基于LSTM神经网络的煤矿突水预测_董丽丽.pdf

第 47 卷 第 2 期 煤田地质与勘探 Vol. 47 No.2 2019 年 4 月 COAL GEOLOGY feature selection; prediction of water inrush from coal seam floor 煤炭是我国的主要能源，约占一次性能源的 70。富煤、贫油、少气的资源特点决定了我国在 未来相当长的时期内仍将以煤炭作为主要能源[1]。 然而在煤矿开采与建设过程中，带来了很多的安全 问题与隐患[2]。由于我国煤炭地质条件比较复杂， 加之在煤矿突水的预防、探测、监测等技术方面受 到一定限制，导致煤矿突水事故频发，给煤矿安全 生产和煤矿工作者的生命带来了严重威胁[3]。因此， 研究煤矿突水预测模型，对指导煤矿安全生产具有 重要的社会意义和应用价值。 煤层底板突水预测问题的研究是与煤层底板突 水机理的研究紧密结合在一起的，国内外众多学者 通过研究底板突水机理，确定突水指标体系，将数 据挖掘回归分析[4-6]、数据挖掘分类技术[7]、地理信 ChaoXing 138 煤田地质与勘探 第 47 卷 息系统[8]、极限学习机[2,9-11]、支持向量机[12]、神经 网络[3]等应用到煤层底板突水预测中，并对突水危 险性进行分析与评价[13-14]，在此基础上构建了煤矿 底板突水实时监控系统[15]，对煤矿的安全生产提供 指导。 对于煤矿的实际情况来说，在采动等外因的作 用下，某一回采点影响突水的因素会随时间不断变 化。因此，煤矿突水实例的样本数据属于时间序列 数据。而目前已有的突水预测模型无法很好地处理 时间序列数据，无法学习一系列样本数据的变化规 律及其对突水预测的影响， 使得预测的正确率不高、 鲁棒性差。针对该问题，本文采用长短时记忆Long Short-Term Memory， 简称 LSTM神经网络构建突水 预测模型，该模型适合处理时间序列数据，能够有 效过滤缺失数据和噪声数据，学习一系列样本数据 的变化规律及其对煤矿突水预测的影响，对煤层底 板突水进行更可靠的预测。 1 突水影响因素分析 煤矿突水事故是在多种影响因素共同作用下发 生的，多种影响因素会因为相互间的作用而随时间 不断变化，因此突水是一个复杂的非线性系统。我 国对突水规律方面的研究是从 20 世纪 60 年代开始 的，最早提出了突水系数法[16]。70 年代以后，在 不断完善突水系数法的基础上， 还建立了一系列基 于经验公式和力学模型的突水理论，包括“下三带” 理论[17]、薄板理论[18]、“原位张裂”与“零位破坏” 理论[9]、“岩水应力关系”说[19]、“强渗通道”说[20]、 KS 关键层理论[9]等。从上述理论可知，煤层底板突 水问题以水文地质条件为基础背景，受到隔水层岩 性组合条件、构造情况、含水层条件及开采方法等 诸多因素的影响和控制。突水一般都是多种因素共 同作用而发生的，通过对突水机理的总结和研究， 分析得出影响煤层底板突水的主要因素分别是含 水层因素、隔水层因素、煤层条件、构造条件、开 采条件。 通过总结上述因素、分析已有的指标体系、参 考实际获得的数据，笔者将煤层底板突水影响因素 分为 5 项一级指标和 14 项二级指标，如表 1 所示。 本文后续使用二级指标相对应的数据对煤矿突水进 行预测分析。 2 基于 LSTM 神经网络的煤矿突水预测 2.1 LSTM 神经网络概述 在传统的神经网络模型中，数据是从输入层到 表 1 影响煤层底板突水的因素 Table 1 Factors affecting coal floor water inrush 一级指标 二级指标 含水层厚度 水压 含水层因素 距工作面距离 砂岩段厚度 泥岩段厚度 隔水层因素 灰岩段厚度 煤层厚度 煤层条件 煤层倾角 有无构造 断层落差 构造条件 是否裂隙带 开采面积 采高 开采条件 走向长度 隐含层再到输出层，层与层之间是全连接的，每层 之内的节点是无连接的，这种模型对于处理时间序 列数据无能为力。循环神经网络Recurrent Neural Networks， 简称 RNN的目的就是用来处理时间序列 数据。但是，原生的 RNN 会遇到梯度消失的问题， LSTM 的出现彻底解决了这个问题。LSTM 是 RNN 的一种特殊类型， LSTM 在 RNN 的基础上增加了一 个状态 c，使其能够保存长期状态，从而解决了只 有一个隐藏层状态 h 的 RNN 模型所存在的问题， LSTM 神经网络拓扑结构如图 1 所示。 图 1 LSTM 神经网络拓扑结构图 Fig.1 Topological structure of LSTM neural network 对于状态c、 状态 h以及模型输出的计算， LSTM 模型中加入了输入门、输出门、遗忘门 3 个专门用 于计算的复合单元。于是，LSTM 模型在语音、图 像、自然语言处理等领域取得重大突破。