目前基于机器学习的煤自燃温度预测方法在预测准确性方面有待进一步提高。基于深度学习的方法多数仅针对单一监测点进行预测，对于多监测点情况，无法考虑监测点的空间关系。另外，在预测步长方面，目前大部分研究致力于提高煤自燃温度的单步长预测精度，对煤自燃温度的多步长预测研究较少。

      煤矿采空区气体是流动的，不同位置的遗煤量也不同。对采空区沿空侧进行监测时，布置的多个监测点之间具有空间关联性，所以在预测采空区煤自燃温度时，需将采空区多个煤自燃监测点作为一个整体进行研究。本文将图注意力网络（GAT）与Informer模型进行融合，提出了一种GAT−Informer模型，用于采空区煤自燃温度预测。

      GAT−Informer模型由输入层、GAT、Informer模型和输出层4个部分组成，如下图所示。

     首先，采用随机森林回归法和Savitzky−Golay滤波器对采空区沿空侧煤自燃监测数据中的异常值、缺失值和噪声进行处理，并使用Z−score方法对数据进行标准化。其次，采用GAT提取多个监测点煤自燃监测数据间的空间特征。然后，使用Informer模型的编码器对包含空间特征的数据进行编码，利用多头概率稀疏自注意力机制捕捉数据之间的长期依赖关系和时间特征；解码器通过交叉注意力机制与编码器交互，结合编码器提取的全局特征与目标序列的上下文依赖关系，生成特征矩阵并输入全连接层，得到煤自燃温度预测值。最后，对Informer模型输出的煤自燃温度预测值进行反标准化处理，恢复到原始数据尺度，得到最终的预测结果。

      基于陕西某煤矿采空区沿空侧煤柱部署的6个煤自燃监测点的监测数据进行分析。实验中分别采用循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、Informer和GAT−Informer模型进行煤自燃温度预测。

     为评估模型性能，选取均方误差（MSE）及平均绝对误差（MAE）作为评价指标。不同模型预测结果对比见下表。可看出与RNN，LSTM，GRU和Informer模型相比，GAT−Informer模型在6个监测点上均取得了最好的预测效果。

      针对监测点6，GAT−Informer模型预测未来24个步长的煤自燃温度结果如下图所示。可看出煤自燃温度预测值与真实值相差不大，趋势大致相同，煤自燃温度范围为37.4～37.7℃，变化幅度较小，说明该模型在对煤自燃温度的多步长预测时具有良好的效果。

      贾澎涛，西安科技大学计算机科学与技术学院教授，博士，中国人工智能学会委员，陕西省人工智能专委会副秘书长。主要研究方向为人工智能及应用、深度学习、智慧矿山。主持参与国家级、省部级、企事业单位科研项目多项，涉及煤矿、地下工程、交通、水资源等领域。获得陕西省科学技术奖二等奖1项，西安市科学技术二等奖1项、三等奖2项，中国煤炭协会科学技术二等奖1项。发表学术论文50余篇。获软件著作权和专利20余项。

贾澎涛，张杰，郭风景. 基于GAT−Informer的采空区煤自燃温度预测模型[J]. 工矿自动化，2024，50（11）：92-98, 108.

JIA Pengtao, ZHANG Jie, GUO Fengjing. Coal spontaneous combustion temperature prediction model for goaf area based on GAT-Informer[J]. Journal of Mine Automation，2024，50（11）：92-98, 108.