总的来说，传统机器学习、传统机器学习与深度学习的结合、LSTM等算法所需要的数据集来源于矿井传感器测量的粉尘浓度，通过建立回归模型来预测未来矿井的粉尘浓度。传统机器学习算法性能易受数据中极端值的影响。YOLO等计算机视觉算法所需要的数据集来源于井下采煤现场的摄像头等实地采集的视频，用于识别图像粉尘的位置。
张易容通过分析PM2.5 浓度、气象因子与PM2.5变化速率的相关性，证明LSTM循环神经网络优于回归分析与随机森林［1］。
罗怀廷［2］将粒子群优化算法和随机森林算法、梯度提升机算法依次结合，提出了适用于露天煤矿粉尘浓度预测的RF-PSO 和GBM-PSO模型。RF-PSO的相关系数在0.8422-0.9100。GBM-PSO对PM2.5浓度的分级平均精度为0.954，性能会因为数据集中未经数据清洗而存在的离群值，以及两次数据采集间的时间间隔的增加而下降，然而更长的时间间隔能为矿山从业人员提供更多时间来决策。数据清洗后测试集回归性能从0.877提高到0.940。论文还指出前5min的浓度是影响当前PM浓度最关键的变量，其次是湿度>温度≈噪声>风速>风向。
王雅宁［3］以新疆哈尔乌素露天矿为研究对象，基于随机森林算法设计建立露天矿粉尘浓度预测模型，并利用马尔科夫理论对随机森林预测模型的粉尘浓度进行修正，修正后相对误差合格率从65.25%提升至89.76%。
霍文等［4］对粉尘质量浓度数据进行降噪处理后，基于环境数据选取神经网络算法，对新疆哈尔乌素煤矿监测点粉尘质量浓度进行研究预测。
周旭等［5］继承了时间序列模型对数据的拟合度与神经网络模型对数据的预测能力, 采用外因输入NARX模型对矿井中粉尘浓度进行预测，误差率和对预测函数的拟合效果都优于ARIMA和BP等传统模型。
颜杰等［6］采取Elman 测点粉尘浓度预测模型进行分析，将神经网络模型所获得的回归数据与监测数据对比分析，显示二者相对误差较小。
赵耀忠等［7］以线性回归算法、随机森林算法、K-临近算法、支持向量机算法与梯度提升树算法为基础，建立相关的粉尘浓度监测模型，发现支持向量机的预测效果最好。
粉尘浓度数据受风速等自然因素的影响，数据平稳性较低且数据间关联性较低。为解决粉尘浓度预测模型拟合度不佳的问题，娄璇采用变分模态分解算法将原始粉尘数据分解为低频高频2个波段，并结合分解后的数据特征，采取灰色马尔科夫预测与LSTM 神经网络预测对不同波段数据分布预测，以提高粉尘浓度的预测精度。［8］
在CPU 为 Intel Core i7-8700k，显卡为英伟达 GTX 1070Ti，内存为 16 GB，深度学习框架为Darknet的配置下，程学珍［9］等使用的优化YOLOv4算法召回率、准确率、检测速度分别为88.63% 、93.21%、65帧/s。
还有些视觉算法可以根据图像的灰度特征，纹理特征，几何特征来检测粉尘的质量浓度的估计的，但是这些算法使用的图像是结合了光散射法的粉尘图像，不是用普通的摄像头直接收集的。这些图像中的位置信息、透射率等，在光强上也有参数，也可被算法用于检测粉尘浓度。
参考文献：
［1］张易容.基于循环神经网络的哈尔乌素露天煤矿粉尘浓度预测 ［D］.徐州:中国矿业大学,2020
［2］罗怀廷. 寒区露天煤矿粉尘污染特征及预测［D］. 徐州:中国矿业大学,2022.
［3］王雅宁. 基于随机森林—马尔科夫模型的露天矿粉尘浓度预测研究［D］. 徐州:中国矿业大学,2021.
［4］霍文,栾博钰,周伟,等. 基于环境因素的露天煤矿粉尘质量浓度预测［J］. 辽宁工程技术大学学报(自然科学版),2021,40(5):409-414.
［5］周旭,王艺博,朱毅,等. 基于非线性自回归模型的矿井粉尘浓度预测［J］. 华北理工大学学报(自然科学版),2021,43(4):127-133.
［6］颜杰,白雪瑞,赵长海,等. 基于 Elman 模型的露天矿粉尘浓度预测［J］. 内蒙古煤炭经济,2023(4):5-7.
［7］赵耀忠,严俊龙,任吉凯,等. 基于机器学习的露天煤矿粉尘浓度预测［J］. 煤炭工程,2022,54(S1)157-161.
［8］娄璇,杨超宇.基于灰色LSTM算法的粉尘浓度预测[J].煤炭技术,2025,44(02).
［9］程学珍,赵振国,刘兴军,等.基于YOLOv4算法的煤矿井下粉尘检测方法[J].实验室研究与探索，2022,41(03):14-18.