1.一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，具体包括以下步骤：基于煤矿矿井下分布的各个瓦斯浓度传感器的位置，根据巷道风向及分布距离构建有向稀疏邻接矩阵，通过神经网络学习更新矩阵中的权值，使得融合相关多个传感器的数据特征，得到当前传感器的时空信息；

设置M个时间粒度，将当前传感器的空间位置特征基于设置的时间粒度划分时间片段，对每个时间片段下的数据进行聚合，得到每个时间粒度下的输入数据；当前传感器的空间位置特征的获取过程包括以下步骤：根据煤矿矿井巷道风向及瓦斯传感器之间的分布位置距离构建有向稀疏邻接权值矩

1×K

阵A，A∈R ，K代表传感器个数；

将该矩阵权值归一化作为网络神经元初始值，通过线性运算计算当前待预测传感器与其他传感器采集的数据特征，通过线性组合的方式得到各个传感器的线性组合特征该过程表示为：X′＝ωX+b

在训练过程中，根据煤矿瓦斯浓度预测结果的误差，通过神经网络的反向传播机制，更新A中的权值ω，动态调整多传感器的线性组合特征；

针对当前待预测的传感器，采用拼接的方式，将当前传感器采集的数据与其对应的相关性特征通过拼接的方式进行融合；该过程表示为：1

X＝Concat(Xcur；X′)

其中，X′为各个传感器的线性组合特征，X为各个传感器的时序特征，ω为有向稀疏邻接矩阵A的权值，使用sigmoid函数作为激活函数；b表示线性组合过程中的偏置参数；Xcur为1

待预测瓦斯传感器的历史特征，X 为拼接其他传感器时序特征的待预测瓦斯传感器的数据特征；

每个时间粒度下的输入数据的获取包括以下步骤：

构建CNN网络，通过设定CNN网络中卷积层的卷积核大小获取获不同时间粒度下的数据，其中时间粒度越细则卷积核越小，得到M个时间粒度的数据，时间粒度为m的数据表示为：m 1

X＝σ(CONV2D(X))；

1

其中，σ()表示ReLU激活函数；CONV2D()表示二维卷积函数；X表示拼接其他传感器时m序特征的待预测瓦斯传感器的数据特征，且其为最细时间粒度的据特征；X表示经过聚合学习得到当前瓦斯传感器时间粒度为m的时空数据特征；

将每个时间粒度下的输入数据分别通过双层LSTM网络进行编码，得到各个时间粒度下输入数据的特征；

通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息，并删除该时空信息中重复的信息；获取时空信息的过程包括：m m m

其中，MHAtt(Q ,K ,V)表示进行多头注意力机制特征提取；Qm表示时间粒度为m的数据m m对应的Query矩阵，K表示时间粒度为m的数据对应的Key矩阵，V表示时间粒度为m的数据对m m m应的Value矩阵； 分别为Q、K 、V对应的权值矩阵； 为时间粒度为m的数据下第i头注意力机制的输出，N为多头注意力机制头的数量；

将获取的时空信息输入预测模块，得到各个时间粒度下的当前传感器的浓度预测值，并将各个时间粒度下的预测值融合作为当前传感器的最终预测值。

2.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，将每个时间粒度下的输入数据统一特征维度后分别输入双层LSTM网络进行编码，双层LSTM网络由两个级联的LSTM网络构成。

3.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，删除时空信息中重复的信息，即计算每个时间粒度下与最细时间粒度下的各个信息块的时空信息的余弦相似度，若余弦相似度小于设定阈值则将该时间粒度下对应信息块的值置为0，并对剩余信息块进行线性变换作为输入预测模块的特征，该过程表示为：m m

P＝Linear(O')

1 m

其中，Matrixm表示特征相似度度量矩阵；Similarity(O ,O)表示对O1和Om进行相似度计算；aij表示最细时间粒度中对应的多头注意力机制中第i个头的输出与时间粒度为m的数据中对应的多头注意力机制中第j个头的输出的相似度；θ表示余弦相似度的阈值； 表示m时间粒度为m的数据中第j个头的输出值；O'表示进行过滤后时间粒度为m的数据中第j个m头的输出值；Linear(·)表示线性变换操作，P表示输入预测模块的特征。

4.根据权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，当前传感器的最终预测值的获取过程包括以下步骤：Ym＝DNN3(DNN2(DNN1(Pm)))；

1 2 M

Y＝Y+Y ...+Y；

m m

其中，Y表示时间粒度m下数据对应的预测值，P表示输入预测模块的特征，DNN1(·)、DNN2(·)、DNN3(·)为由级联的三个全连接层构成的预测模块中的第一层全连接层、第二层全连接层、第三层全连接层；M为时间粒度的总数量。

5.根据权利要求1～4任意一项所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，其特征在于，对瓦斯浓度传感器采集的数据进行预处理操作，具体包括以下步骤：

101、利用瓦斯调校规则将瓦斯浓度传感器采集的高于1.5的值进行删除；

102、对删除数据的位置，利用线性插值方法进行补齐，若删除数据的位置前一位置的数据为x0时刻下瓦斯浓度为y0、后一位置的数据为x1时刻下瓦斯浓度为y1，则补齐的数据(x,y)的计算过程表示为：

103、对补齐的数据进行统一时间频率；

104、对数据进行归一化处理，将瓦斯值映射到0～1之间。

6.一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测装置，其特征在于，该装置用于实现权利要求1所述的一种基于多粒度瓦斯数据的煤矿瓦斯浓度预测方法，该装置包括空间位置特征获取模块、时间粒度划分模块、特征提取模块、空间信息获取模块以及预测模块；其中：空间位置特征获取模块，用于根据其他传感器相对当前待预测传感器的巷道风向及分布距离构建有向稀疏邻接矩阵，通过神经网络学习更新矩阵中的权值，使得融合相关多个传感器的数据特征，得到当前传感器的空间位置数据；

时间粒度划分模块，用于对当前传感器的空间位置数据进行时间粒度划分，获取当前传感器各个时间粒度下的数据；

特征提取模块，用于根据双层LSTM网络进行编码对各个时间粒度下的数据进行编码，得到各个时间粒度下的数据对应的特征；

空间信息获取模块，用于通过多头注意力机制获取各个时间粒度下输入数据的特征对应的时空信息，并删除该时空信息中重复的信息；

预测模块，根据时空信息预测得到各个时间粒度下的当前传感器的浓度预测值，并将各个时间粒度下的预测值融合作为当前传感器的最终预测值。