西安建筑科技大学信息与控制工程学院董丽丽教授研究团队采用长短时记忆(Long Short-Term Memory，简称LSTM)神经网络构建的突水预测模型，将煤层底板突出的预测正确率提高至93.88%，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。

　　我国煤炭地质条件复杂，突水事故频发，在采动等外因的作用下，影响突水的因素会随时间不断变化。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。

　　在传统的神经网络模型中，数据是从输入层到隐含层再到输出层，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。

　　董丽丽团队认为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，之后将煤矿突水实例的数据作为样本数据对模型进行训练。

　　与BP模型、GA-BP模型对比实验结果表明，LSTM模型的预测正确率(93.88%)高于GA-BP模型(87.12%)和BP模型(84.38%)，并且具有更高的可信度。

参考文献：《基于LSTM神经网络的煤矿突水预测》