瓦斯灾害是煤矿生产过程中最严重的灾害之一,研究和分析瓦斯数据的特征及其内在联系,设计有效的算法模型实现对瓦斯浓度精确地实时预测,对瓦斯灾害的预警和防治具有重要意义。本文在对PSO-SVR预测模型研究的基础上,针对瓦斯浓度序列特征提取、瓦斯浓度序列时空建模和瓦斯浓度趋势预测提出三种瓦斯浓度预测方法,具体研究内容如下:一、研究瓦斯浓度数据的采集、处理及分析过程。利用插值等方法对采集到的数据进行初步清洗处理,将处理后的瓦斯浓度序列作为一种离散时间序列利用其高阶统计量对其高斯性和线性特征进行分析,为后续研究做铺垫。二、深度信念网络能够更好地表征样本的深层次特征,本文提出了DBN-PSO-SVR的瓦斯浓度预测方法。算法利用深度信念网络对瓦斯浓度训练集和预测集进行特征提取,将提取的特征作为PSO-SVR预测网络的输入来获取最终的预测值。实验结果表明,该方法使瓦斯浓度预测精度得到提高,算法性能优于常用的传统预测方法。三、研究瓦斯浓度运移扩散规律及其数字特征,证明瓦斯浓度序列具有时空特性,提出一种瓦斯浓度时空建模方法。该方法建立了基于样本数据驱动的空间权矩阵,根据空间权矩阵以及时空延迟量建立瓦斯浓度的时空训练集和预测集,利用PSO-SVR模型进行训练和预测,得到预测值。实验结果表明,该方法对比于只依赖时间维度的传统方法,在预测精度与泛化性能上都有很大的提高。四、为了掌握瓦斯浓度的变化趋势和变化范围,本文提出一种基于模糊信息粒化的瓦斯浓度趋势预测方法。通过构造三角模糊粒子并利用PSO-SVR模型对瓦斯浓度变化趋势和范围进行预测。结合第四章的时空建模方法对时空化的趋势预测方法进行研究。实验结果验证了算法的有效性。