采用光纤传感器监测的光纤频移值对矿压显现规律进行表征的过程中，传感器采集的数据存在缺失现象，无法准确预测矿压显现规律。针对该问题，以千秋煤矿为工程背景，在假设光纤下半部分数据丢失的前提下，引入GRU(门控循环单元)和LSTM(长短期记忆网络)2种预测模型，对缺失的光纤频移值进行对比预测，得出GRU模型的收敛速度优于LSTM模型的收敛速度，说明基于GRU模型的缺失值处理方法较优。将原始完整的光纤频移值转换为可表征矿压显现位置的光纤平均频移变化度，引入XGBoost(极端梯度提升)模型和BP神经网络模型进行对比预测，XGBoost模型能准确预测出测试集中所有出现“尖峰”的位置，而BP神经网络模型只预测出2处“尖峰”位置，说明XGBoost模型的预测效果优于BP神经网络模型的预测效果。将预测出的光纤频移缺失值替换至缺失位置，形成“完整”光纤频移值数据，将该数据转换为光纤平均频移变化度后，采用XGBoost模型进行预测。验证结果表明：LSTM模型及GRU模型均可准确预测出光纤下半部分的数据，且GRU模型准确性较LSTM模型准确性高；使用XGBoost可准确预测出测试集中出现的周期来压；通过GRU模型预测出的缺失数据经整合至缺失位置后，使用XGBoost模型仍可进行有效的矿压预测。

0 引言

1 相似物理模型及光纤数据监测系统搭建

   1.1 相似物理模型搭建

   1.2 光纤数据监测系统搭建

2 相关原理

   2.1 光纤频移数据表征矿压原理

   2.2 GRU预测原理

   2.3 XGBoost预测原理

   2.4 评估指标

3 基于GRU模型的缺失值处理

   3.1 参数设置

   3.2 实验结果分析

   3.3 GRU模型泛化能力评估

4 基于XGBoost模型的矿压预测

   4.1 数据预处理

   4.2 数据集构建

   4.3 矿压预测

5 实验验证

6 结论