适应集成预测模型
2.1基于自适应集成学习的煤矿微震时序预测模型设计
2.2 模型评价指标
2.3 子模型训练
2.4 子模型验证
3 自适应集成模型预测及分析
3.1试验工程背景
3.2 自适应集成预测
3.3 预测结果分析
4 讨论
5 结论

王绍琛,王超,李士栋,等.基于自适应集成学习的煤矿微震时序预测模型[J/OL].采矿与岩层控制工程学报,1-13[2025-03-20].https://doi.org/10.13532/j.jmsce.cn10-1638/td.2024-1364.