现在越来 越多的学者将 LSTM 模型应用到预测方面，例如经 济预测、轨迹预测、疾病预测等。P. Malhotra 等[21] 以长短时记忆网络为基础构建了 LSTM-Encoder- Decoder 模型，使用机器的多传感器时间序列数据， 对机器的剩余使用寿命进行预测。孙瑞奇等[22]对 LSTM 模型进行了算法改进和模型结构改进，通过 对已有股票市场数据的学习，挖掘出股票价格时间 序列中的固有规律，从而实现股票走势预测。 ChaoXing 第 2 期 董丽丽等 基于 LSTM 神经网络的煤矿突水预测 139 2.2 模型结构设计 在处理突水问题时，根据数据的特点，可以 将该问题看作是一个序列标注和分类问题的结 合。每组序列数据除了对最终结果有影响之外， 每条数据自身也有标签，模型可以在学习序列数 据对最终结果影响的基础上，根据每条数据标签 来做一些修正。 模型整体框架如图 2 所示。模型共分为 3 层， 由下至上依次为第一层是输入层，输入层节点数 为 10，负责将数据输入到隐藏层，时间步为 6，即 一次输入 6 条数据；第二层是隐藏层，隐藏层为 1 层，隐藏层节点数为 32；第三层是输出层，输出层 节点数为 2，负责将隐藏层输出的结果用 SoftMax 分类器 [23]分类并输出。由于隐藏层的输出采用 One-Hot独热编码[24]，因此需要一个解码过程，才 能得到真正的输出。 图 2 模型按时间步展开图 Fig.2 Model expanded by time step LSTM 单元都是指同一个单元，单元结构如 图 3 所示。该 LSTM 单元包括遗忘门 ft、输入门 it、 输出门 ot、单元状态 ct、输入 xt、输出 ht，t 表示当 前时刻，t–1 表示上一时刻。通过遗忘门和输入门控 制单元状态 ct，遗忘门决定上一时刻的单元状态有 多少保留到当前时刻，输入门决定当前时刻的输入 有多少保留到单元状态。输出门决定单元状态有多 少输出到当前时刻的输出。由于隐藏层的输出采用 One-Hot 编码，即“01”表示“0”，“10”表示“1”，故隐 藏层的输出为 2 维向量。 隐藏层输入为一个 10 维向 量和一个 2 维向量，10 维向量来自于输入层，2 维 向量来自于上一时刻的隐藏层的输出。隐藏层有 2 个方向的输出，一个是输出到输出层的 2 维向量， 另一个是输出到下一时刻隐藏层的 2 维向量。 输出层收到隐藏层传来的最后一个时刻的输出 值后，通过 SoftMax 分类器对隐藏层 LSTM 单元的 最后一个时刻的输出值进行解码操作，转变为“0” 或者“1”，即为预测结果。“0”表示“不突水”，“1”表 示“突水”。 该模型的损失函数 Jθ如式1所示。 图 3 LSTM 单元结构 Fig.3 Structure of the LSTM cell , log |, ii ii xyD p yy     Jx 1 式中 θ为模型参数； D 表示样本数据构成的训练集； xi, yi表示训练集中第 i 个样本数据，xi是 10 维 的向量，yi的取值仅有 2 种“0”和“1” ，分别表示 “不突水”和“突水”；pyyi|xi, θ表示样本xi, yi 突水不突水的概率。 2.3 数据获取与处理 2.3.1 数据来源 本文采用了我国某矿区突水实例的工作面底板 突水数据和正常回采实测数据。原始数据的采集时 间和地点不同，并未经过排序、分组等处理。原始 数据共包含 14 项指标，部分数据如表 2 所示。 2.3.2 归一化 数据输入模型进行训练之前，必须对其做归一 化处理，因为原始数据的各项数据之间存在很大差 异，其类型和量纲不同，绝对值相差很大，若不处 理则会对模型的学习造成影响。在所有的输入样本 中，对于逻辑型数据采用“0”或“1”表示，对于 数值型数据，各参数值采用式2通过线性转换方式 将输入数据的范围映射到[0,1]之间 0min maxmin , , xixi xi xixi    p p 2 式中 xp,i表示样本p中第 i个因素经过归一化之后 的值；x0p,i表示样本 p 中第 i 个因素经过归一化之 前的值； xmini表示所有样本中第 i 个因素的最小值； xmaxi表示所有样本中第 i 个因素的最大值。 2.3.3 特征选择 特征选择是对输入数据进行降维操作的一个过 程，通过去除冗余特征，降低输入向量空间维数，优 化学习样本， 对提高训练效率有很大帮助。 对于煤矿 突水预测问题来说，影响突水的因素很多， 不同煤矿 根据地理位置等条件不同， 都有自己的主控因素，而 现场采集的数据，数据量较大，容易出现冗余数据， 冗余数据会影响模型的训练效率，因此必须去除。 