CN117150911B - 一种基于图神经网络的煤岩失稳破裂预测方法和系统 - Google Patents

Abstract

本发明涉及煤岩动力灾害监测预警技术领域，特别是指一种基于图神经网络的煤岩失稳破裂预测方法和系统，包括：获取预测采区一段时间内监测的微震信号和相应的坐标；将预测采区划分为n个等体积网格，每个网格视作一个节点；划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；根据图嵌入方法将每个网络图转化成节点向量组；根据节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。采用本发明，可识别煤岩失稳破裂前兆特征，从而对煤岩失稳破裂进行预警，避免人员伤亡和财产损失。

Description

一种基于图神经网络的煤岩失稳破裂预测方法和系统

技术领域

本发明涉及煤岩动力灾害监测预警技术领域，特别是指一种基于图神经网络的煤岩失稳破裂预测方法和系统。

背景技术

我国煤矿开采深度持续增加，地质条件与开采布局等愈加复杂，煤岩动力灾害风险日益增加，成为制约矿井安全高效生产的主要灾害之一。如何建立有效的监测预警方法对降低煤矿开采风险以及灾害防治等方面尤为重要。

煤岩体破裂向外辐射弹性波，通过微震监测系统可进行捕捉并记录为微震信号。不同参数的微震信号对应不同程度的煤岩体破裂，通过微震监测技术得到的微震信号数据可为煤岩动力灾害的监测预警提供预警指标。因此，如何科学的利用微震监测预测出煤岩失稳破裂，并评估煤矿开采中灾害的危险程度是预测预警方面亟需开展的工作。

发明内容

本发明提供了一种基于图神经网络的煤岩失稳破裂预测方法和系统，用以对煤岩失稳破裂进行预测。所述技术方案如下：

一方面，提供了一种基于图神经网络的煤岩失稳破裂预测方法，包括：

S1、获取预测采区一段时间内监测的微震信号和相应的坐标；

S2、将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

S3、划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

S4、根据图嵌入方法将每个网络图转化成节点向量组；

S5、根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

另一方面，通过了一种基于图神经网络的煤岩失稳破裂预测系统，所述系统包括：

获取模块，用于获取预测采区一段时间内监测的微震信号和相应的坐标；

划分模块，用于将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

构建模块，用于划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

转化模块，用于根据图嵌入方法将每个网络图转化成节点向量组；

预测模块，用于根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有指令，所述指令由所述处理器加载并执行以实现上述基于图神经网络的煤岩失稳破裂预测方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有指令，所述指令由处理器加载并执行以实现上述基于图神经网络的煤岩失稳破裂预测方法。

本发明提供的技术方案带来的有益效果至少包括：

1)、经试验，本发明可使煤岩失稳破裂的预测准确率更高，同时方法简单易操作，能够解决煤岩失稳破裂预测困难，复杂的问题，结合图神经网络对煤岩失稳破裂进行预测，可实现煤岩失稳破裂前兆特征识别及其预警，从而预防此类事故的发生。

2)、通过微震监测获取的微震信号数据可为煤岩动力灾害的预警提供有效预警指标。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于图神经网络的煤岩失稳破裂预测方法流程图；

图2是本发明实施例提供的数据采集处理到预测的流程图；

图3是本发明实施例提供的一种基于图神经网络的煤岩失稳破裂预测系统框图；

图4是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明实施例提供了一种基于图神经网络的煤岩失稳破裂预测方法，包括：

S1、获取预测采区一段时间内监测的微震信号和相应的坐标；

S2、将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

S3、划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

S4、根据图嵌入方法将每个网络图转化成节点向量组；

S5、根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

下面结合图2，详细说明本发明实施例提供的一种基于图神经网络的煤岩失稳破裂预测方法，包括：

S1、获取预测采区一段时间内监测的微震信号和相应的坐标；

S2、将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

如图2中1所示，将所述预测采区划分为n个等体积网格，每个网格视作一个节点，以便后续构建网络图。

S3、划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

可选地，所述S3，具体包括：

S301、从采集到的微震信号中求得多个参数，对每个参数所对应的时间序列进行归一化：

其中，x_ij为原始微震数据第i个参数的第j个值，x_imin为原始微震数据第i个参数中的最小值，x_imax为原始微震数据第i个参数中的最大值，X_ij为归一化后微震数据第i个参数的第j个值；

