Modelo de previsão de séries temporais usando rede neural LSTM-Transformer para entrada de água em mina

Acidentes de inundação em minas ocorreram com frequência nos últimos anos, e a previsão da entrada de água em mina é um dos indicadores de alerta de inundação mais cruciais. Além disso, a entrada de água em mina é caracterizada por não-linearidade e instabilidade, tornando a previsão difícil. Assim, propomos um modelo de previsão de séries temporais baseado na fusão do algoritmo Transformer, que se baseia na autoatenção, e do algoritmo LSTM, que captura dependências de longo prazo. Neste artigo, a entrada de água da mina Baotailong na Província de Heilongjiang é usada como dados de amostra, e os dados de amostra são divididos em diferentes proporções do conjunto de treinamento e do conjunto de teste para obter resultados de previsão otimizados. Neste estudo, demonstramos que o modelo LSTM-Transformer apresenta a maior precisão de treinamento quando a proporção é 7:3. Para melhorar a eficiência da busca, a combinação de busca aleatória e otimização bayesiana é utilizada para determinar os parâmetros do modelo de rede e os parâmetros de regularização. Por fim, para verificar a precisão do modelo LSTM-Transformer, o modelo LSTM-Transformer é comparado com os modelos LSTM, CNN, Transformer e CNN-LSTM. Os resultados comprovam que o LSTM-Transformer tem a maior precisão de previsão, e todos os indicadores de seu modelo são bem melhorados.