王媛彬　李媛媛　韓騫　李瑜杰　周沖

摘要：針對礦井回采工作面瓦斯涌出量預(yù)測精度欠佳的問題，建立基于極端梯度提升（XGBoost）瓦斯涌出量預(yù)測模型。首先，為解決瓦斯涌出量影響因素維數(shù)高和信息冗余等問題，在預(yù)測模型中引入主成分分析法（PCA）對11種影響因素降維。其次，通過貝葉斯優(yōu)化算法（BOA）對XGBoost中超參數(shù)進(jìn)行優(yōu)化以提高預(yù)測模型的精度。最后，將訓(xùn)練集數(shù)據(jù)作為預(yù)測模型的輸入進(jìn)行訓(xùn)練，利用訓(xùn)練好的模型對測試集數(shù)據(jù)進(jìn)行驗證，并與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和支持向量機進(jìn)行對比。結(jié)果表明：PCA-BO-XGBoost模型的平均絕對誤差為0.070 3，均方根誤差為0.095 7，能夠滿足對瓦斯涌出量預(yù)測的精度要求。與其他機器學(xué)習(xí)算法相比，建立的模型預(yù)測精度更高、耗時更短、效率均更高，對煤礦井回采工作面瓦斯涌出量的預(yù)測精度和效率提升具有借鑒作用。

關(guān)鍵詞：瓦斯涌出量預(yù)測;XGBoost算法;主成分分析法;貝葉斯優(yōu)化;超參數(shù)

中圖分類號：TD 76文獻(xiàn)標(biāo)志碼：A

文章編號：1672-9315（2022）02-0371-09

DOI：10.13800/j.cnki.xakjdxxb.2022.0223開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Gas emission prediction of the stope in coal mine

based on PCA-BO-XGBoostWANG Yuanbin，LI Yuanyuan，HAN Qian，LI Yujie，ZHOU Chong

（College of Electrical and Control Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：In order to solve the problem of poor prediction accuracy of gas emission in the stope，a prediction model based on extreme Gradient Boosting was established.For the influencing factors from gas emission such as high dimension and information redundancy，principal component analysis was introduced into the prediction model firstly to reduce the dimension.Secondly，the hyper parameters in XGBoost were optimized by Bayesian optimization algorithm to improve the prediction accuracy.Finally，the data of the training set was utilized as the input of the prediction model for training，and the trained model was employed to verify the data of the test set，and it was compared with the traditional BP neural network and support vector machine.The results show that the mean absolute error of PCA-Bo-XGBoost model is 0.070 3，and the root mean square error is 0.095 7，which can meet the accuracy requirements of gas emission prediction.Compared with other machine learning algorithms，the model established in this paper is higher in prediction accuracy，less in time-consuming and stronger in efficiency，which has great significance for the improvement of the prediction accuracy and efficiency of gas emission in the stope.

Key words：gas emission prediction;XGBoost algorithm;principal component analysis;Bayesian optimization;hyperparameter

0引言

煤炭是中國重要的能源[1]，隨著人類對煤炭資源的開采和使用，淺部地區(qū)的煤炭資源逐漸減少[2]，埋深地下千米的煤炭將會成為往后開采的重要目標(biāo)[3]。然而面對煤層瓦斯賦存環(huán)境更加復(fù)雜、瓦斯復(fù)合災(zāi)害更加嚴(yán)重以及開采難度更高的局面，準(zhǔn)確預(yù)測深部礦井的瓦斯涌出量成為亟需解決的問題[4]。

在煤礦的開采過程中，回采工作面是礦井瓦斯涌出的主要來源，最易發(fā)生安全事故，尤其是工作面的隅角處通風(fēng)效果差、溫度和濕度較高，容易積聚瓦斯，被看作是瓦斯的重點防治區(qū)域。而瓦斯防治的首要目標(biāo)是將瓦斯?jié)舛瓤刂圃诎踩侠淼姆秶韵?，所以精?zhǔn)地預(yù)測瓦斯涌出量并實時根據(jù)瓦斯?jié)舛炔扇∠鄳?yīng)的抽采措施，能夠有效降低事故發(fā)生概率、減少人員傷亡和財產(chǎn)損失。因此，對回采工作面瓦斯涌出量預(yù)測方法的研究具有重要的意義。為此，眾多學(xué)者對瓦斯預(yù)測進(jìn)行深入的研究，旨在減少甚至是避免瓦斯事故的發(fā)生，為煤礦安全生產(chǎn)起理論指導(dǎo)作用[5]。

