本發(fā)明屬于礦震預(yù)測(cè)領(lǐng)域，特別涉及一種礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)方法，具體涉及一種融合加權(quán)圖擴(kuò)散卷積與多因素特征的煤礦礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)。

背景技術(shù)：

1、礦震的有效預(yù)測(cè)對(duì)于煤礦的安全生產(chǎn)具有至關(guān)重要的意義。隨著礦震監(jiān)測(cè)傳感器不斷生成海量的時(shí)空?qǐng)D數(shù)據(jù)，深入挖掘這些數(shù)據(jù)中的特征模式，并捕捉其共性的時(shí)空動(dòng)態(tài)依賴關(guān)系，成為實(shí)現(xiàn)礦震時(shí)空?qǐng)D數(shù)據(jù)預(yù)測(cè)的關(guān)鍵所在。

2、時(shí)空?qǐng)D數(shù)據(jù)建模方式包括動(dòng)態(tài)建模和數(shù)據(jù)驅(qū)動(dòng)方法。動(dòng)態(tài)建模采用數(shù)學(xué)建模方式，具有嚴(yán)格的條件假設(shè)，需要特征提取或人工干預(yù)，限制了模型的靈活性。數(shù)據(jù)驅(qū)動(dòng)方法多采用統(tǒng)計(jì)學(xué)習(xí)和機(jī)器學(xué)習(xí)方式，但往往忽略了數(shù)據(jù)時(shí)空關(guān)聯(lián)性。近年來(lái)，研究人員結(jié)合圖神經(jīng)網(wǎng)絡(luò)與時(shí)序?qū)W習(xí)模型，使預(yù)測(cè)結(jié)果有了一定提高。時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)(st-gnn)的出現(xiàn)為解決時(shí)空?qǐng)D數(shù)據(jù)預(yù)測(cè)獲得空間相關(guān)性的問(wèn)題提供了新的見(jiàn)解，并實(shí)現(xiàn)了最先進(jìn)的性能。目前大多數(shù)研究將時(shí)空?qǐng)D視為靜態(tài)圖結(jié)構(gòu)，而實(shí)際時(shí)空演變是動(dòng)態(tài)相關(guān)的，且受多種特征因素影響呈現(xiàn)復(fù)雜多樣性變化。在單因素場(chǎng)景下，時(shí)空?qǐng)D數(shù)據(jù)存在復(fù)雜時(shí)空動(dòng)態(tài)關(guān)聯(lián)，導(dǎo)致無(wú)法有效捕獲時(shí)空依賴性。在多因素場(chǎng)景下，時(shí)空?qǐng)D數(shù)據(jù)受外部環(huán)境及多特征影響呈現(xiàn)復(fù)雜異質(zhì)性，導(dǎo)致無(wú)法精確預(yù)測(cè)。并且時(shí)空?qǐng)D數(shù)據(jù)的動(dòng)態(tài)性、異質(zhì)性和非平穩(wěn)性特點(diǎn)為時(shí)空?qǐng)D學(xué)習(xí)帶來(lái)了持續(xù)性的挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本為解決現(xiàn)有礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)的問(wèn)題，本發(fā)提供了融合加權(quán)圖擴(kuò)散卷積與多因素特征的預(yù)測(cè)方法，并且通過(guò)實(shí)例應(yīng)用驗(yàn)證了方法的可靠性。

2、本發(fā)明的融合加權(quán)圖擴(kuò)散卷積與多因素特征的煤礦礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)，步驟如下：

3、步驟1圖結(jié)構(gòu)動(dòng)態(tài)加權(quán)

4、時(shí)空?qǐng)D結(jié)構(gòu)數(shù)據(jù)表示為gt＝(v,e,xt)，特征矩陣xt∈rn×d。n為節(jié)點(diǎn)數(shù)，d為節(jié)點(diǎn)特征維度，v,e表示頂點(diǎn)集和邊權(quán)重集；矩陣a表示(v,e)，t時(shí)刻圖gt＝(as,ah,xt)，其中as∈rn×n，ah∈rn×n為顯式圖結(jié)構(gòu)和語(yǔ)義鄰接關(guān)系下預(yù)定義鄰接矩陣。利用dijkstra算法定義節(jié)點(diǎn)間權(quán)重ddst，利用動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算節(jié)點(diǎn)語(yǔ)義相似度sdtw，使用閾值高斯核函數(shù)構(gòu)建σ是標(biāo)準(zhǔn)方差，τ是閾值；

