在面向大量特征和大数据时，传统方法存在无法将瓦斯浓度和其影响因素有效耦合起来的问题，导致预测精度低和效率差等。针对传统瓦斯浓度预测方法存在的问题，创新性地提出运用皮尔逊（Pearson）系数对瓦斯浓度数据进行特征选择，再使用自适应矩估计（Adam）优化的长短期记忆神经网络（LSTM）进行时序性预测的方法，并在模型构建的过程中通过比较拟合效果、运行时间和结果误差三个指标不断的调整网络层数和批尺寸（Batch Size）大小得到最优的预测模型。以玉华煤矿2407工作面监测数据为样本，与传统机器学习双向循环神经网络（Bi-RNN）和门控递归单元（GRU）进行对比。结果表明：Pearson-LSTM预测模型更精确，模型的平均均方误差可降到0.015，误差范围为0.005～0.04，对瓦斯浓度时间序列预测具有较好的精确性和鲁棒性。并在玉华煤矿2409工作面进行超前15min预测，均方误差可降到0.008，验证了模型的适用性和可靠性，为煤矿安全生产提供参考意见。

刘超,张爱琳,李树刚,薛俊华,雷晨,张超.基于Pearson特征选择的LSTM工作面瓦斯浓度预测模型及应用[J/OL].煤炭科学技术:1-9[2023-06-14].DOI:10.13199/j.cnki.cst.2022-1618.