傳統(tǒng)的煤礦瓦斯涌出量預(yù)測方法有分源預(yù)測法、礦山統(tǒng)計法等[6-7]。隨著計算機技術(shù)的發(fā)展，在瓦斯涌出量預(yù)測方面，出現(xiàn)一些新的預(yù)測方法。如：灰色系統(tǒng)[8]、BP神經(jīng)網(wǎng)絡(luò)方法[9]、支持向量機方法[10]等。徐剛等人提出基于因子分析法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法對工作面瓦斯涌出量進(jìn)行研究[11]。劉鵬等人針對CART決策樹穩(wěn)定性差的問題，對CART決策樹進(jìn)行改進(jìn)，提出一種結(jié)合支持向量機的增強CRAT回歸算法，并將該方法應(yīng)用于瓦斯涌出量用預(yù)測，取得較好的效果[12]。肖鵬等人為提高瓦斯涌出量預(yù)測的精度，提出將小波包分解方法和極限學(xué)習(xí)機相結(jié)合，建立小波-極限學(xué)習(xí)機的瓦斯涌出量預(yù)測模型，為瓦斯涌出量時變序列的預(yù)測提供了新的思路[13]。溫廷新等人將BP神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化算法（PSO）以及AdaBoost迭代算法相結(jié)合建立一種瓦斯涌出量分源預(yù)測模型，經(jīng)實驗分析該模型的平均相對誤差要小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型[14]。豐盛成等人為了準(zhǔn)確預(yù)測回采工作面的瓦斯涌出量，提出PCA-PSO-LSSVM的瓦斯涌出量預(yù)測模型[15]。代巍等人將變分模態(tài)分解（VMD）方法、差分進(jìn)化（DE）算法以及相關(guān)向量機（RVM）相結(jié)合，提出基于VMD-DE-RVM的瓦斯涌出量區(qū)間預(yù)測方法，獲得較高的預(yù)測結(jié)果[16]。李樹剛等人構(gòu)建因子分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的瓦斯涌出量預(yù)測模型，實現(xiàn)對煤礦井下瓦斯涌出量的預(yù)測[17]。

綜上所述，大量學(xué)者對瓦斯涌出量進(jìn)行研究，在預(yù)測精度和效率方面都有所提高。但是仍存在以下兩方面不足：一方面是煤礦井下環(huán)境較復(fù)雜且影響瓦斯涌出量的因素具有非線性的特點，使得預(yù)測精度的提高受到一定限制。另一方面是BP神經(jīng)網(wǎng)絡(luò)本身存在收斂速度慢和易陷入局部最優(yōu)解等問題，導(dǎo)致預(yù)測精度不高。因此有必要在前人研究的基礎(chǔ)上繼續(xù)探索新的預(yù)測方法對瓦斯涌出量進(jìn)行預(yù)測。針對瓦斯涌出量的因素具有非線性的特點，文中利用主成分分析法（principal component analysis，PCA）進(jìn)行原始數(shù)據(jù)降維，提取瓦斯涌出量數(shù)據(jù)的特征信息;針對神經(jīng)網(wǎng)絡(luò)精度欠佳的問題，建立極端梯度提升（extreme gradient boosting，XGBoost）瓦斯涌出量預(yù)測模型;針對XGBoost模型中超參數(shù)難以確定的問題，將貝葉斯優(yōu)化（bayesian optimization，BO）算法引入XGBoost中，建立BO-XGBoost預(yù)測模型，并且與隨機搜索和網(wǎng)格搜索所建立的模型進(jìn)行對比分析，驗證貝葉斯優(yōu)化模型在泛化性能和預(yù)測精度上具有優(yōu)勢。最后將PCA和BO-XGBoost相結(jié)合，建立PCA-BO-XGBoost的瓦斯涌出量預(yù)測模型。

1主成分降維

主成分分析法（principal components analysis，PCA）的基本思想是通過對存在線性關(guān)系的特征變量經(jīng)過線性變換組合成少數(shù)幾個特征變量，變換后的特征變量叫做主成分。每個主成分都是通過對原始變量線性組合得來的，且各主成分之間是沒有相關(guān)性的，雖然主成分的數(shù)量要少于原始的變量特征，但是主成分包含了原始數(shù)據(jù)的大多數(shù)信息，因此可以做到簡約數(shù)據(jù)的作用，尤其是對較高維度的數(shù)據(jù)。假設(shè)有n個數(shù)據(jù)樣本，每個數(shù)據(jù)樣本都有m維的特征，則可以建立m×n階的數(shù)據(jù)矩陣為