S302、以10s为步长遍历ts∈(0，60)，根据ts划分时间段，将归一化后的时间序列按时间等分成m段，每段含有ts秒的数据；

本发明实施例优选使得后续预测准确率最高的ts值。

S303、计算每两个节点在每段时间内的每个微震参数序列的皮尔逊相关系数：

其中，N_ivk为节点i微震数据的第v个参数在第k段时间的序列，N_jvk为节点j微震数据的第v个参数在第k段时间的序列；

S304、根据所述皮尔逊相关系数，计算每个微震参数序列对应皮尔逊相关系数的平均值：

其中，V为微震信号参数数量，r_ijk为节点i和节点j在第k段时间的皮尔逊相关系数，得到第k段时间的相似度矩阵R_k：

起始网络视为仅有相邻网格相似，相邻节点有边，起始网络相似度矩阵R₀：

其中R_ij0为R₀中第i行第j列的元素；

S305、根据所述相似度矩阵R_k，规定合适的边缘密度：

其中，E为预设的网络边数，根据P选取阈值τ∈(0，1)，构建k段时间的邻接矩阵A_k：

其中A_ijk为A_k中第i行第j列的元素，有权值矩阵W_k：

其中，W_ijk为W_k中第i行第j列的元素，边ij的权重；

根据所述邻接矩阵A_k和权值矩阵W_k，得到m段时间的网络图拓扑结构，如图2中2所示。

S4、根据图嵌入方法将每个网络图转化成节点向量组；

node2vec算法是把图结构按照节点连接关系遍历节点顺序；随机游走策略是按照转移概率，选取下一个邻居节点，最后得到一些节点序列；skip-gram模型是一个神经网络模型，用来根据得到的节点序列把各个节点转换成向量。

可选地，如图2中3所示，所述S4，具体包括：

S401、使用Node2Vec算法，利用随机游走策略，基于所述网络图拓扑结构，得到一组节点序列，其中，从节点i到其邻居节点x∈v_i的转移概率为：

其中，W_ix为边ix的权重，v_i为节点i的邻居节点集；

使用Skip-gram模型求解得到节点的嵌入向量，进而得到第k段时间网络图中的节点向量组：

其中，N_k表示第k段时间网络图的节点向量组，N_ijk表示第k段时间网络图中第i个节点向量的第j个元素，u表示节点向量维度；

S402、对每个时间段的网络图进行图嵌入操作，得到一组节点向量组的时间序列：

N＝(N₀，N₁，…，N_m)。

本发明实施例也可以调用python库node2vec中Node2vec函数来实现S4的根据图嵌入方法将每个网络图转化成节点向量组。

S5、根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

可选地，如图2中4所示，所述S5，具体包括：

S501、将所述节点向量组中部分数据(比如节点向量组的80％)当作训练集，利用LSTM模型进行训练并预测，得到后T段时间的节点向量组：

Nf＝(Nf₁，Nf₂，…，N_T)

其中，LSTM模型包括：

输入：当前时刻的数据N_t，上一时刻的输出h_t-1；

计算：遗忘门f_t＝σ(W_f·[h_t-1，N_t]+b_f)，输入门：i_t＝σ(W_i·[h_t-1，N_tx_t]+b_i)，候选记忆单元：更新记忆单元：输出门：o_t＝σ(W_o·[h_t-1，N_t]+b_o)，隐藏状态：h_t＝o_t·φ(c_t)；