ChaoXing 140 煤田地质与勘探 第 47 卷 表 2 部分样本数据 Table 2 Part of the sample data 编号 含水层 厚度/m 水压/ MPa 距工作面 距离/m 砂岩段 厚度/ 泥岩段厚 度/ 灰岩段 厚度/ 煤层 厚度/ 煤层倾 角/ 有无 构造 断层落 差/m 是否裂 隙带 开采 面积/m2 采高/m 走向 长度/m 51 704 4 205 83.13 8.78 4.78 3.22 12 是 1 是 19 600 3.43 1 400 52 704 4 190 82.70 9.47 5.3 2.53 13 是 6 是 0 1.86 0 70 12.07 2.17 41.38 11.96 84.07 0 2.05 6 是 0 是 5 130 0.83 45 71 12.07 2.52 41.38 11.96 84.07 0 2.05 7 是 0.55 否 4 260 0.9 30 72 11.54 1.316 24.45 39.38 85.74 1.06 0.818 8 是 1.1 否 2 190 1.25 30 73 11.54 1.662 24.8 39.38 85.74 1.06 0.818 10 是 0 是 1 250 1.45 25 74 11.54 1.722 24.45 39.38 85.74 1.06 0.818 10 是 0 是 1 750 1.08 25 75 13.01 1.64 32.52 10.00 99.41 0 0.59 9 是 0.3 是 5 940 0.8 54 76 11.54 1.418 24.45 39.38 58.74 1.06 0.818 7 是 0 是 0 1.3 0 93 14.15 1.91 28.2 51.84 44.75 0 3.4 9 否 0 是 1 783 0.8 42 94 14.15 1.83 28.2 51.84 44.75 0 3.4 14 是 0.6 是 514.5 0.8 7 95 14.15 1.82 28.2 51.84 44.75 0 3.4 14 是 0.4 是 193.5 0.8 3 96 18.64 1.594 27.72 41.56 55.41 0 3.03 10 是 1 否 1 482 0.75 63 97 14.15 4.895 27.72 41.56 55.41 0 3.03 4 是 1 否 1 104 0.8 12 本文采用基于 Wrapper 评价策略[25]的特征选择 方法，方法如表 3 所示。 表 3 特征选择方法 Table 3 Steps of feature selection algorithm 输入原始特征集合 输出降维后的特征集合 算法步骤 ① 生成一系列新的特征子集 ② 依次采用每个新的特征子集对 BP 神经网络模型[3]进行 训练 ③ 采用“十折交叉验证”方法[26]依次计算 BP 神经网络模型在 每个新特征子集的测试集上的平均错误率， 分析模型错误率， 评价该特征子集 ④ 重复执行步骤1至3， 直到生成的新的特征子集的规模和测 试集上的平均错误率均达到要求，输出该特征子集 基于 Wrapper 评价策略的特征选择方法的优点 是偏差小，可以在保证分类正确率的前提下选择出 最优子集，但与其他的特征选择方法相比，由于计 算量较大，导致速度相对较慢。然而在突水预测问 题中， 原始样本数据特征共 14 维， 数据量不是很大， 使用基于 Wrapper 评价策略的方法进行特征选择 时，计算速度可以接受，同时正确率较高。 本文所采用的特征选择方法的具体步骤及实验 结果如下 首先进行第一轮特征选择，对原始特征集合中 的各个特征进行编号，编号“1、2、、14”分别表 示“含水层厚度、 水压、 距工作面距离、 砂岩段厚度、 泥岩段厚度、灰岩段厚度、煤层厚度、煤层倾角、 有无构造、断层落差、是否裂隙带、开采面积、走 向长度、采高”。从 14 维的原始特征集合中每次删 除编号为 i 的特征i1,2,,14， 将其余 13 维特征作 为特征子集 Mii1,2,,14，得到特征子集依次为 M1,M2,,M14。另外，将 14 维的原始特征集合记为 特征子集 M0。将特征子集 M0,M1,M2,,M14依次作 为模型的输入，对 BP 神经网络模型进行训练，以 其预测正确率作为评价标准，错误率计算方法采用 “ 十 折 交 叉 验 证 ” 法 。 xii0,1, ,14 分 别 表 示 Mii0,1, ,14 对 应 的 错 误 率 。 将 x0分 别 与 xii1,2,,14进行比较，若两者相差不大，则认为 单独去除编号为 i 的特征后，不影响整体错误率， 即可视为待定冗余特征。 各个子集的错误率计算结果如图 4 所示，从图 中可以看出，“x0，x1，x5，x6，x9”这 5 个点的错误 率较低，x0表示不删除子集中任何一个特征时的错 误率，“x1，x5，x6，x9”分别表示在原始特征子集中 单独剔除“水压、泥岩段厚度、灰岩段厚度、有无构 造”特征后的错误率。因此，“含水层厚度、泥岩段 厚度、灰岩段厚度、有无构造”这 4 个特征是待定冗 余特征。 