简介： 本发明实施例公开了基于机器学习的煤自燃倾向性预测方法。该方法包括：获取样本集；将样本集划分为训练集、验证集和测试集；基于训练集，利用机器学习方法(多层感知机(MLP)或者随机森林(RF))构建煤自燃交叉点温度回归预测模型；基于训练集和验证集得到模型的学习曲线，评估模型所处状态；基于测试集，利用模型得到煤自燃交叉点温度，并预测煤自燃倾向性风险等级。本方案能够通过机器学习模型表示复杂的物理化学过程和外部因素的影响，构建关于交叉点温度和涉及煤的固有属性和外部因素的回归预测模型，采用K‑fold交叉验证法和网格搜索法来提高模型的拟合能力和泛化能力，从而预测煤自燃交叉点温度，适用性广并且预测结果准确。