煤与瓦斯突出严重威胁着煤矿安全生产和矿工的生命安全,能够对突出发生的危险性进行准确预测并及时采取预防措施显得尤为重要。煤与瓦斯突出会导致巷道中瓦斯浓度变化出现异常,由于瓦斯浓度具有连续性,能够跟踪反映突出这一动态过程,因此可以利用瓦斯浓度变化特征作为突出预测的指标。在装备有煤矿瓦斯监测监控系统的矿井中瓦斯浓度是可测的,瓦斯监控系统中强大的数据库技术能够存储大量的瓦斯浓度历史数据,为研究瓦斯浓度变化规律与突出发生危险性之间的关系提供了丰富的数据资源。但目前的煤矿瓦斯监测系统缺乏对数据作进一步分析的功能,只能对瓦斯浓度超限进行报警,对于可能发生的煤与瓦斯突出灾害不具备提前预报能力,造成大量数据资源的浪费。针对这一问题提出了将广泛用于经济学领域的数据挖掘技术引入对瓦斯浓度数据的分析中,试图挖掘出浓度变化异常与煤与瓦斯突出之间的关系,并建立相应的突出预测模型,使其能够根据一定时间段内瓦斯浓度变化特征进行分类,实现对是否存在煤与瓦斯突出危险进行预测,为矿井管理人员提供决策的指导。通过建立数据挖掘过程模型确定各阶段要完成的工作。在数据准备阶段,从大量瓦斯浓度历史数据中甄选出部分突出发生前10小时内瓦斯浓度时间序列和正常情况下10小时内瓦斯浓度时间序列作为样本,利用ARIMA方法对样本序列进行建模,并提取模型系数作为样本的特征向量。在数据挖掘阶段,采用支持向量机这种机器学习方法作为挖掘算法,并利用样本特征向量对其进行训练,得到基于支持向量机的突出预测模型。最后对该模型和基于BP神经网络的预测模型进行仿真比较,结果表明基于支持向量机的预测模型具有较高的预测性能,因此利用数据挖掘技术建立的支持向量机预测模型能够对煤与瓦斯突出的危险性进行预测。