矿井涌水量是指矿井开采过程中，地表水或地下水通过裂隙、断层等各种通道在单位时间内涌入井巷系统的水量。当矿井涌水量超过矿井自身排水能力时会导致矿井水害事故的发生，涌水量直接关系着煤矿采掘方案和排水能力设计的合理性，更决定了煤矿是否能够安全生产，因此，矿井涌水量的准确预测具有重要意义。
近年来，在矿井生产领域，相对成熟的方法有水文地质比拟法、大井法、模糊数学法和数值模拟法，尽管在业务上取得了一定的效果，但依然存在较大的改进空间。这些问题主要表现在预测精确度不足、不确定的分布参数较多，适用条件较为局限以及在多步预测过程中出现较大累积误差上。
大数据时代的到来，传统的线性时序预测模型已经不适用于解决高度非线性的问题。随着人工智能的发展，深度学习这类新型的非线性时间序列预测模型已经被广泛的应用于各个领域，越来越多的人将数据驱动方法引入到预测计算中。利用深度学习可以在大量数据中找出彼此潜在的复杂关系，并学习到相对集中的特征表征模式，更有利于对指定地区未来时段内的数据状况做出精准预测，从而便于工作者及时预知和处理相关问题。
因此，本研究提出了一种鲁棒性的深度学习模型，用于预测日平均矿井涌水量。该模型由两种方法组成，分别是差分法(DIFF)、时间卷积神经网络(TCN)。将该方法应用于中国陕西省亭南煤矿时，DIFF-TCN在预测日平均涌水量时表现优秀，在涌水量预测的测试集中，该模型的MAE为5.88 m³/h，RMSE为6.85 m³/h，R²为0.96。与其他深度学习模型(具有类似的复杂结构)和传统的时间序列模式相比，提出的DIFF-TCN模型更具优势。采用SHAP值来解释每种输入对涌水量预测的影响，结果表明历史涌水量是最重要的输入特征，此外，每日推进距离和地下水位数据也对模型的预测提供了帮助。本研究的结果可以为煤矿的安全生产和水资源与水环境的保护提供技术支持。

涌水量预测,人工智能,深度学习,时间卷积神经网络,差分法