我国是世界上最大的煤炭生产国,然而煤炭工业的安全生产始终面临严峻的挑战。在大数据与人工智能时代,利用大数据与人工智能技术解决煤炭生产中的实际问题,是当前重要的研究方向。自2017年起,西安科技大学以国家自然科学基金重点项目为依托,探索用大数据与深度学习的方法改进煤矿安全生产技术,包括对采煤工作面矿压预测问题的研究。本文关于采煤工作面矿压预测问题的研究主要包括:基于LSTM的单序列矿压预测方法、时间窗设置对LSTM单序列预测模型性能的影响、基于时间序列关联分析及LSTM的矿压时空预测方法。具体工作如下。(1)LSTM网络能够学习长期依赖信息,可用于序列建模,捕获序列在时间上的依赖性。栈式LSTM堆叠多个隐藏层,每一层网络可进一步抽象表达信息,有利于提升网络的抽象表达能力。因此,本文设计三层栈式LSTM网络实现单序列矿压预测。(2)研究发现,模型预测精度和采用坐标延迟法构造样本集合的历史数据长度密切相关。给定历史数据长度时,在一定精度范围内,模型可预测长度有限。因此,本文研究影响模型性能的时间窗参数:最佳历史数据长度和预测数据长度。本文设计提出最佳历史数据长度搜索方法和预测数据长度范围确定方法。(3)对于单序列矿压预测方法,仅建模了序列在时间上的依赖性。在工作面开采过程中,岩层空间结构动态变化,支架监测系统测得的矿压序列间在空间上存在着关联关系。将此关联关系用于矿压时空预测有利于提高矿压预测精度。本文基于相关系数研究了序列间的关联关系,设计三层栈式LSTM网络作为时空预测模型实现矿压预测。最后,以平煤股份八矿14160工作面矿压数据为例,本文完成了基于LSTM网络的矿压预测及模型性能影响因素分析实验。实验结果表明,时间窗参数影响模型性能,设置合理的时间窗参数可以提高模型的预测精度。对于矿压时空数据预测,以榆家梁52306工作面矿压数据为例,本文验证了基于时间序列关联分析及LSTM的矿压时空预测方法。实验结果表明,相比于单序列矿压预测,时空预测模型有效提高了矿压预测精度。