由于 x1与 x0最接近，则认为 x1对应的特征 “含水层厚度”是冗余特征，将该维特征从原始特征 集合中删除，则原始特征集合变为 13 维，进入第 二轮。 第二轮特征选择的过程与第一轮类似，只是需 要重新对各个特征编号，然后计算依次单独剔除各 维特征后的特征子集训练 BP 神经网络模型的预测 ChaoXing 第 2 期 董丽丽等 基于 LSTM 神经网络的煤矿突水预测 141 图 4 第一轮特征选择时各子集错误率 Fig.4 The error rate of each subset in the first round of feature selection 错误率，找出冗余特征，从特征集合中剔除。然后 继续进行第三轮、第四轮、第五轮特征选择。 第五轮特征选择时各子集错误率如图 5 所示。 从图中可以得出， 在从特征子集中依次单独剔除这 10 项特征中的一个后，均会对错误率产生影响， 这说明“水压、距工作面距离、砂岩段厚度、煤层 厚度、煤层倾角、断层落差、是否裂隙带、开采面 积、采高、走向长度”这 10 项特征与煤层底板突水 是息息相关的。而已经剔除的 4 项特征是冗余特 征，分别是“有无构造、含水层厚度、泥岩段厚度， 灰岩段厚度”。 图 5 第五轮特征选择时各子集错误率 Fig.5 The error rate of each subset in the fifth round of feature selection 经过特征选择操作，模型的训练时间会因为输 入数据量的减少而缩短，有效提高了训练效率。特 征选择后的数据样本集中，包含“水压、距工作面距 离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、 是否裂隙带、开采面积、采高、走向长度”共 10 项 特征。 2.4 模型训练方法 LSTM 模型能够学习时间序列数据，学习一组 连续数据的内在规律，总结数据的变化对突水的影 响。因此，输入 LSTM 模型的数据需要根据不同回 采点或时间段分组，模型在学习每条数据对突水影 响的基础上，同时学习这一组数据的变化规律对突 水的影响。 特征选择后的数据维数从 14 维降至 10 维，需 要经过分组和划分数据集后送入模型进行训练。首 先，将特征选择后的数据根据不同回采点和时间段 排序，将 6 条连续的数据作为一组，即每次需要将 6 条连续的数据输入网络进行训练。然后，需要将 分组后的数据划分成 3 部分训练集、验证集、测 试集。从分组后的数据中随机取 60的数据作为训 练集，再从剩余的数据中随机取一半作为验证集， 最后剩余的数据作为测试集，训练集占总数据的 60，验证集占总数据的 20，测试集占总数据的 20。 训练时，每次将一组数据输入模型进行训练， 然后将模型预测结果与实际结果相比较得到错误 率， 接下来使用一种合适的优化算法更新权重矩阵， 以此来提高模型的预测正确率。直到所有数据都输 入模型进行预测与权重调整后，完成对网络的一轮 训练。根据情况，可以进行多轮训练。 2.5 模型预测实验 2.5.1 实验环境及参数设置 Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow、CNTK、Theano 作为后 端运行。本文采用 Keras 实现基于 LSTM 神经网络 的煤矿突水预测模型，权重初始化方法选用 MSRA 方法[27]，隐藏层激活函数选用 ReLU 函数[28]，输出 层激活函数选用 SoftMax，由于是二分类模型，选 用交叉熵损失函数 binary_crossentropy， 即 logloss， 隐 藏层节点数设置为 32，优化算法选用 Adam 算法[29]， 以上这些参数记作默认参数。设置好参数后，影响 LSTM 模型预测正确率的主要因素是 batch_size、 是 否使用 Dropout[30]。 batch_size 即批大小， 即每次训练在训练集中取 batch_size 个样本训练。LSTM 网络对 batch_size 比 较敏感。本文所解决的突水问题，属于二分类问题， 且样本数据规模不是非常大，batch_size 较小时，模 型 学 习 时 间 较 长 ， 但 正确 率 更 高 一 些 ，随 着 batch_size 的增大，模型学习时间更快，但达到相同 正确率需要的迭代次数增加。综合考虑模型预测正 确率、 time_steps 值以及训练时间，最终选 择 batch_size 值为 6。 Dropout 是指在神经网络的训练过程中， 对于神 经网络按照一定的概率随机使某些隐藏层节点不工 作， 以此来改善过拟合问题。Dropout 根据经验设置 为 0.5， 相当于每次训练都随机的取 50的隐含层节 ChaoXing 142 煤田地质与勘探 第 47 卷 点来进行训练，剩余的 50的隐藏层节点不工作， 这样可以防止每次都是所有的特征选择器共同作 用，一直放大或者缩小某些特征，防止过拟合问题 的发生。 