随着我国煤矿开采深度的不断增加,冲击地压、煤与瓦斯突出等动力灾害日益加剧,这些动力灾害与深度开采过程中上覆岩变形有密切的关系。在研究煤矿开采过程中科学问题时物理模拟实验是常用的科学研究方法之一,结合深度学习所具有的强大函数拟合能力,为探索覆岩变形规律提供了可能。本课题在此背景下,利用采动覆岩变形光纤监测物理模拟实验产生的数据,引入深度学习方法,重点研究了采动覆岩变形光纤监测数据的预测方法。论文主要完成了以下工作。(1)针对采动覆岩物理模拟实验中光纤监测数据的缺失值填补问题,采用了基于LSSVM的缺失数据填补方法。完成了离散缺失值、连续缺失值以及不同缺失比例三种类型填补实验,并将LSSVM与反向传播神经网络、三次样条插值等缺失值填补方法进行对比实验分析,结果显示LSSVM插补方法优于其他两种方法。(2)使用物理模拟实验中的光纤监测数据,选取关键层监测点所获得的监测数据,建立SMOTE-FDT-LSTM的光纤监测数据预测模型,该模型利用合成少数类过采样技术对时间序列的监测值样本数据进行扩充,并对监测数据进行平稳性检验,提取差分平稳特征作为输入样本的特征属性,在此基础上进行了基于长短期记忆网络(Long Short-Term Memory,LSTM)覆岩变形监测数据的预测。通过与递归神经网络、指数平滑预测等方法进行对比,验证预测模型的有效性。实验结果表明,SMOTE-FDT-LSTM预测模型优于这两种对比方法,并拥有较好的预测精度。(3)为了有效管理相应的物理模拟实验以及分析模拟实验中产生的大量监测数据,设计开发了分布式光纤监测物理模拟实验数据分析系统。该系统采用B/S架构,以Django为开发框架使用python语言实现系统的功能。完成了实验过程管理、实验数据管理等基本信息管理以及缺失值填补、监测数据预测等学习算法的可视化。系统测试表明,该系统功能符合需求,运行稳定。