李 栋，孙振明，李 梅，侯运炳，毛善君，牛永寿

（1.中国矿业大学（北京）能源与矿业学院，北京100083；2.北京大学 遥感与地理信息系统研究所，北京100871；3.陕西旬邑青岗坪矿业有限公司，陕西 旬邑711300）

瓦斯防治是煤矿安全工作的重中之重，建国以来发生的24 起一次死亡百人以上的事故中，瓦斯事故19 起占总数的79%[1]。因此，对瓦斯的精准预测对煤矿管理部门来说具有重要意义。瓦斯浓度预测的模型主要包括神经网络[2-4]、灰色理论[5-6]、时间序列分析[7-9]和支持向量机[10-11]等。以上预测方法各有优缺点，或算法理论性不足，或泛化能力差，或只考虑了单一的瓦斯浓度时间序列。支持向量机对样本量要求少且有较强的非线性学习能力。最小二乘支持向量机（LSSVM）是支持向量机的延伸，但是其鲁棒性较差。加权最小二乘支持向量机（WLSSVM）在计算权值时易产生误判。综合考虑了目标测点的各类影响因素，基于离散点的分布特征，提出了一种自适应加权最小二乘支持向量机（AWLSSVM）。AWLSSVM 的预测效果依赖于超参数的选取。粒子群算法（PSO）的参数较少，寻优过程简洁清楚，但初期迭代收敛速度慢，后期迭代容易陷入局部最优。混沌粒子群算法（CPSO）在粒子群每次迭代中都对每个粒子进行混沌映射，迭代初期加大了全局搜索，但是后期不利于种群精细化搜索全局最优解。自适应混沌粒子群算法[12]（ACPSO）只对每次迭代后部分适应度值表现较好的粒子进行混沌映射，而惯性权重的更新是随迭代次数而减小的，迭代初期很可能因为速度较大错过最优粒子。……