吴奉亮， 霍源， 高佳南

(1.西安科技大学 安全科学与工程学院，陕西 西安 710054；2.西部矿井开采及灾害防治教育部重点实验室，陕西 西安 710054)

0 引言

瓦斯灾害事故是威胁煤矿安全高效开采的主要因素[1-2]，为遏制瓦斯事故的发生，准确、高效的煤矿瓦斯涌出量预测方法尤为重要[3]。由于煤矿瓦斯涌出量的各影响因子间呈现出非线性关系[4]，线性预测方法难以得到满意的预测结果。因此，灰色理论、神经网络和支持向量机等非线性映射方法被广泛应用于煤矿瓦斯涌出量预测。题正义等[5]基于模糊数学和灰色系统建立了瓦斯涌出量预测模型。李树刚等[6]将因子分析与BP神经网络相耦合，对瓦斯涌出量进行预测。付华等[7]提出了一种利用蚁群聚类算法优化Elman神经网络的瓦斯涌出量预测方法。孙林等[8]、董晓雷等[9]、张强等[10]利用支持向量机实现瓦斯涌出量预测；谢东海等[11]将未确知测度理论引入到瓦斯涌出量预测中。然而，煤矿瓦斯涌出量的影响因素众多且复杂，灰色理论往往不能满足预测精度要求；神经网络的预测精度依赖于样本容量，且存在训练速度慢、泛化能力差的问题；基于支持向量机的预测方法对超参数的选取有较高要求[12]。

随机森林算法具有参数少、学习速度快、适用于高维样本、可有效避免过拟合、预测精度高等优点[13-14]，已被广泛用于分类和回归问题。在煤炭瓦斯防治领域，随机森林算法已在瓦斯涌出量预测、煤与瓦斯突出预测等方面有所应用，如汪明等[15]建立了回采工作面瓦斯涌出量的随机森林预测模型。……