5、將預(yù)定義矩陣as和ah直接作為輸入數(shù)據(jù)，不能反映真實(shí)圖上復(fù)雜動(dòng)態(tài)空間依賴性，因此提出動(dòng)態(tài)加權(quán)方法有效挖掘動(dòng)態(tài)空間特征，將as加權(quán)方式記為md，將ah加權(quán)方式記為ga，md由兩個(gè)可學(xué)習(xí)參數(shù)es,eo∈rn×c組成，其中es,eo分別是源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)嵌入，將結(jié)構(gòu)權(quán)重矩陣as用amd進(jìn)行加權(quán)，得到動(dòng)態(tài)加權(quán)矩陣asmd，其表示如式(1)所示：

6、asmd＝as+amd＝as+softmax(relu(eseot))?????????????????(1)

7、ga為捕獲t時(shí)序內(nèi)節(jié)點(diǎn)臨時(shí)空間關(guān)系使用時(shí)序聚合器沿時(shí)間維度聚合節(jié)點(diǎn)屬性h，之后利用節(jié)點(diǎn)之間注意力關(guān)系獲取權(quán)重矩陣aga，ta實(shí)現(xiàn)方式如式(2)所示：

8、

9、其中*表示2維互相關(guān)運(yùn)算，是輸出信號(hào)，是訓(xùn)練參數(shù)。之后計(jì)算鄰域?qū)i,vj注意力系數(shù)，所有節(jié)點(diǎn)的注意力系數(shù)構(gòu)成aga，最后對(duì)ah加權(quán)得到ahga，表示如式(3)(4)所示，其中a∈r2m是單層前饋神經(jīng)網(wǎng)絡(luò)，ni為節(jié)點(diǎn)i鄰域節(jié)點(diǎn)集，hi∈rb×c×t，||表示拼接。

10、

11、ahga＝ah+eaga???????(4)。

12、步驟2時(shí)空特征學(xué)習(xí)

13、為實(shí)現(xiàn)空間特征有效學(xué)習(xí)，將步驟1得到的動(dòng)態(tài)加權(quán)矩陣進(jìn)行融合，則擴(kuò)散卷積

14、過(guò)程表示為式(5)(6)所示：

15、

16、pf＝al/rowsum(al),pb＝alt/rowsum(alt)????????????????(6)

17、其中x∈rn×d為輸入信號(hào)，z∈rn×m為輸出，w∈rd×m為模型參數(shù)矩陣，al為asmd或ahga動(dòng)態(tài)加權(quán)矩陣；采用glu門控單元融合兩種空間學(xué)習(xí)結(jié)果，如公式(8)所示，σ為sigmoid函數(shù)，*g為圖卷積；

18、z＝(θ1*gx+b1)θσ(θ2*gx+b2)???????????????????(7)

19、為實(shí)現(xiàn)時(shí)間特征有效學(xué)習(xí)，通過(guò)tcn擴(kuò)大時(shí)序數(shù)據(jù)處理范圍，當(dāng)tcn為多維輸入卷積核δl∈rk×d×2d將輸入映射為al,bl表示有相同通道數(shù)目分割結(jié)果，卷積過(guò)程如下所示：

20、

21、al,bl＝xl-1*δl??????????????????????(9)

22、其中*為擴(kuò)展因果卷積,k為卷積核，s為步長(zhǎng)，d為擴(kuò)展因子，由于門控機(jī)制能充分建模時(shí)間維度上非線性關(guān)系，利用glu門控機(jī)制獲取強(qiáng)弱依賴關(guān)系，如式(10)，θ為矩陣hadamard乘積，σ為sigmoid函數(shù)，表示l層輸出；

