煤矿是我国的主要消费能源,但在煤矿的开采过程中经常会有安全事故的发生,造成了严重的人员伤亡和经济损失,因此加强对煤矿瓦斯浓度变化趋势的预测研究具有非常重要的意义。目前,各地的煤矿企业都安装了煤矿瓦斯监控系统,但传统的监控系统只有在瓦斯浓度监测值超过报警阈值的情况下进行告警,而不具备对危险的预测能力。同时在对现有瓦斯浓度预测方法的研究中发现,大多数预测方法的预测精度不够且没有考虑到瓦斯浓度样本数据分布不平衡的情况。针对上述问题,本文提出了基于SMOTER和加权极限学习机（ELM）的瓦斯浓度预测方法,设计并实现了瓦斯浓度预测系统。文中以山西大同某煤矿多个监测点的瓦斯浓度历史数据为研究背景,构建瓦斯浓度预测模型,并基于预测模型开发瓦斯浓度预测系统,实现对未来瓦斯浓度变化趋势的预测。论文主要完成了三个方面的工作:首先,为了解决瓦斯浓度样本数据分布不平衡的问题,本文基于SMOTER算法来对样本集进行重采样。在SMOTER算法中通过相关性函数来将历史瓦斯浓度样本集划分为常规值样本和稀有值样本,再通过合成稀有值的方式来使样本集达到平衡的状态,借此来提升预测模型的对稀有值样本的预测精度。并与其他几种重采样方式进行对比,包括:随机过采样、随机降采样和不进行采样处理,证明了使用SMOTER算法处理数据集能够降低模型在稀有值样本上的误差。其次,本文提出了一种基于加权极限学习机的瓦斯浓度预测算法来构建瓦斯浓度预测模型,实验显示该方法具有良好的预测效果。在数据预处理时,取十分钟的瓦斯数据并做均值处理作为一个记录点,形成训练样本集。接着采用线性插值法对缺失部分进行填充。经过数据预处理后,使用SMOTER算法来处理不平衡数据集,再将数据集输入到加权极限学习机算法进行模型的训练,预测模型在测试集上的精度有70%以上。最后将本文方法与神经网络（BPNN）、支持向量回归（SVR）、小波变化和极限学习机（WELM）等方法开展对比实验,验证了本文的预测模型的有效性。最后,本文结合所训练的瓦斯浓度预测模型来设计并实现了瓦斯浓度预测系统。系统总共包含了5大功能模块,分别为登录注册模块,实时监测模块,瓦斯预测模块,历史数据查询模块,以及用户管理模块,共同完成井下瓦斯浓度实时监测与变化趋势预测功能。在系统搭建上,本文采用Flask框架来实现系统的服务端,使用Bootstrap框架来搭建瓦斯浓度预测系统的前端页面,并使用ECharts技术绘制图表来展示数据。