黄 悦，幸福堂，2，石癸鑫，吴孟龙

(1.武汉科技大学 资源与环境工程学院，湖北 武汉 430081；2.武汉科技大学 冶金矿产资源高效利用与造块重点实验室，湖北 武汉 430081)

近年来，随着采矿业的发展，矿业安全生产事故数量和伤亡人数居高不下，给社会发展带来了负面影响。据近年来我国矿山事故统计显示，2005年至2019年，全国共发生矿业安全生产事故3 826起[1]，死亡人数达到14 251人[1]，事故起数和死亡人数超过发达国家，安全问题严重制约了我国矿山企业的发展。因此，准确预测矿业安全生产事故对制订合理的矿业安全决策，以及提高矿业安全管理水平具有重要的意义。

矿业安全系统是一个复杂的循环系统[2]，矿业安全生产受自然条件、作业环境等诸多因素影响[3]。目前，国内外众多学者对矿业安全生产事故预测的方法展开了研究[4]。刘素兵等[5]将GM(1,1)与支持向量机融合，建立了灰色支持向量机组合预测模型；李怀俊等[6]通过参数寻优改进了ARMA模型，提高了ARMA模型的预测精度；Barman等[7]通过萤火虫算法(Firefly Algorithm，FA)优化SVM的参数，提高了SVM模型的预测精度；刘俊娥等[8]提出了一种模糊信息粒化与SVM相结合的方法，对瓦斯涌出量进行了预测；JANG Y J等[9]使用长短期记忆(LSTM)递归神经网络(RNN)的深度学习模型来预测业务失败；WU Menglong等[10]对经验模态分解后的序列单独分析,建立预测模型来预测矿山安全生产形势。然而上述方法预测效果的鲁棒性较差，并且只能得到矿业安全生产事故的点预测结果，目前关于矿业安全区间预测的研究还较少。……