其中，σ(·)和φ(·)是激活函数，W和b是可学习权重和偏置；

本发明实施例可以调用python库keras中LSTM函数来实现利用LSTM模型进行训练并预测，得到后T段时间的节点向量组。

S502、计算预测的节点向量组Nf的每两个行向量的欧式距离：

其中，Nf_ikx为第k个网络图的第i个节点向量的第x个元素，Nf_jkx为第k个网络图的第j个节点向量的第x个元素，得每个网络图的距离矩阵D_x；

S503、根据所述边缘密度，选取前E个欧式距离最小的节点对构成边，得后T段时间的网络图拓扑结构；

S504、计算每个网络图的每个节点的重要性：

Pa_i＝DC_i·BC_i·CC_i

其中，是节点i的度数中心性，k_i是节点i的度，n是节点数量；是节点i的介数中心性，g_uv网络中是不为i的节点u和v的最短路径数量，/>是g_uv条最短路径中通过节点i的数量；/>是节点i的聚类系数，其中k是节点i的邻居节点数量，Z是节点i邻居节点之间的实际边数；

将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

可选地，所述预设值为0.5。

若有节点的Pa值大于0.5，说明网络中大部分节点之间都很相似，即预测采区中大部分区域的微震信号序列都很相似，也就是说该时间段微震信号出现的比较密集，可以作为煤岩失稳破裂前兆特征进行预警。

如图3所示，提供了一种基于图神经网络的煤岩失稳破裂预测系统，所述系统包括：

获取模块310，用于获取预测采区一段时间内监测的微震信号和相应的坐标；

划分模块320，用于将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

构建模块330，用于划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

转化模块340，用于根据图嵌入方法将每个网络图转化成节点向量组；

预测模块350，用于根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

可选地，所述构建模块，具体用于：

S301、从采集到的微震信号中求得多个参数，对每个参数所对应的时间序列进行归一化：

其中，x_ij为原始微震数据第i个参数的第j个值，x_imin为原始微震数据第i个参数中的最小值，x_imax为原始微震数据第i个参数中的最大值，X_ij为归一化后微震数据第i个参数的第j个值；

S302、以10s为步长遍历ts∈(0，60)，根据ts划分时间段，将归一化后的时间序列按时间等分成m段，每段含有ts秒的数据；

S303、计算每两个节点在每段时间内的每个微震参数序列的皮尔逊相关系数：

其中，N_ivk为节点i微震数据的第v个参数在第k段时间的序列，N_jvk为节点j微震数据的第v个参数在第k段时间的序列；

S304、根据所述皮尔逊相关系数，计算每个微震参数序列对应皮尔逊相关系数的平均值：

其中，V为微震信号参数数量，r_ijk为节点i和节点j在第k段时间的皮尔逊相关系数，得到第k段时间的相似度矩阵R_k：

起始网络视为仅有相邻网格相似，相邻节点有边，起始网络相似度矩阵R₀：

其中R_ij0为R₀中第i行第j列的元素；

S305、根据所述相似度矩阵R_k，规定合适的边缘密度：

其中，E为预设的网络边数，根据P选取阈值τ∈(0，1)，构建k段时间的邻接矩阵A_k：

其中A_ijk为A_k中第i行第j列的元素，有权值矩阵W_k：

其中，W_ijk为W_k中第i行第j列的元素，边ij的权重；

根据所述邻接矩阵A_k和权值矩阵W_k，得到m段时间的网络图拓扑结构。

可选地，所述转化模块，具体用于：

S401、使用Node2Vec算法，利用随机游走策略，基于所述网络图拓扑结构，得到一组节点序列，其中，从节点i到其邻居节点x∈v_i的转移概率为：

其中，W_ix为边ix的权重，v_i为节点i的邻居节点集；

使用Skip-gram模型求解得到节点的嵌入向量，进而得到第k段时间网络图中的节点向量组：

其中，N_k表示第k段时间网络图的节点向量组，N_ijk表示第k段时间网络图中第i个节点向量的第j个元素，u表示节点向量维度；

S402、对每个时间段的网络图进行图嵌入操作，得到一组节点向量组的时间序列：

N＝(N₀，N₁，…，N_m)。

可选地，所述预测模块，具体用于：

S501、将所述节点向量组中部分数据当作训练集，利用LSTM模型进行训练并预测，得到后T段时间的节点向量组：

Nf＝(Nf₁，Nf₂，…，N_T)