23、zl＝alθσ(bl)??????????????????????(10)

24、串聯(lián)門控?cái)U(kuò)展因果卷積與門控加權(quán)圖擴(kuò)散卷形成st-block提取時(shí)空特征關(guān)系，為避免模型退化，在st-block間添加殘差連接。

25、步驟3多因素特征融合預(yù)測(cè)

26、時(shí)空數(shù)據(jù)受時(shí)間粒度影響生成不同依賴關(guān)系呈現(xiàn)不同的周期模式，因此，將輸入x處理為小時(shí)和天序列，設(shè)p是兩個(gè)連續(xù)時(shí)間片間隔，令gh＝60/p，gd＝24×gh，sh＝q/gh，sd＝q/gd，q為序列總長(zhǎng)度，輸入時(shí)間序列定義為：xh:＝{xt0-shgh+1,...,xt0-shgh+h,...,xt0-gh+h}，xd:＝{xt0-sdgd+1,...,xt0-sdgd+h,...,xt0-gd+h}將這兩個(gè)時(shí)序數(shù)據(jù)分別輸入鄰近與周期組件，輸出結(jié)果為輸出步驟2處描述的三組特征值，然后將特征值融合；

27、時(shí)空數(shù)據(jù)有多種屬性特征，需要考慮多屬性特征對(duì)目標(biāo)特征預(yù)測(cè)影響，為減小模型參量使用tcn+gcn構(gòu)成特征提取塊實(shí)現(xiàn)外部屬性特征對(duì)目標(biāo)特征關(guān)系提取，由于三個(gè)組件權(quán)重?cái)?shù)據(jù)具有不同比重，因此將輸出進(jìn)行加權(quán)融合，周期組件pc和鄰近組件ac輸出為和外部組件輸出為加權(quán)融合如式(11)所示：

28、

29、其中wh,wd,we為可學(xué)習(xí)參數(shù)，θ為哈達(dá)瑪積，為組件預(yù)測(cè)結(jié)果，為最終預(yù)測(cè)值，即為預(yù)測(cè)微震序列數(shù)據(jù)值。

30、本發(fā)明創(chuàng)造的有益效果為：本發(fā)明提出的融合加權(quán)圖擴(kuò)散卷積與多因素特征的煤礦礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)，解決了現(xiàn)有方法在學(xué)習(xí)過(guò)程中將時(shí)空?qǐng)D表示為固定圖結(jié)構(gòu)，且忽略了周期性及多因素特點(diǎn)不能有效捕捉時(shí)空動(dòng)態(tài)依賴性的問(wèn)題。模型預(yù)測(cè)結(jié)果不僅在mae，rmse，mape均得到提升，并且為礦震預(yù)測(cè)提供了有利工具。

技術(shù)特征：

1.融合加權(quán)圖擴(kuò)散卷積與多因素特征的煤礦礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)，其特征在于：

技術(shù)總結(jié)
融合加權(quán)圖擴(kuò)散卷積與多因素特征的煤礦礦震時(shí)空?qǐng)D節(jié)點(diǎn)屬性預(yù)測(cè)，屬于礦震預(yù)測(cè)領(lǐng)域領(lǐng)域。步驟為：首先將時(shí)空?qǐng)D數(shù)據(jù)按時(shí)間粒度劃分，然后通過(guò)Conv進(jìn)行特征映射。其次，將映射特征分別通過(guò)三個(gè)組件，每個(gè)組件由ST?Block捕獲時(shí)空動(dòng)態(tài)相關(guān)性。然后，在ST?Block間加入殘差連接Res避免深層模型梯度消失。最后，將三個(gè)組件輸出進(jìn)行加權(quán)融合獲取三個(gè)模式不同權(quán)重關(guān)系，將融合數(shù)據(jù)通過(guò)Conv輸出預(yù)測(cè)結(jié)果。

技術(shù)研發(fā)人員：丁琳琳,于海友,司夢(mèng)君垚,朱晨利,馮文彬,包鑫陽(yáng)
受保護(hù)的技術(shù)使用者：遼寧大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15