随着煤炭资源开采加速走向深部，煤与瓦斯突出和冲击地压相互耦合的复合动力灾害成为深部开采的重大隐患。高瓦斯浓度不仅是煤与瓦斯突出的主控因素，还通过煤体弱化、诱发瓦斯涌出等机制与冲击地压、矿震等灾害呈现显著协同作用。因此，实现瓦斯浓度的精准预测成为查明瓦斯事故隐患、制定防控措施和减少事故损失的现实需要。瓦斯浓度受地质构造、开采工艺和工作面特征等因素的综合影响，存在非线性、随机性和复杂性等显著特点。 

涉及瓦斯涌出量的传统预测方法主要包括矿山统计法、分源预测法和瓦斯地质数学模型法，其预测结果难以呈现瓦斯浓度的动态变化趋势和非线性变化特征。随着机器学习在煤矿领域得到应用和发展，国内外学者基于机器学习算法开展了瓦斯浓度预测方法研究。魏林等使用动态聚类算法对瓦斯浓度数据进行动态划分，借助微分进化算法优化高斯过程的超参数，将组合模型应用于瓦斯浓度时间序列预测。杨丽等利用惩罚最小二乘法和自回归的策略，建立了多元分布滞后模型用于瓦斯浓度的动态预测，实例应用结果表明了该模型的有效性。程子均等考虑瓦斯数据的时空特性，构建了基于深度学习算法长短期记忆与全连接神经网络相结合的瓦斯浓度时空预测模型，不仅有效降低了时间延迟，同时显著提升了预测准确性和结果稳定性。李树刚等采用宽泛策略确定网络结构参数，构建基于循环神经网络的瓦斯浓度预测模型，对比试验表明，该模型具有更高的准确度、稳定性和鲁棒性。ZHANG等提出了考虑区间预测的单隐层随机权值神经网络预测模型，采用非支配排序遗传算法进行训练，并引入基于智能边缘系统的分布式气体浓度预测方案，提升了预测效率。WEN等采用遗传算法和粒子群算法对用门控循环单元的参数进行深度优化，优化后的模型预测效率和精度均有显著提升。胡青松等提出一种时间卷积改进时序生成对抗网络，用于瓦斯浓度预测，该方法缓解了小样本数据和模型过拟合问题。 

考虑到瓦斯浓度时序数据存在动态非线性的波动特点，可通过降低原始数据的复杂程度以提高预测的精准性。为此，林海飞等利用基于局部加权回归的周期趋势分解方法定向分解原始数据，通过集成经验模态分解获得不同IMFs分量和残差余量，最终利用遗传算法优化的支持向量回归组合模型实现了瓦斯涌出量预测。秦岩等首先采用邻近均值法、小波降噪和归一化处理对原始数据进行预处理，再对影响因素进行降维处理，最终建立了基于SVM的煤矿瓦斯浓度预警模型。 

瓦斯浓度的动静态参数存在数据缺失和测量误差，需构建采集简单、相互独立且多元融合的特征指标，以提升动态预测精度。为此，文中以深部开采的典型代表平顶山天安煤业股份有限公司八矿已15-15080风巷掘进工作面为研究对象，基于频谱声学方法建立岩体状态监测和动力灾害预警系统，根据系统中人工声学信号指标开展掘进工作面瓦斯浓度动态预测研究。