其中，LSTM模型包括：

输入：当前时刻的数据N_t，上一时刻的输出h_t-1；

计算：遗忘门f_t＝σ(W_f·[h_t-1，N_t]+b_f)，输入门：i_t＝σ(W_i·[h_t-1，N_tx_t]+_bi)，候选记忆单元：更新记忆单元：输出门：o_t＝σ(W_o·[h_t-1，N_t]+b_o)，隐藏状态：h_t＝o_t·φ(c_t)；

其中，σ(·)和φ(·)是激活函数，W和b是可学习权重和偏置；

S502、计算预测的节点向量组Nf的每两个行向量的欧式距离：

其中，Nf_ikx为第k个网络图的第i个节点向量的第x个元素，Nf_ikx为第k个网络图的第j个节点向量的第x个元素，得每个网络图的距离矩阵D_x；

S503、根据所述边缘密度，选取前E个欧式距离最小的节点对构成边，得后T段时间的网络图拓扑结构；

S504、计算每个网络图的每个节点的重要性：

Pa_i＝DC_i·BC_i·CC_i其中，是节点i的度数中心性，k_i是节点i的度，n是节点数量；/>是节点i的介数中心性，g_uv网络中是不为i的节点u和v的最短路径数量，/>是g_uv条最短路径中通过节点i的数量；是节点i的聚类系数，其中k是节点i的邻居节点数量，Z是节点i邻居节点之间的实际边数；

将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

可选地，所述预设值为0.5。

本发明实施例提供的一种基于图神经网络的煤岩失稳破裂预测系统，其功能结构与本发明实施例提供的一种基于图神经网络的煤岩失稳破裂预测方法相对应，在此不再赘述。

图4是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)401和一个或一个以上的存储器402，其中，所述存储器402中存储有指令，所述指令由所述处理器401加载并执行以实现上述基于图神经网络的煤岩失稳破裂预测方法的步骤。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于图神经网络的煤岩失稳破裂预测方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于图神经网络的煤岩失稳破裂预测方法，其特征在于，所述方法包括：

S1、获取预测采区一段时间内监测的微震信号和相应的坐标；

S2、将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

S3、划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

S4、根据图嵌入方法将每个网络图转化成节点向量组；

S5、根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警；

所述S3，具体包括：

S301、从采集到的微震信号中求得多个参数，对每个参数所对应的时间序列进行归一化：

其中，x_ij为原始微震数据第i个参数的第j个值，x_imin为原始微震数据第i个参数中的最小值，x_imax为原始微震数据第i个参数中的最大值，X_ij为归一化后微震数据第i个参数的第j个值；