筆者利用主成分分析法對瓦斯涌出量數(shù)據(jù)進(jìn)行降維處理，具體步驟如下。

1）對瓦斯涌出量的數(shù)據(jù)進(jìn)行中心化處理。

2）計算樣本的協(xié)方差矩陣。

3）計算協(xié)方差矩陣的特征值和特征向量。

4）選擇主成分的個數(shù)，論文按照累計貢獻(xiàn)率超過85%的選取原則選擇主成分。

5）根據(jù)計算出的特征向量寫出主成分的表達(dá)式。

2預(yù)測模型的構(gòu)建

2.1XGBoost算法原理

XGBoost是一種由多個弱學(xué)習(xí)器疊加訓(xùn)練而成的集成算法[18]，弱學(xué)習(xí)器一般指分類和回歸樹。XGBoost中每棵樹擬合的是前一棵樹與真實值之間的殘差，依次迭代直至達(dá)到停止條件，最后對所有樹的擬合結(jié)果累計求和值，得到最終的預(yù)測結(jié)果。

在使用XGBoost模型進(jìn)行預(yù)測的過程中，如果訓(xùn)練數(shù)據(jù)太多，需要先進(jìn)行數(shù)據(jù)篩選或通過降維方法來剔除無效數(shù)據(jù)，減少特征數(shù)量，否則模型容易過度擬合;相反，如果變量太少，容易產(chǎn)生欠擬合現(xiàn)象。因此，數(shù)據(jù)樣本的多少對預(yù)測結(jié)果的精度至關(guān)重要。

2.2貝葉斯優(yōu)化

貝葉斯優(yōu)化算法（bayesian optimization algorithm，BOA）是基于概率學(xué)中“貝葉斯理論”的一種黑盒優(yōu)化算法。BOA在運行某一組超參數(shù)時，會考慮前一組超參數(shù)的優(yōu)化結(jié)果，以此可以更有效地得到最優(yōu)的參數(shù)解。有2個核心部分，分別是先驗函數(shù)（prior function，PF）和采集函數(shù)（acquisition function，AC）。文中的先驗函數(shù)采用高斯過程，采集函數(shù)采用概率提升（probability of improvement，PI）函數(shù)來提高模型的泛化能力。貝葉斯優(yōu)化流程如圖1所示。

2.3瓦斯涌出量預(yù)測流程

建立基于PCA-BO-XGBoost的瓦斯涌出量預(yù)測模型具體的算法步驟如下。

1）瓦斯涌出量數(shù)據(jù)的預(yù)處理。利用公式（1）～（3）對11種影響瓦斯涌出量的因素進(jìn)行降維處理，并把降維后的數(shù)據(jù)分為訓(xùn)練集和測試集。

2）確定預(yù)測模型中的超參數(shù)值。設(shè)置XGBoost模型中待確定的超參數(shù)尋優(yōu)范圍，在此基礎(chǔ)上筆者采用BAO對超參數(shù)進(jìn)行尋優(yōu)以確定最佳的超參數(shù)。

3）訓(xùn)練XGBoost預(yù)測模型。根據(jù)上一步驟中尋優(yōu)的結(jié)果，設(shè)置XGBoost模型中超參數(shù)的值，同時將訓(xùn)練集數(shù)據(jù)輸入到XGBoost模型中，以此得到訓(xùn)練好的瓦斯涌出量預(yù)測模型。

4）瓦斯涌出量預(yù)測。根據(jù)第3）步得到的預(yù)測模型，將測試集數(shù)據(jù)輸入到該模型，得出預(yù)測的結(jié)果，并對該結(jié)果進(jìn)行分析和評價。