2.5.2 实验结果分析 实验结果如图 6 所示。 图 6a 为模型在训练集上 的预测正确率变化情况， 图 6b 为模型在训练集上的 损失变化情况， 图 6c 为模型在验证集上的预测正确 率变化情况， 图 6d 为模型在验证集上的损失变化情 况。由于使用了 Dropout，部分节点被屏蔽，随着迭 代次数增加，模型正确率和损失出现抖动情况，但 验证集正确率高于训练集，未出现明显的过拟合现 象。LSTM 模型在训练集上的正确率达到 88.97， 在验证集上的正确率达到 95.01。 图 6 模型正确率和损失 Fig.6 The accuracy and loss of model 3 煤层底板突水预测对比实验 采用前文所述的某矿区突水实例数据，对本文 提出的 LSTM 模型、BP 模型[3]、GA-BP 模型[3]进行 对比实验。采用 Keras 实现 LSTM 模型和 BP 模型， 采用 Matlab 实现 GA-BP 模型。按照前文所述方法 将数据划分为训练集、验证集和测试集，采用训练 集分别对 BP 模型、GA-BP 模型和 LSTM 模型进行 训练，以模型在测试集上的正确率为标准，对模型 进行评价。 实验结果如表 4 所示，LSTM 模型在验证集和 测试集上的正确率均优于 BP 模型与 GA-BP 模型。 由于网络特性，LSTM 模型在学习大量样本数据之 后，可以总结出一系列突水因素的变化规律，以及 这样的变化规律对是否突水的影响，从而对是否会 导致突水做出精确的分类，这是 BP 等前馈网络模 型无法完成的功能。因此，LSTM 模型在是否突水 的问题上的预测正确率和稳定性更好。 表 4 各个模型的正确率 Table 4 The accuracy of each model 模型 训练集/ 验证集/ 测试集/ LSTM 88.97 95.01 93.88 BP 83.98 86.31 84.38 GA-BP 85.35 90.58 87.12 4 结 论 a. 影响煤层底板突水的因素主要是含水层因 素、地质构造条件、开采条件、煤层条件、隔水层 因素这 5 个方面。通过特征选择，在这 5 个方面的 14 个指标中选取了 10 个主要的指标，分别是水压、 距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、 断层落差、是否裂隙带、开采面积、采高、走向长 度，并且在此基础上建立了基于 LSTM 神经网络的 煤矿突水预测模型。 b. 本文首次将 LSTM 神经网络引入煤矿突水 预测模型中，使其能够学习时间序列数据，即学习 一系列样本数据的变化规律，以及这样的变化规律 对是否突水的影响， 提高了预测的正确率和可靠性， 解决了目前已有的突水预测模型无法学习时间序列 样本数据变化规律导致预测正确率不高的问题。 c. 采用 LSTM 模型与 BP 模型、GA-BP 模型进 行对比实验，实验结果表明，LSTM 模型的预测正 确率高于 GA-BP 模型和 BP 模型，并且具有更高的 可信度。可见，LSTM 模型非常适合应用于煤矿突 水预测问题，该模型在实际应用中也取得较好的预 测效果，具有一定的现实意义。 参考文献 [1] 孙继平. 煤矿自动化与信息化技术回顾与展望[J]. 工矿自动 化，2010，36626–30. SUN Jiping. Review and prospect of technologies of automation and inatization of coal mine[J]. Industry and Mine Automa- tion，2010，36626–30. [2] 宋国娟. 基于极限学习机的煤矿突水预测及避险路线优化研 究[D]. 徐州中国矿业大学，2016. [3] 乔育锋. 遗传算法和BP神经网络在煤矿突水预测中的应用研 究[D]. 西安西安建筑科技大学，2011. [4] 杜春蕾，张雪英，李凤莲. 改进的 CART 算法在煤层底板突 水预测中的应用[J]. 工矿自动化，2014，401252–56. DU Chunlei，ZHANG Xueying，LI Fenglian. Application of improved CART algorithm in prediction of water inrush from coal seam floor[J]. Industry and Mine Automation，2014， 401252–56. [5] 刘伟韬，廖尚辉，刘士亮，等. 主成分 logistic 回归分析在底 ChaoXing 第 2 期 董丽丽等 基于 LSTM 神经网络的煤矿突水预测 143 板突水预测中的应用[J]. 