S302、以10s为步长遍历ts∈(0，60)，根据ts划分时间段，将归一化后的时间序列按时间等分成m段，每段含有ts秒的数据；

S303、计算每两个节点在每段时间内的每个微震参数序列的皮尔逊相关系数：

其中，N_ivk为节点i微震数据的第v个参数在第k段时间的序列，N_jvk为节点j微震数据的第v个参数在第k段时间的序列；

S304、根据所述皮尔逊相关系数，计算每个微震参数序列对应皮尔逊相关系数的平均值：

其中，V为微震信号参数数量，r_ijk为节点i和节点j在第k段时间的皮尔逊相关系数，得到第k段时间的相似度矩阵R_k：

起始网络视为仅有相邻网格相似，相邻节点有边，起始网络相似度矩阵R₀：

其中R_ij0为R₀中第i行第j列的元素；

S305、根据所述相似度矩阵R_k，规定合适的边缘密度：

其中，E为预设的网络边数，根据P选取阈值τ∈(0，1)，构建第k段时间的邻接矩阵A_k：

其中A_ijk为A_k中第i行第j列的元素，有权值矩阵W_k：

其中，W_ijk为W_k中第i行第j列的元素，边ij的权重；

根据所述邻接矩阵A_k和权值矩阵W_k，得到m段时间的网络图拓扑结构；

所述S4，具体包括：

S401、使用Node2Vec算法，利用随机游走策略，基于所述网络图拓扑结构，得到一组节点序列，其中，从节点i到其邻居节点x∈v_i的转移概率为：

其中，W_ix为边ix的权重，v_i为节点i的邻居节点集，W_iy为边iy的权重，节点y是节点i的邻居节点；

使用Skip-gram模型求解得到节点的嵌入向量，进而得到第k段时间网络图中的节点向量组：

其中，N_k表示第k段时间网络图的节点向量组，N_ijk表示第k段时间网络图中第i个节点向量的第j个元素，u表示节点向量维度；

S402、对每个时间段的网络图进行图嵌入操作，得到一组节点向量组的时间序列：

N＝(N₀，N₁，…，N_m)；

所述S5，具体包括：

S501、将所述节点向量组中部分数据当作训练集，利用LSTM模型进行训练并预测，得到后T段时间的节点向量组：

Nf＝(Nf₁，Nf₂，…，N_T)

其中，LSTM模型包括：

输入：当前时刻的数据N_t，上一时刻的输出h_t-1；

计算：遗忘门f_t＝σ(W_f·[h_t-1，N_t]+b_f)，输入门：i_t＝σ(W_i·[h_t-1,N_t]+b_i)，候选记忆单元：更新记忆单元：输出门：o_t＝σ(W_o·[h_t-1，N_t]+b_o)，隐藏状态：h_t＝o_t·φ(c_t)；

其中，σ(·)和φ(·)是激活函数，W和b是可学习权重和偏置，W_f和b_f分别是遗忘门f_t的可学习权重和偏置，W_i和b_i分别是输入门i_t的可学习权重和偏置，W_c和b_c分别是候选记忆单元的可学习权重和偏置，W_o和b_o分别是输出门o_t的可学习权重和偏置；

S502、计算预测的节点向量组Nf的每两个行向量的欧式距离：

其中，Nf_ikx为第k个时间段对应的网络图的第i个节点向量的第x个元素，Nf_jkx为第k个时间段对应的网络图的第j个节点向量的第x个元素，得每个网络图的距离矩阵D_x；

S503、根据所述边缘密度，选取前E个欧式距离最小的节点对构成边，得后T段时间的网络图拓扑结构；

S504、计算每个网络图的每个节点的重要性：

Pa_i＝DC_i·BC_i·CC_i

其中，是节点i的度数中心性，k_i是节点i的度，n是节点数量；是节点i的介数中心性，g_uv网络中是不为i的节点u和v的最短路径数量，/>是g_uv条最短路径中通过节点i的数量；/>是节点i的聚类系数，其中NN是节点i的邻居节点数量，Z是节点i邻居节点之间的实际边数；

将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

2.根据权利要求1所述的方法，其特征在于，所述预设值为0.5。

3.一种基于图神经网络的煤岩失稳破裂预测系统，其特征在于，所述系统包括：

获取模块，用于获取预测采区一段时间内监测的微震信号和相应的坐标；

划分模块，用于将所述预测采区划分为n个等体积网格，每个网格视作一个节点；

构建模块，用于划分若干时间段，根据每个时间段内各节点的微震信号参数时间序列相关性构建连边，得到每个时间段的网络图；

转化模块，用于根据图嵌入方法将每个网络图转化成节点向量组；

预测模块，用于根据所述节点向量组的时间序列，采用神经网络预测后T段时间的网络图拓扑结构，将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警；

所述构建模块，具体用于：

S301、从采集到的微震信号中求得多个参数，对每个参数所对应的时间序列进行归一化：

其中，x_ij为原始微震数据第i个参数的第j个值，x_imin为原始微震数据第i个参数中的最小值，x_imax为原始微震数据第i个参数中的最大值，X_ij为归一化后微震数据第i个参数的第j个值；

