随着Internet和信息化的到来，海量数据的产生不可避免，人们面临着被数据淹没而知识匮乏的现状，而传统的数据统计方法由于效率低下已经不能适应目前这种状况，数据挖掘技术正是在这种大背景下产生和发展起来的，截止目前，数据挖掘已广泛应用于商业活动和军事等领域。时间序列数据建模是一种根据动态数据揭示系统动态结构和规律的方法，其基本思想是根据系统内有限长度的运行记录(观察数据)，建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预测。本文的主要研究方向是时间序列数据建模及其在煤矿瓦斯预测中的应用研究，文中就时间序列数据建模的国内外研究现状、时间序列分析、形式化表示和时间序列的建模等进行了详细的论述，在分析了煤矿瓦斯监测数据的特点和多种模型的特征基础上，提出了本文所适用的数据模型为ARMA，同时，对特定的数据进行了数据建模，并对结果进行了分析和验证。具体内容包括如下方面：首先，本文在研究了大量文献的基础上，对时间序列数据分析与建模及其在煤矿瓦斯预测中的应用，以及它们的国内外研究现状进行了综述，并对时间序列数据的特点、时间序列分析研究的问题，以及相关的技术进行了分析。其次，从时间序列的统计学特征、时间序列平稳性、时间序列的统计学模型以及时间序列数据的形式化表示等方面进行了详细的叙述。在分析了自回归模型、移动平均模型、自回归移动平均模型和自回归积分移动平均模型等模型后，结合煤矿瓦斯数据的特点，本文确定应使用自回归移动平均模型作为煤矿瓦斯检测的数据模型。最后，本文依据自回归移动平均模型的建模方法，对给定的数据进行了建模和模型验证。时间序列建模是指结合具体的背景知识，考虑时间序列的非平稳性，依据变量自身的变化规律，利用外推机制描述时间序列的变化。对于时间序列数据挖掘的整个过程，本文采用如下的步骤：动态数据的预处理、模型形式的选择和识别、模型参数的初步估计、模型参数的精估计，并对结果模型进行了检验和分析。自然界存在大量的时间序列数据，所以对时间序列的研究有着重要的现实意义，鉴于此在理论分析后应用于实际，主要是对煤矿瓦斯浓度数据动态进行建模、预测以及模型检验与改进，实际证明效果较好，对实践有一定的指导作用。