基于PCA-BO-XGBoost的瓦斯涌出量預(yù)測流程如圖2所示。

3.1瓦斯涌出量數(shù)據(jù)降維

實驗數(shù)據(jù)采用黃陵二號礦的歷史樣本數(shù)據(jù)，隨機采樣130組樣本構(gòu)成測試集，其中每個樣本包括了11種瓦斯涌出量影響因素。瓦斯涌出量的影響因素眾多，例如開采煤層瓦斯含量、開采技術(shù)、地面大氣壓變化等，文中采取最主要的2種因素，即地質(zhì)因素和開采技術(shù)因素，其中地質(zhì)因素包括煤層埋藏深度、煤層厚度、煤層瓦斯含量、煤層傾角、鄰近層瓦斯含量和煤層間距;開采技術(shù)因素包括日進(jìn)度、日產(chǎn)量、采高、工作面采出率和工作面長度。部分原始數(shù)據(jù)見表1。煤層埋藏深度X₁（m）、煤層厚度X₂（m）、煤層瓦斯含量X₃（m³/t）、日進(jìn)度X₄（m/d）、日產(chǎn)量X₅（t/d）、煤層傾角X₆（°）、鄰近層瓦斯含量X₇（m³/t）、煤層間距X₈（m）、采高X₉（m）、工作面采出率X₁₀（%）、以及工作面長度X₁₁（m），預(yù)測的目標(biāo)為絕對瓦斯涌出量Y（m³/min）。

表2是選取不同數(shù)量的影響因素進(jìn)行預(yù)測后產(chǎn)生的結(jié)果與原始數(shù)據(jù)之間的誤差對比?？梢钥闯觯绊懸蛩販p少，模型預(yù)測精度會隨之降低。對于11種瓦斯涌出量影響因素本身存在的數(shù)據(jù)重復(fù)、冗余問題，進(jìn)行相關(guān)性分析，得到各因素之間的相關(guān)系數(shù)矩陣見表3。表3展示了瓦斯涌出量的影響因素間的相關(guān)性大小，不同因素間存在相關(guān)性大小不同，如果直接使用上述數(shù)據(jù)對瓦斯涌出量進(jìn)行預(yù)測勢必會增加預(yù)測模型的復(fù)雜度。因此，需要對原始數(shù)據(jù)預(yù)處理，從而達(dá)到精簡影響因素的目的。主成分分析法作為數(shù)據(jù)降維最常用的方法之一，在瓦斯涌出量預(yù)測領(lǐng)域中運用比較廣泛。與其他算法相比，PCA在數(shù)據(jù)處理上降維效果明顯，且處理時間較短，實用性較強。因此，筆者利用主成分分析法對11個影響工作面瓦斯涌出量的因素進(jìn)行數(shù)據(jù)降維，得到的主成分對不同的影響因素分配不同的權(quán)重系數(shù)，選擇滿足要求的主成分個數(shù)，即預(yù)測模型的輸入變量，并將這些輸入變量繼續(xù)作為后續(xù)工作中學(xué)習(xí)器的輸入。降維后的結(jié)果如圖3所示，各成分累計的方差貢獻(xiàn)率見表4。

當(dāng)主成分貢獻(xiàn)率累計值達(dá)到85%以上，能夠保證降維后的變量包含充分的原始信息。為了更充分地保證信息量，筆者在85%的基礎(chǔ)上選取貢獻(xiàn)率達(dá)到90%的主成分進(jìn)行后續(xù)分析。由表4可知，前5個主成分的累計方差貢獻(xiàn)率分別為61307%，73.970%，81.277%，87.878%，91541%，前5個主成分的累計方差貢獻(xiàn)率超過90%，實驗結(jié)果表明PCA對數(shù)據(jù)降維有明顯效果，能夠減少各因素之間的相關(guān)性所帶來的影響，減少計算。因此，選取前5個主成分進(jìn)行后續(xù)分析，各主成分的系數(shù)見表5，F(xiàn)₁～F₅為降維后的5個主成分。

5個主成分是對11個瓦斯涌出量影響因素進(jìn)行線性變換得到，不會改變原始影響因素的客觀存在。

3.2XGBoost超參數(shù)尋優(yōu)

XGBoost模型中含有大量需要設(shè)置的超參數(shù)，最主要的3類超參數(shù)分別是：常規(guī)的超參數(shù)、提升器超參數(shù)以及任務(wù)參數(shù)。一般情況下，常規(guī)的超參數(shù)和任務(wù)參數(shù)采用默認(rèn)值，所以只需要對提升器超參數(shù)進(jìn)行適當(dāng)調(diào)整，達(dá)到優(yōu)化模型性能的目的。由于XGBoost模型中的超參數(shù)較多，如果對所有參數(shù)進(jìn)行優(yōu)化，會給計算機帶來巨大挑戰(zhàn)，增加尋優(yōu)時間。根據(jù)文獻(xiàn)[19-20]的建議和實際情況，最終選擇7個超參數(shù)作為待尋優(yōu)的目標(biāo)，設(shè)定的7個超參數(shù)取值范圍見表6，其余超參數(shù)均保持默認(rèn)值不變。

