1.一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，具体包括以下步骤：S0、获取原始数据；

S1、统计原始数据频度分布，并计算其分布偏度，对于分布偏度大于阈值的对其进行对数转换；

S2、调用高斯混合模型将其分布函数转换成多个高斯分布，并计算相应的高斯云参数，按序对每个高斯云的含混度进行判断，生成多个含混度小于阈值的高斯云；

S3、将论域边界由高斯云表征的概念转换成半梯形云，最终生成表示原始数据宏观概念的多个混合云；

S4、按照煤矿监管监察时间架构离散化数据集，调用逆向云发生器将每个离散的时间片转换成赋有语义的时间粒；

S5、按照煤矿监管监察空间架构离散化数据集，调用逆向云发生器将每个离散的空间片转换成赋有语义的空间粒；

S6、计算每个时间粒所隶属的相应宏观概念及隶属度，得到多粒度表示；

S7、根据煤矿瓦斯浓度的多粒度表示结果构建云规则推理，对短期内的瓦斯浓度进行预测。

2.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，获取原始数据的过程包括：在每个采区和掘进工作面设置高低甲烷浓度传感器，将高低甲烷浓度传感器采集的瓦斯浓度作为原始数据。

3.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S1包括：设置一个数据分布偏度阈值γ用以考量整体的数据分布情况，统计原始数据的频度分布p(xi)，计算原始数据分布的偏度△p，如果△p>γ，则对原始数据的频度分布进行变换，表示为：

4.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S2包括：根据原始数据的频度分布，调用高斯混合模型将原始数据转换为M个高斯分布；

通过自适应高斯云变换方法，将每个高斯分布转换为高斯云模型，即第k个高斯分布表示为C(Exk,Enk,Hek),k＝1,2,…,M；

依次对每个高斯云的含混度CDk进行判断，如果CDk>β,k＝1,2,…,M,则概念数M＝M-1，M的初始值为频度统计时的初始波峰数；

重复上一步骤，直到所有高斯云的含混度小于等于含混度阈值β，输出此时的高斯云；

其中，Exk为高斯云的期望；Enk为高斯云的熵；Hek为高斯云的超熵。

5.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S3包括：对处于论域边界的高斯云进行半云拟合并用梯形云模型进行表示，将位于论域左边界的高斯云用右半梯形云进行拟合，并按含混度对M个由高斯云和梯形云进行排序输出。

6.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S4包括：制定粒化标准，即分钟粒度为传感器监测数值的实时变化情况，小时粒度为当前小时段内的态势波动和趋势，天粒度为当前一天内各个时段的态势分布情况，月粒度为当月的每天的态势波动，年粒度为当年的总体浓度态势；

基于粒化标准将原始数据按ω划分成p个时间片{T1,T2,...,Ti,...,Tp}，一个时间片对应一个时间粒度；

获取煤矿瓦斯浓度实时数据，并根据获取每个传感器节点的间隔时间控制时间片宽度；

调用逆向云发生器算法将小时粒层以上的时间片Ti转换成赋有语义表示的小时粒层时间粒 并按分钟粒层、小时粒层、天粒层、月粒层、季粒层、年粒层输出时间粒；

其中，ω为时间片的窗口大小； 在α粒度水平下的第i个时间粒，α为时间粒度水平；

Exk为高斯云的期望；Enk为高斯云的熵；Hek为高斯云的超熵； 表示在n粒层中第i个时间云概念。

7.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S5包括：依据矿区生产大数据的来源，按照空间粒度，将煤矿空间大数据按照传感器、工作面、采区、矿区、市辖所有矿区，省辖所有矿区进行空间粒度的逻辑粒化；

单一传感器为整个空间粒度中的最细粒度，一个工作面包含了多个传感器节点，一个采区又有着多个工作面，一个矿区有着多个采区，再依据煤矿监管监察体系，市区内多个煤矿同属市煤监局监察监管，省煤监局有辖管多个市区的煤矿；

将数据集按传感器划分，一个由m个传感器构成的空间粒表示为{r'1,r'2,...,r'i,...,r'm}；

调用逆向云发生器算法将每个传感器节点中的所有数据转换为具有定性含义的云模型，第i个传感节点的云模型表示为：其中， 表示在n粒层中第i个空间云概念，(Ex1,En1,He1)为空间云概念的参数，Exk为高斯云的期望，Enk为高斯云的熵，Hek为高斯云的超熵。

8.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S6包括：判断各粒层粒的表示云 中时间粒的期望值Ex是否隶属于步骤S1～S3提取的概念区间，如果其隶属于相应概念的论域区间，计

2 2

算其期望在隶属概念中的隶属度μ＝exp(-(Ex'-Ex)) /2*(En') ，得到多粒度表示；

其中，Ex为时间粒期望，Ex'为所属的宏观概念的期望，En'为所属宏观概念的熵，Exk为高斯云的期望，Enk为高斯云的熵，Hek为高斯云的超熵。

9.根据权利要求1所述的一种基于云模型的多粒度煤矿瓦斯风险预测方法，其特征在于，步骤S7包括：在基于时间粒化后的基础上，其各个时间片内的数据均被云模型的三个参数所表示，选取一个粒层中部分时间段的表示结果，并基于当前粒层，将当前分钟粒层的浓度值x作为前件云的输入，调用前件云发生器，返回确定度y，并将确定度y作为后件云发生器的输入，最终返回一个预测浓度x'。