煤矿资源是我国宝贵的物质资源之一。然而在采集煤矿过程中引发的矿井事故,极大威胁人身安全和生产安全。根据灾害数据显示,瓦斯事故在各类矿井事故中一直占有较大的比重,需要引起我们的重视。因此寻找对煤矿瓦斯浓度的精准预测方法,是避免井下灾害的有效手段。传统的瓦斯浓度预测方法一般在预测时只用到瓦斯浓度历史数据,而未考虑矿井中瓦斯浓度值也受到诸如风速等其他环境参数影响的问题,针对这个问题论文重点研究以矿井中瓦斯浓度、风速、温度为输入变量的多变量瓦斯浓度预测方法,并构建基于自编码器和极限学习机的模型结构来实现瓦斯浓度的预测。论文所作研究可以概况为以下三点:1.提出利用风速、温度、瓦斯浓度的时序数据协同实现对瓦斯浓度值的预测方法。采用多传感器数据融合和相空间重构的方法相结合,提升整个矿井工作面中瓦斯浓度预测的准确性。2.提出一种自编码器和极限学习机相结合的组合神经网络结构。自编码器用于特征提取将有效降低原始数据维数,并去除原始数据中包含的冗余信息,在提高预测准确度的同时将减少预测的时间,尤其适用于数据量较大的情况。通过极限学习机随机赋予权值能有效缩短训练时间,进一步的提高了预测的实时性。仿真实验结果表明使用论文方法预测的平均绝对误差(MAE)较传统单变量的瓦斯浓度预测以及使用传统模型进行预测的方法分别降低了47.24%和75.97%,提升了算法的准确度和效率。3.提出一种利用模糊信息粒化来预测瓦斯浓度变化趋势的改进方法。将现有的单变量瓦斯浓度趋势预测法与多传感器数据融合和相空间重构技术相结合,提出一种基于多输入变量的瓦斯浓度变化趋势预测方法,从而提高预测的准确性。改进后使用多变量的瓦斯浓度趋势预测方法也较改进前使用单变量的方法的MAE值大大降低,达到了提高准确性的目的。