我国拥有丰富的天然煤炭资源,煤炭开采产业也已经成为了我国国民经济的重要社会经济支柱之一,维系着国民经济持续发展。然而,瓦斯事故的发生给矿区人民和经济发展带来了巨大损害。准确预测瓦斯浓度,提前识别瓦斯异常征兆是避免瓦斯事故发生的重要手段。为了提高瓦斯浓度预测的准确性,本文对基于深度学习的多因素融合瓦斯浓度预测进行研究。首先,通过拉依达准则和LOCF法对煤矿监测大数据进行预处理。其次,对数据进行特征衍生和有监督化。低次项特征通过特征衍生后,产生更多高次项特征以及交叉项特征。有监督化过程将每个时序位置的瓦斯浓度时序因素和空间因素组合成完整的多因素融合特征,构建瓦斯浓度预测模型的时空特征体系和有监督学习样本。然后,选择最优算法作为多因素融合瓦斯浓度预测模型的核心算法。在12个不同的滞后期步长条件下,从单因素的LSTM算法、RNN算法、SVR算法、BPNN算法中挑选了LSTM算法。接着,利用Bi-LSTM算法抓取煤矿监测数据的历史数据和未来数据信息,在多个滞后期步长下,对基于Bi-LSTM的多因素融合瓦斯浓度预测模型和基于LSTM的多因素瓦斯浓度预测模型进行模型评估,且进行瓦斯浓度预测对比。实验证明基于Bi-LSTM的多因素融合瓦斯浓度预测模型的瓦斯浓度预测RMSE和MAE指标最小,模型预测准确度最高。最后,构建基于CNN的多因素融合瓦斯浓度预测模型,将多因素融合的瓦斯浓度样本作为一维图像进行识别,通过卷积核挖掘更多的深层特征,提高瓦斯浓度预测准确性。在6个不同的滞后期步长下,当滞后期步长大于30后,基于CNN的多因素融合瓦斯浓度预测模型的预测效果均比基于Bi-LSTM的多因素融合瓦斯浓度预测模型高。本文通过将影响瓦斯浓度的时间序列数据和空间因素数据相结合,在特征衍生和样本有监督化的过程中,形成了影响瓦斯浓度变化的多因素融合的时空特征体系,并结合深度学习算法,构建了基于深度学习的多因素融合瓦斯浓度预测模型,提高了瓦斯浓度预测模型的鲁棒性和准确性。图25表25参80