煤炭是我国经济发展的重要基础能源,在促进国民经济稳健发展的同时,由于前期的经济发展粗犷,能源开采方式落后,在能源开采过程容易引发瓦斯灾害,对煤矿生产与矿工们的生命安全造成了严重的威胁。因此,为了避免瓦斯灾害的发生,做到提前预防处理,煤矿瓦斯灾害预测技术成为煤矿安全领域的研究重点。但是,由于现有的瓦斯灾害预测技术存在预测时间短和预测精度低等问题,不能很好的满足实际煤矿灾害的预测需求。针对瓦斯灾害预测精度如何提高等问题,论文对煤矿瓦斯灾害预测方法展开深入研究,主要研究内容如下:(1)针对煤矿数据来源众多,格式复杂等问题,基于信息融合感知技术,提出了熵值加权数据融合算法,利用该算法将工作面上的瓦斯浓度数据、回风口处的瓦斯浓度数据和上隅角的瓦斯浓度数据进行熵值加权融合。通过传统循环神经网络模型分别对融合前和融合后的数据进行预测,并计算输入数据与输出数据的均方误差。经过实验对比分析得出,熵值加权融合后的数据进行预测相比于未经过融合的数据进行预测在训练集上其预测精度提高了 39.59%,在测试集上预测精度提高了36.16%。(2)针对传统预测方法在瓦斯灾害预测中精度有待提高的问题,构建了基于适应性矩估计的门控循环单元神经网络(Adam-GRU)瓦斯浓度预测模型。该模型首先获取融合后的瓦斯浓度数据,对数据进行空间重构处理,构建网络预测模型的训练集;然后,利用适应性矩估计优化算法对GRU模型参数进行优化,选择均方误差作为预测模型的损失函数,并引入dropout技术减少预测模型中的过拟合现象;最后进行模型训练,建立基于Adam-GRU网络的瓦斯浓度预测模型。经过实验对比分析得出:相比于支持向量回归(SVR)模型,反向传播神经网络(BP),循环神经网络(RNN)和长短期记忆网络(LSTM),Adam-GRU模型在测试集上取得了最小误差。分别比SVR、BP、RNN和LSTM模型的误差减少了 5 8.23%、37.67%、27.88%和25.57%,并且Adam-GRU模型在运行效率上比LSTM模型提高了 18.41%。(3)针对瓦斯浓度会受到矿井下多种因素影响的问题,基于集成学习思想,提出了一种基于PSO-CNN-aGRU瓦斯浓度预测模型。该模型首先采用粒子群(PSO)优化算法优化CNN结构的模型参数,自动提取瓦斯数据的局部变化趋势和关联特征;然后应用基于适应性矩估计的GRU神经网络模型在关联特征基础上进行时序性数据预测。在最后实验中,将PSO-CNN模型提取的序列数据特征经全连接层处理后分别送入到SVR、BP和LSTM模型中,PSO-CNN-aGRU模型相比于其它三种模型均方误差分别降低了55.47%、43.55%和23.34%,并且在运行效率上比PSO-CNN-LSTM模型提高了 15.15%。