由于我国能源资源储量的特点,煤炭在我国能源结构中占有很大的比重。在煤炭的开采过程中,瓦斯事故的发生始终威胁着煤矿工作人员的生命安全,也造成煤炭企业的经济损失。瓦斯涌出量能够体现出煤层中瓦斯的赋存情况,是设计矿井通风系统的重要指标。同时,煤炭企业中瓦斯爆炸、煤与瓦斯突出等事故的发生与瓦斯涌出异常密切相关。因此,准确快速的预测瓦斯涌出量数据对煤矿工作人员、企业、政府有十分重要的意义。在实际煤炭开采中,瓦斯的涌出量是各种复杂因素共同作用的结果,具有时序性和随机性的复杂非线性特点。在瓦斯涌出量预测方面,国内外学者做出了很多成果,在对这些成果分析的基础上,本文提出一种基于皮尔逊相关系数(Pearson correlation coefficient,PCCs)和长短期记忆网络(Long Short-Term Memory,LSTM)的瓦斯涌出量预测方法。首先对从矿井工作面瓦斯监测系统采集到的瓦斯相关数据进行数据预处理,由于瓦斯涌出量影响因素的选择与最终的预测结果密切相关,本文从国内外相关研究及其理论分析的基础上出发,通过比较几种降维算法,最终选用皮尔逊相关系数分析法,对影响瓦斯涌出的因素的特征属性进行约简,在保证特征数据完整性的情况下,对数据进行降维处理,从原始的13种数据中筛选出9种影响瓦斯涌出的关键因素。然后,通过分析瓦斯涌出的时序性的非线性特点,选用长短期记忆网络。该网络能够满足时间序列数据之间长期依赖信息的需求,自动挖掘出数据之间潜在存在的关联关系,同时克服了循环神经网络的梯度消失和梯度爆炸问题。将样本数据分为训练集和测试集,用训练集对长短期记忆网络模型进行训练,考虑到长短期记忆网络存在易于收敛于局部最优解的问题,采用灰狼优化算法对该模型进行参数优化。利用测试集数据对该模型进行试验分析。最后在系统上对预测结果进行效果展示。结果表明:本文提出的基于改进长短期记忆网络的瓦斯涌出量预测模型预测精度可达到97%,能有效的预测瓦斯涌出含量。