基于深度时间序列模型xLSTM-Informer的矿压数据预测方法研究OA

针对矿压时序数据强非线性与长程依赖特性导致的预测难题,本文提出一种融合扩展长短期记忆网络(xLSTM)与长序列预测模型(Informer)的xLSTM-Infomer预测方法。较于传统单一模型,该模型利用xLSTM精细捕捉局部动态特征的能力,并结合Informer全局长程依赖高效建模的特性,实现了对矿压演化规律的长期预测。为验证模型的预测能力,本文以新疆硫磺沟煤矿的倾斜厚煤层工作面为背景,对工作面矿压数据进行预测,实验结果表明,与LSTM、Informer等基准模型相比,本文所建立的模型预测性能有较高提升,不同部位预测结果的决定系数R^(2)均在93%以上,最高的R^(2)达到了98.21%,且较于对比模型在MAE与RMSE的指标上也均处于最低水平,同时模型在复杂工况下也能表现出较高的预测精度,这为实现智能矿压监测与灾害预警提供了可靠的技术支撑。