S302、以10s为步长遍历ts∈(0，60)，根据ts划分时间段，将归一化后的时间序列按时间等分成m段，每段含有ts秒的数据；

S303、计算每两个节点在每段时间内的每个微震参数序列的皮尔逊相关系数：

其中，N_ivk为节点i微震数据的第v个参数在第k段时间的序列，N_jvk为节点j微震数据的第v个参数在第k段时间的序列；

S304、根据所述皮尔逊相关系数，计算每个微震参数序列对应皮尔逊相关系数的平均值：

其中，V为微震信号参数数量，r_ijk为节点i和节点j在第k段时间的皮尔逊相关系数，得到第k段时间的相似度矩阵R_k：

起始网络视为仅有相邻网格相似，相邻节点有边，起始网络相似度矩阵R₀：

其中R_ij0为R₀中第i行第j列的元素；

S305、根据所述相似度矩阵R_k，规定合适的边缘密度：

其中，E为预设的网络边数，根据P选取阈值τ∈(0，1)，构建第k段时间的邻接矩阵A_k：

其中A_ijk为A_k中第i行第j列的元素，有权值矩阵W_k：

其中，W_ijk为W_k中第i行第j列的元素，边ij的权重；

根据所述邻接矩阵A_k和权值矩阵W_k，得到m段时间的网络图拓扑结构；

所述转化模块，具体用于：

S401、使用Node2Vec算法，利用随机游走策略，基于所述网络图拓扑结构，得到一组节点序列，其中，从节点i到其邻居节点x∈v_i的转移概率为：

其中，W_ix为边ix的权重，v_i为节点i的邻居节点集，W_iy为边iy的权重，节点y是节点i的邻居节点；

使用Skip-gram模型求解得到节点的嵌入向量，进而得到第k段时间网络图中的节点向量组：

其中，N_k表示第k段时间网络图的节点向量组，N_ijk表示第k段时间网络图中第i个节点向量的第j个元素，u表示节点向量维度；

S402、对每个时间段的网络图进行图嵌入操作，得到一组节点向量组的时间序列：

N＝(N₀，N₁，…，N_m)；

所述预测模块，具体用于：

S501、将所述节点向量组中部分数据当作训练集，利用LSTM模型进行训练并预测，得到后T段时间的节点向量组：

Nf＝(Nf₁，Nf₂，…，N_T)

其中，LSTM模型包括：

输入：当前时刻的数据N_t，上一时刻的输出h_t-1；

计算：遗忘门f_t＝σ(W_f·[h_t-1，N_t]+b_f)，输入门：i_t＝σ(W_i·[h_t-1,N_t]+b_i)，候选记忆单元：更新记忆单元：输出门：o_t＝σ(W_o·[h_t-1，N_t]+b_o)，隐藏状态：h_t＝o_t·φ(c_t)；

其中，σ(·)和φ(·)是激活函数，W和b是可学习权重和偏置，W_f和b_f分别是遗忘门f_t的可学习权重和偏置，W_i和b_i分别是输入门i_t的可学习权重和偏置，W_c和b_c分别是候选记忆单元的可学习权重和偏置，W_o和b_o分别是输出门o_t的可学习权重和偏置；

S502、计算预测的节点向量组Nf的每两个行向量的欧式距离：

其中，Nf_ikx为第k个时间段对应的网络图的第i个节点向量的第x个元素，Nf_jkx为第k个时间段对应的网络图的第j个节点向量的第x个元素，得每个网络图的距离矩阵D_x；

S503、根据所述边缘密度，选取前E个欧式距离最小的节点对构成边，得后T段时间的网络图拓扑结构；

S504、计算每个网络图的每个节点的重要性：

Pa_i＝DC_i·BC_i·CC_i

其中，是节点i的度数中心性，k_i是节点i的度，n是节点数量；是节点i的介数中心性，g_uv网络中是不为i的节点u和v的最短路径数量，/>是g_uv条最短路径中通过节点i的数量；/>是节点i的聚类系数，其中NN是节点i的邻居节点数量，Z是节点i邻居节点之间的实际边数；

将后T段时间的网络图中重要性大于预设值的节点作为煤岩失稳破裂前兆特征进行预警。

4.根据权利要求3所述的系统，其特征在于，所述预设值为0.5。