瓦斯事故是煤矿安全生产的主要威胁,一旦发生,就会引起巨大的经济损失甚至人员伤亡。瓦斯事故主要由瓦斯浓度过高引起。瓦斯是可燃气体,浓度过高有燃烧甚至爆炸的风险。对煤矿中的瓦斯浓度进行准确的预测是减少瓦斯事故发生频率的有效方法。然而,传统的瓦斯浓度预测系统的性能有着很大的局限性,建立更加科学有效的瓦斯浓度预测方法对指导煤矿安全生产具有重要意义。本文提出了单隐层随机权值神经网络(Single hidden-layer Random Weights Neural Network,SRWNN)瓦斯浓度预测方法。该方法采用单隐层前馈神经网络的模型结构,同时引入随机输入层权值和隐含层偏置。它将神经网络与上下界估计(Lower and Upper Bound Estimate,LUBE)结合,实现使用区间预测替代传统的点预测。另外,它采用鲁棒性高的NSGA-II作为训练算法,简化了传统神经网络复杂的训练过程。最后,为解决SRWNN在大数据环境下训练时间过长,以及在面对大规模预测任务时出现的计算和调度上的瓶颈问题,本文进一步研究了SRWNN在煤矿大数据环境下的分布式瓦斯浓度预测方法,提出并实现在Apache Spark框架上进行分布式模型训练,在Apache Storm框架上进行分布式实时预测。大量实验表明本文提出的方法优于其他对比算法,且提出的分布式瓦斯浓度预测方法能够显著的减少模型训练时间以及提升实时预测的性能。主要的研究内容及创新如下:(1)结合煤矿的实际工业场景,提出了单隐层随机权值神经网络瓦斯浓度预测模型。以往的瓦斯浓度预测模型未能充分利用煤矿监测系统中的煤矿大数据,而仅使用短期的瓦斯浓度序列来进行瓦斯浓度预测,以至于预测模型的性能低下。通过对多维煤矿数据进行关联分析,本文从煤矿数据中提取出瓦斯浓度预测的8元组,然后结合提出的神经网络模型挖掘出数据之间潜在的规律,从而能够更准确的进行瓦斯浓度预测。(2)为了更好的评估瓦斯浓度预测模型,本文引入上下界估计,将区间预测与神经网络结合,应用到瓦斯浓度预测中。然后提出区间预测优化的若干目标,采用多目标遗传算法NSGA-II来进行瓦斯浓度预测模型的训练。相较于传统的神经网络训练方式,该过程简化了神经网络复杂的调参过程,同时有效地避免了在训练过程中陷入局部最优解。(3)本文实现了SRWNN瓦斯浓度预测模型在煤矿大数据环境下的分布式应用。为了减少SRWNN预测模型在大规模的数据样本中训练所消耗的时间,本文将SRWNN预测模型的训练过程迁移到Apache Spark上以并行计算的方式进行。为了解决大规模实时预测任务的计算和负载问题,本文在Apache Storm上实现SRWNN的实时瓦斯浓度预测。(4)为了验证本文提出方法的有效性,我们在5个数据集上进行了大量实验,包括来自于淮南市朱集东矿的真实煤矿数据。实验结果表明,本文提出的SRWNN预测模型优于其他对比模型,并且SRWNN预测模型在大数据环境下的应用能够大大缩减模型训练时间,实现大规模准确实时的瓦斯浓度预测。