辽宁工程技术大学学报自然科学 版，2015，348905–909. LIU Weitao，LIAO Shanghui，LIU Shiliang，et al. Principal component logistic regression analysis in application of water outbursts from coal seam floor[J]. Journal of Liaoning Technical University，2015，348905–909. [6] 刘再斌，靳德武，刘其声. 基于二项 logistic 回归模型与 CART 树的煤层底板突水预测[J]. 煤田地质与勘探， 2009， 371 56–61. LIU Zaibin， JIN Dewu， LIU Qisheng. Prediction of water inrush from seam floor based on binomial logistic regression model and CART tree[J]. Coal Geology Exploration， 2009， 371 56–61. [7] LIU Zaibin， JIN Dewu， LIU Qisheng. Prediction of water inrush through coal floors based on data mining classification tech- nique[J]. Procedia Earth Planetary Science， 2011， 3 166–174. [8] LI Fengjun，ZHENG Jidong. The prediction and forecast of coal floor water-inrush based on GISA case study on the I-1 mining district in the 5 coal mine in Pingdingshan area[C]//International Conference on Environmental Science and Ination Application Technology. IEEE，2010663–666. [9] 李培. 基于PCA–ELM的预测模型在煤矿突水预测中的应用[D]. 徐州中国矿业大学，2014. [10] ZHAO Zuopeng，HU Mengke. Multi-level forecasting model of coal mine water inrush based on self-adaptive evolutionary ex- treme learning machine[J]. Applied Mathematics Ination Sciences Letters，2014，23103–110. [11] ZHAO Z，LI P，XU X. Forecasting model of coal mine water inrush based on extreme learning machine[J]. Applied Mathe- matics Ination Sciences，2013，731243–1250. [12] 闫志刚， 白海波， 张海荣. 一种新型的矿井突水分析与预测的 支持向量机模型[J]. 中国安全科学学报， 2008， 187 166–170. YAN Zhigang，BAI Haibo，ZHANG Hairong. A novel SVM model for the analysis and prediction of water inrush from coal mine[J]. Journal of Chinese Security Science，2008，187 166–170. [13] 张晓亮. 熵权耦合层次分析赋权在煤层底板突水评价中的应 用[J]. 煤田地质与勘探，2017，45391–95. ZHANG Xiaoliang. Application of entropy weight and analytic hierarchy process in uation of water inrush from coal seam floor[J]. Coal Geology Exploration，2017，453 91–95. [14] 代革联，薛小渊，许珂，等. 基于脆弱性指数法的韩城矿区 11 号煤层底板突水危险性评价[J]. 