為證明貝葉斯算法在預(yù)測模型中的優(yōu)越性，筆者分別利用網(wǎng)格搜索、隨機搜索和BOA對XGBoost模型的7個超參數(shù)進(jìn)行尋優(yōu)對比。綜合考慮后選用均方誤差和尋優(yōu)時間作為尋優(yōu)的評價指標(biāo)，3種尋優(yōu)算法的尋優(yōu)結(jié)果見表7，算法性能對比結(jié)果見表8。

對表7的尋優(yōu)結(jié)果進(jìn)行分析，由不同尋優(yōu)算法所得到的參數(shù)值相差甚大，這是隨機搜索和網(wǎng)格搜索算法在尋優(yōu)過程中陷入局部最優(yōu)所導(dǎo)致的。結(jié)合表7和表8可知，相較于其他2種搜索算法，BOA在時間和均方誤差方面上具有很大的優(yōu)勢，尋優(yōu)時間為7.87 s，明顯小于網(wǎng)格搜索和隨機搜索，BOA的均方誤差為0.009 16，同樣在3種算法內(nèi)達(dá)到最小。

3.3基于PCA-BO-XGBoost預(yù)測模型對瓦斯涌出量預(yù)測

由3.1小節(jié)中的PCA對130組瓦斯涌出量影響因素進(jìn)行數(shù)據(jù)降維，得到的部分結(jié)果見表9。其中，F(xiàn)₁～F₅是經(jīng)過PCA降維得到的5個主成分，Y代表瓦斯涌出量。將130組數(shù)據(jù)分為訓(xùn)練集（前100組）和測試集（后30組）輸入到建立的PCA-BO-XGBoost預(yù)測模型中進(jìn)行訓(xùn)練和預(yù)測。

為驗證文中所建立的模型性能，分別建立PCA-XGBoost、PCA-BP以及PCA-SVM這3種預(yù)測模型與提出的預(yù)測模型進(jìn)行對比，可以得到4種算法的預(yù)測趨勢與原始數(shù)據(jù)的對比結(jié)果以及預(yù)測算法產(chǎn)生的誤差如圖4、圖5所示。

從圖4可以看出4種預(yù)測模型均與原始的樣本數(shù)據(jù)保持大致相同的趨勢，結(jié)合圖5的預(yù)測誤差結(jié)果進(jìn)行分析，PCA-BO-XGBoost瓦斯涌出量預(yù)測模型的誤差較低且總體變換趨勢較為平緩。

為進(jìn)一步驗證PCA-BO-XGBoost模型的優(yōu)越性，選取平均絕對誤差和均方根誤差2個評價指標(biāo)進(jìn)行誤差對比，其結(jié)果見表10。結(jié)合表10進(jìn)行分析可知，PCA-BO-XGBoost預(yù)測模型的平均絕對誤差為0.070 3，是4種預(yù)測模型中最小的，與PCA-XGBoost預(yù)測模型、PCA-SVM預(yù)測模型以及PCA-BP預(yù)測模型相比，平均絕對誤差分別降低129%，2.86%，6.27%。PCA-BO-XGBoost預(yù)測模型的均方根誤差是0.095 7，與PCA-XGBoost預(yù)測模型、PCA-SVM預(yù)測模型以及PCA-BP預(yù)測模型相比，均方根誤差分別降低0.92%，2.17%，888%。

分析上述試驗結(jié)果，PCA-XGBoost模型的預(yù)測曲線要好于PCA-BP和PCA-SVM模型的預(yù)測曲線，證明XGBoost在精度提高方面更具優(yōu)勢。在此基礎(chǔ)上，采用貝葉斯優(yōu)化PCA-XGBoost中的超參數(shù)進(jìn)一步減小了XGBoost的預(yù)測誤差，對模型的預(yù)測性能有較好的提升作用，所以PCA-BO-XGBoost 預(yù)測精度要高于未經(jīng)過優(yōu)化的PCA-XGBoost預(yù)測精度。綜上所述，建立的PCA-BO-XGBoost得到的預(yù)測變化趨勢與實際變化最接近，不僅更加符合實際的變化情況，且具有更高的預(yù)測精度和泛化能力。

