矿井涌水量的准确预测，对于矿井防治水及高效、安全生产具有重要意义。为了解决矿井涌水预测问题，引入深度学习理论，将长短期记忆网络(LSTM)和门控循环单元(GRU)进行结合，选取矿井涌水量为研究对象，建立一种LSTM-GRU的矿井涌水预测模型。以陕西某矿的矿井涌水量为样本数据，采用7：3的比例将数据集划分为训练集和测试集，选择模型训练效果较好的梯度下降算法确定网络模型参数和正则化参数，为了证明LSTM-GRU模型的预测精度，同时将结果分别与传统的ARIMA模型和LSTM模型预测矿井涌水所得到的预测结果进行对比。结果表明：LSTM-GRU复合模型的平均绝对百分比误差(RMSE)为70.51，均方根误差(MAE)为53.4，平均绝对误差(MAPE)为2.80%，可决系数(R2)为0.86，具有较高的预测精度和可靠性，预测效果优于传统的ARIMA模型和LSTM模型。

1 研究方法
1.1 长短时记忆神经网络（LSTM）
1.2 门控循环单元神经网络（GRU）
1.3 LSTM-GRU复合模型
1.4 模型的评价
2 矿井涌水量情况
2.1 矿井涌水量变化规律
2.2 矿井涌水事件
3 结果与讨论
3.1 LSTM-GRU模型的矿井涌水量预测
3.2 不同模型预测结果综合对比分析
4结 语

连会青,李启兴,王瑞等.基于深度学习的LSTM-GRU复合模型矿井涌水量预测方法研究[J/OL].煤矿安全:1-7[2023-09-05].http://kns.cnki.net/kcms/detail/21.1232.TD.20230902.1311.002.html