煤田地质与勘探，2017， 454112–117. DAI Gelian，XUE Xiaoyuan，XU Ke，et al. Risk assessment of water inrush of No.11 coal seam floor in Hancheng mining area on the basis of vulnerability index [J]. Coal Geology Exploration，2017，454112–117. [15] JIN Dewu，ZHENG Gang，LIU Zaibin，et al. Real-Time Monitoring and early warning techniques of water inrush through coal floor[J]. Procedia Earth Planetary Science，2011，3 37–46. [16] 施龙青. 突水系数由来及其适用性分析[J]. 山东科技大学学 报自然科学版，2012，3166–9. SHI Longqing. Analysis of water inrush coefficient and its ap- plicability[J]. Journal of Shandong University of Science and Technology，2012，3166–9. [17] 黄浩， 王经明. 煤层底板隐伏断层突水的物理实验研究[J]. 华 北科技学院学报，2015，12111–16. HUANG Hao，WANG Jingming. Research on water inrush from the blind fault of coal floor by physical experiment[J]. Journal of North China Institute of Science and Technology Natural Sci- ence，2015，12111–16. [18] 尹立明. 深部煤层开采底板突水机理基础实验研究[D]. 青 岛山东科技大学，2011. [19] 张玉军. 煤层底板综合隔水性能及突水危险性预测研究[D]. 北京煤炭科学研究总院，2012. [20] 段宏飞. 煤矿底板采动变形及带压开采突水评判方法研究[D]. 徐州中国矿业大学，2012. [21] MALHOTRA P，VISHNU T V，RAMAKRISHNAN A，et al. Multi-sensor prognostics using an unsupervised health index based on LSTM encoder-decoder[J]. arXiv Preprint arXiv 1608.06154，2016. [22] 孙瑞奇. 基于 LSTM 神经网络的美股股指价格趋势预测模型 的研究[D]. 北京首都经济贸易大学，2016. [23] GERHARDT L. Pattern recognition and machine learning[M]. CambridgeAcademic Press，1992. [24] HARRIS D M，HARRIS S L. Digital design and computer ar- chitecture[M]. MassachusettsMorgan Kaufmann，2012. [25] 姚旭，王晓丹，张玉玺，等. 特征选择方法综述[J]. 控制与决 策，2012，272161–166. YAO Xu，WANG Xiaodan，ZHANG Yuxi，et al. Review of feature selection s[J]. Control and Decision， 2012， 272 161–166. [26] 杨柳， 王钰. 泛化误差的各种交叉验证估计方法综述[J]. 计算 机应用研究，2015，3251287–1290. YANG Liu，WANG Yu. Survey for various cross-validation es- timators of generalization error[J]. Application Research of Computers，2015，3251287–1290. [27] HE Kaiming，ZHANG Xiangyu，REN Shaoqing，et al. Delving deep into rectifiersSurpassing human-level perance on Image Net classification[C]//IEEE International Conference on Computer Vision. IEEE，20151026–1034. [28] NAIR V， HINTON G E. Rectified linear units improve restricted boltzmann machines[C]//International Conference on Interna- tional Conference on Machine Learning