4結(jié)論

1）針對瓦斯涌出量影響因素過多的問題，利用主成分分析法對原始數(shù)據(jù)降維，有效減小輸入數(shù)據(jù)的復(fù)雜度和各影響因素之間的重復(fù)、冗余，達(dá)到提高預(yù)測精度的目的。

2）選擇BOA對XGBoost模型中的超參數(shù)尋優(yōu)，同時與經(jīng)典的尋優(yōu)算法網(wǎng)格搜索，隨機搜索進(jìn)行對比實驗，結(jié)果表明：BOA耗費時間最少，且優(yōu)化后的預(yù)測模型均方誤差達(dá)到最低。因此，建立了PCA-BO-XGBoost瓦斯涌出量預(yù)測模型。

3）通過仿真實驗來驗證瓦斯涌出量預(yù)測模型的性能，并利用PCA-SVM模型、PCA-BP模型和PCA-XGBoost模型進(jìn)行預(yù)測結(jié)果的對比分析，該算法將平均絕對誤差分別降低了1.29%，2.86%，627%，均方根誤差降低了0.92%，2.17%，888%。實驗結(jié)果表明，文中算法能夠明顯提升預(yù)測精度和效率，對礦井的安全生產(chǎn)實踐提供一定的理論參考和指導(dǎo)，具有現(xiàn)實意義。

參考文獻(xiàn)（References）：

[1]劉峰，曹文君，張建明，等.我國煤炭工業(yè)科技創(chuàng)新進(jìn)展及“十四五”發(fā)展方向[J].煤炭學(xué)報，2021，46（1）：1-15.LIU Feng，CAO Wenjun，ZHANG Jianming，et al.Current technological innovation and development direction of the 14th Five-Year Plan period in China coal industry[J].Journal of China Coal Society，2021，46（1）：1-15.

[2]袁亮.我國深部煤與瓦斯共采戰(zhàn)略思考[J].煤炭學(xué)報，2016，41（1）：1-6.YUAN Liang.Strategic thinking of simultaneous exploitation of coal and gas in deep mining[J].Journal of China Coal Society，2016，41（1）：1-6.

[3]謝和平.深部巖體力學(xué)與開采理論研究進(jìn)展[J].煤炭學(xué)報，2019，44（5）：1283-1305.XIE Heping.Research review of the state key research development program of China：Deep rock mechanics and mining theory[J].Journal of China Coal Society，2019，44（5）：1283-1305.

[4]呂伏，梁冰，孫維吉，等.基于主成分回歸分析法的回采工作面瓦斯涌出量預(yù)測[J].煤炭學(xué)報，2012，37（1）：113-116.LV Fu，LIANG Bing，SUN Weiji，et al.Gas emission quantity prediction of working face based on principal component regression analysis method[J].Journal of China Coal Society，2012，37（1）：113-116.

[5]WANG H，WANG E Y，LI Z H.Study on dynamic prediction model of gas emission in tunneling working face[J].Combustion Science and Technology，2022，194（3）：506-522.

[6]王曉蕾，姬治崗，謝怡婷，等.采煤工作面瓦斯涌出量預(yù)測技術(shù)現(xiàn)狀及發(fā)展趨勢[J].科學(xué)技術(shù)與工程，2019，19（33）：1-9.WANG Xiaolei，JI Zhigang，XIE Yiting，et al.Present situation and development trend of gas emission prediction technology in coal face[J].Science Technology and Engineering，2019，19（33）：1-9.

[7]孫海濤，付軍輝，張志剛，等.煤礦采動影響下地面井群瓦斯抽采范圍研究[J].煤炭科學(xué)技術(shù)，2021，49（2）：109-114.SUN Haitao，F(xiàn)U Junhui，ZHANG Zhigang，et al.Study on gas drainage scope in surface well group under the influence of coal mining area[J].Coal Science and Technology，2021，49（2）：109-114.

[8]YUAN B.Study on gas emission prediction of working face based on GM（1，1）model[J].Journal of Physics Conference Series，2020，1549（4）：042031.

