煤炭资源是当今世界最重要的能源之一,在各国经济发展中具有难以替代的重要作用。我国目前大部分煤矿属于瓦斯矿井,而由瓦斯浓度过高引发的安全事故频频发生。针对目前煤矿生产的安全状况,对危险来临之前的预警是一条防止事故、降低损失的最佳途径。显然,预警精度的高低是预测的关键。目前,对于煤矿预警的研究也在相继进行,提出了许多基于神经网络、统计学等各种理论的预警模型。本文主要应用商空间等相关理论对煤矿安全生产进行预警建模,首先介绍了当前煤矿安全生产方面的内容以及煤矿中瓦斯预测相关的理论知识。针对煤矿中与安全生产相关的多属性(包括风速、温度、一氧化碳、负压、瓦斯浓度)时间序列的特点,进行预测方案拟定,对方案中用到的各种理论及其所解决的问题作了详细的分析说明:对粒度计算的基本组成、基本问题和主要模型进行了归纳和总结,并根据本文所要解决的实际问题选定商空间理论。商空间理论在处理高维、不完备、复杂的、模糊的、海量数据时,有其独特的优势。在讲述商空间理论之后,将其理论知识应用到时间序列处理中,从多个粒度层次对原始时间序列进行分析处理。对于如何选择分类网络模型,文中通过对比传统神经网络的一些算法,分析各自的优缺点,结合本文所要解决的实际问题,采用构造性神经网络(多侧面递进-覆盖算法)作为分类网络模型,并使用不同粒度的学习样本数据训练该网络,通过评价实验结果的优劣,选择最优的分类网络模型。最后,通过比较回归模型、灰色模型和马尔科夫链等预测模型,针对所要预测的特征属性序列的特点,使用灰色马尔科夫链预测模型对多变量时间序列的各个特征属性分别进行预测,并使用这些预测值在之前覆盖算法建立的分类模型上进行预测实验,实现煤矿报警预测。最后通过实验结果与原始数据的对比以及分类网络模型覆盖率的分析得出,证明本课题所使用的预测框架对煤矿预警来说是行之有效的。