基于预训练机制的时空图气量预测模型.pdfVIP

南京大学学报（自然科学）

第61卷第6期Vol.61,No.6

JOURNALOFNANJINGUNIVERSITY

2025年11月Nov.,2025

(NATURALSCIENCE)

DOI:10.13232/j.cnki.jnju.2025.06.003

基于预训练机制的时空图气量预测模型

李继，方宇1，2*，闵帆，王1,3.4

欣

（1.西南石油大学计算机与软件学院，成都，610500；2.西南交通大学计算机与人工智能学院，成都，611756：

3.油气藏地质及开发工程全国重点实验室，西南石油大学，成都，610500：

4.智慧油气田研究中心，西南石油大学，成都，610500）

摘要：针对石油领域传统气量预测模型在捕捉长时间依赖和刻画气井间非线性、多尺度空间交互方面的不足，提出基

于预训练机制的时空图气量预测模型.在预训练阶段，通过Transformer模块构建时间序列掩码自编码器，提取油田生产

数据的深层时序特征，生成具备全局上下文感知的段级表征，解决传统模型时序特征提取不充分的问题；在预测阶段，依

托时空特征融合机制，将上述时序表征与动态图结构学习模块捕获的气井空间依赖相结合，突破传统方法在长期记忆缺

失、预定义图结构不完整场景下的性能瓶颈.实验结果显示，模型预测的平均绝对误差降至0.156，和基准模型相比，误

差分别降低6.6%，36.3%，26.9%和67.9%，性能显著提升.该成果为石油勘探中的时空数据建模提供了新的深度学习

范式，是时空大模型工程化应用的有益探索

关键词：气量预测，预训练机制，图结构学习，时空图神经网络

中图分类号：TE311文献标志码：A

Apretraining-enhancedspatio-temporalgraphmodel

forgasproductionprediction

LiJil,FangYu1.2*,MinFan1,WangXin1.3.4

(1.SchoolofComputerandSoftware,SouthwestPetroleumUniversity,Chengdu,610500,China;

2.SchoolofComputerandArtificialIntelligence,SouthwestJiaotongUniversity,Chengdu,6l1756,China;

3.StateKeyLaboratoryofOilandGasReservoirGeologyandExploitation,SouthwestPetroleumUniversity,

Chengdu,610500,China;4.ResearchCenterforSmartOilandGasField,SouthwestPetroleumUniversity,

Chengdu,610500,China)

Abstract:Toaddressthelimitationsoftraditionalgasproductionpredictionmodelsincapturinglong-termdep