[9]黃賀江.回采工作面推進(jìn)過程中的瓦斯涌出預(yù)測分析[J].工礦自動化，2017，43（8）：90-93.HUANG Hejiang.Prediction and analysis of gas emission in advancing process of stope working face[J].Industrial and Mining Automation，2017，43（8）：90-93.

[10]ZHANG L，LUO L，HU L，et al.An SVM-based classification model for migration prediction of Beijing[J].Engineering Letters，2020，28（4）：1023-1030.

[11]徐剛，王磊，金洪偉，等.因子分析法與BP神經(jīng)網(wǎng)絡(luò)耦合模型對回采工作面瓦斯涌出量預(yù)測[J].西安科技大學(xué)學(xué)報，2019，39（6）：965-971.XU Gang，WANG Lei，JIN Hongwei，et al.Gas emission prediction in mining face by Factor Analysis and BP neural network coupling model[J].Journal of Xian University of Science and Technology，2019，39（6）：965-971.

[12]劉鵬，魏卉子，景江波，等.基于增強CART回歸算法的煤礦瓦斯涌出量預(yù)測技術(shù)[J].煤炭科學(xué)技術(shù)，2019，47（11）：116-122.LIU Peng，WEI Huizi，JING Jiangbo，et al.Predicting technology of gas emission quantity in coal mine based on enhanced CART regression algorithm[J].Coal Science and Technology，2019，47（11）：116-122.

[13]肖鵬，謝行俊，雙海清，等.小波-極限學(xué)習(xí)機在瓦斯涌出量時變序列預(yù)測中的應(yīng)用[J].西安科技大學(xué)學(xué)報，2020，40（5）：839-845.XIAO Peng，XIE Xingjun，SHUANG Haiqing，et al.Application of wavelet-extreme learning machine in time-varying series prediction of gas emission quantity[J].Journal of Xian University of Science and Technology，2020，40（5）：839-845.

[14]溫廷新，孫雪，孔祥博，等.基于PSOBP-AdaBoost模型的瓦斯涌出量分源預(yù)測研究[J].中國安全科學(xué)學(xué)報，2016，26（5）：94-98.WEN Tingxin，SUN Xue，KONG Xiangbo，et al.Research on prediction of gas emission quantity with sub sources basing on PSOBP-AdaBoost[J].China Safety Science Journal，2016，26（5）：94-98.

[15]豐勝成，邵良杉，盧萬杰，等.PCA-PSO-LSSVM模型在瓦斯涌出量預(yù)測中的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2019，38（2）：124-129.FENG Shengcheng，SHAO Liangshan，LU Wanjie，et al.Application of PCA-PSO-LSSVM model in gas emission prediction[J].Journal of Liaoning Technical University（Natural Science Edition），2019，38（2）：124-129.

[16]代巍，付華，冀常鵬，等.回采工作面瓦斯涌出量VMD-DE-RVM區(qū)間預(yù)測方法[J].中國安全科學(xué)學(xué)報，2018，28（9）：109-115.DAI Wei，F(xiàn)U Hua，JI Changpeng，et al.Interval prediction method for gas emission from coal mining face based on VMD-DE-RVM[J].China Safety Science Journal，2018，28（9）：109-115.

[17]李樹剛，馬彥陽，林海飛，等.基于因子分析法的瓦斯涌出量預(yù)測指標(biāo)選取[J].西安科技大學(xué)學(xué)報，2017，37（04）：461-466.LI Shugang，MA Yanyang，LIN Haifei，et al.Selection of gas emission prediction index based on factor analysis[J].Journal of Xian University of Science and Technology，2017，37（4）：461-466.

[18]CHEN T，GUESTRIN C.XGBoost：A scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD international Conference on Knowledge Discovery and Data Mining.New York，United States：Association for Computing Machinery，2016：785-794.

[19]JIANG Y，TONG G，YIN H，et al.A pedestrian detection method based on genetic algorithm for optimize XGBoost training parameters[J].IEEE Access，2019，7：118310-118321.

[20]鄧新國，游緯豪，徐海威.貝葉斯極限梯度提升機結(jié)合粒子群算法的電阻點焊參數(shù)預(yù)測[J].電子與信息學(xué)報，2021，43（4）：1042-1049.DENG Xinguo，YOU Weihao，XU Haiwei.Prediction of resistance spot welding parameters by Bayes-XGBoost and Particle Swarm Optimization[J].Journal of Electronics & Information Technology，2021，43（4）：1042-1049.