目前各煤矿根据《煤矿安全规程》的明确规定都已安装水文监测系统,并且积累了大量的水文数据,但是存在数据分析能力不足,利用率低的问题。本文对矿井历史水文数据进行深入分析,建立水文参数的深度学习预测模型,为预防矿井水害发生提供技术支持,对确保煤矿安全生产具有重要意义。水文参数分析是为后期预测模型的建立提供依据。矿井监测的各水文参数具有明显的噪声多、非线性等特点,通过自相关图对其平稳性进行判定,自相关系数在很长的延迟期内一直为正,说明其具有典型的非平稳性。另外,通过皮尔逊相关系数和散点图矩阵对多序列水文参数的相关性进行分析,结果表明,不同参数传感器间存在不同程度的相关性,同一参数各监测点的数据也存在相关性。矿井水文数据呈现出的非平稳性特征导致传统的单序列预测方法难以达到有效的预测效果。为了提高预测精度,论文提出CEEMDGRU模型。首先通过CEEMD将水文数据分解为多个平稳的子分量;其次,通过PACF确定水文数据的滞后期数,从而确定输入神经元个数;然后通过GRU神经网络学习各分量的变化规律并进行预测;最后对各分量预测结果进行融合得到最终的预测值,并与其它五种神经网络模型基于两组数据进行对比实验,测试集均方根误差分别平均降低了 36.38%、25.48%。单序列预测基于数据的自相关性进行建模,然而,矿下的各水文传感器在空间上也具有相关性,本文利用这种相关性建立GRUAttention模型。首先将多维序列输入到GRU中,实现高层次特征学习;然后将GRU的输出作为注意力机制的输入,通过注意力机制挖掘多维输入与输出的关联关系,计算特征权值;最后,将GRU层输出与特征权值加权求和对各输入进行增强或削弱,并将得到的特征表达向量输入全连接层计算最终预测值。与其它五种神经网络进行对比实验,测试集均方根误差平均降低了 31.1%。论文对矿井水文参数进行了深入分析,构建深度学习预测模型并进行实验验证。结果表明,论文所提模型具有更好的预测效果。可为矿井防治涌水和排水系统设计等方面提供技术支持。