微震监测数据对煤矿冲击地压等动力灾害预测和预警具有重要作用，利用历史微震监测数据来预测未来微震事件的演化特征是提高冲击灾害预测和预警时效性与准确性的有效方法。然而，由于微震数据是典型的非平稳时间序列，一般的时序预测方法很难进行准确的预测。为此，本文提出了一种基于模态分解技术和深度学习方法相结合的微震时序预测方法。该方法首先使用自适应噪声完备集合经验模态分解（CEEMDAN）将微震数据分解为多个本征模态序列。然后，通过样本熵将分解后的序列重构为高频、低频和趋势序列。接着，利用变分模态分解（VMD）将高频和低频序列再次分解为多个新的本征模态序列，用作微震数据的多元特征时间序列。最后，将一定时窗内的微震多元特征时间序列和历史微震数据作为输入，下一时刻的微震监测数据作为输出，建立了卷积神经网络（CNN）和长短期记忆网络（LSTM）相结合的微震时序预测模型，并采用贝叶斯优化方法对模型的超参数进行寻优，提高微震预测的准确性。依托新巨龙煤矿多个工作面微震监测数据，使用本文方法对微震日最大能量、日平均能量和日频次进行了预测，并针对微震日最大能量数据进行了系列对比试验研究。结果表明，本文提出的方法能够较好地预测微震事件演化趋势，预测结果和实际监测值误差较小，具有良好的预测性能和泛化性能。研究成果可为矿井冲击灾害预测和预警提供参考和借鉴。

1 引言
2 研究问题及方法
2.1 微震监测简介及时序预测原理
2.2 模态分解方法概述
2.3 样本熵
2.4 CNN
2.5 LSTM
2.6 贝叶斯优化算法
3 微震时序预测模型建立
3.1 基于模态分解的微震多元特征时间序列构建
3.2 基于贝叶斯优化的CNN-LSTM混合网络模型设计
3.3 模型评价指标
4 模型验证及分析
4.1 工程背景及数据选取
4.2 微震数据模态分解处理
4.3 模型训练
4.4 预测结果分析
5 讨论
5.1 不进行模态分解时不同神经网络模型直接预测效果
5.2 采用本文重分解方法时不同神经网络模型预测效果
5.3 采用不同一次分解方法时本文神经网络模型预测效果
5.4 采用不同重分解方法时本文神经网络模型预测效果
5.5 方法扩展与应用
6 结论