1.一种煤矿瓦斯爆炸风险预测方法，其特征在于，所述预测方法包括以下步骤：S1、采集目标范围内全部煤矿的基本信息数据，基本信息数据包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率；

S2、基于全部煤矿的基本信息数据对目标范围内全部煤矿矿井进行筛选，选出需要进行风险预测的煤矿矿井，作为预测目标矿井；

S3、根据每个预测目标矿井的基本信息数据进行煤矿瓦斯爆炸风险等级初步评估，根据风险初步评估结果确定每个预测目标矿井的风险预测频率；

S4、根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系；

S5、采用决策实验室分析法清洗致灾指标，以该方法分析计算出的指标中心度为标准，从初步建立的瓦斯爆炸致灾指标体系中将指标中心度小于中心度阈值的指标删除，采用剩余致灾指标建立关键致灾指标体系；

S6、采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据，基于所建立的关键致灾指标体系，分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型，输出多类型的煤矿瓦斯爆炸风险预测模型；

S7、对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评价，筛选出预测性能最优的模型，将其确定为最终采用的预测模型；

S8、按照相应的风险预测频率，定期确定每个预测目标矿井的关键致灾指标数据值，将关键致灾指标数据值输入预测模型，对预测目标矿井的瓦斯爆炸风险进行预测。

2.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S1中，所述基本信息数据还包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。

3.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S2中，按照预设筛选周期，对目标范围内全部煤矿矿井进行筛选，筛选得到当前筛选周期的预测目标矿井。

4.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S3中，根据下述公式计算得到煤矿瓦斯爆炸风险等级评估值X：X＝x1α1+x2α2+x3α3+x4α4+x5α5

其中，x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值；瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量，瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值，煤层自然发火期的值为赋予相应矿井煤层自然发火期的值，煤尘爆炸指数的值为相应的煤尘爆炸指数，机电设备故障率的值为相应矿井机电设备故障率的值；α1、α2、α3、α4、α5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重；α1+α2+α3+α4+α5＝1。

5.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S5中，致灾指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。

6.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S5中，采用DEMATEL分析法清洗致灾指标的过程包括以下步骤：S51，邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较，判断指标之间的相互影响关系；专家评价的语义表达规定为五个，分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强，所对应的评估分值分别为1、2、3、

4、5；

S52，根据专家的评价分值数据构建直接影响矩阵C，其中 表示第m位专家针对指标i对指标j影响程度的评价分值：S53，将直接影响矩阵进行规范化计算，构建综合影响矩阵X，其中，i＝1，2，3，…，n，j＝

1，2，3，…，n，n为指标个数：

‑1

X＝G(I‑G) ；

S54，根据综合影响矩阵计算指标的影响度di及被影响度ri，并计算指标中心度fi：fi＝di+ri；

S55，根据指标中心度数值，剔除中心度较小的指标，形成关键致灾指标体系。

7.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S6中，基于所建立的关键致灾指标体系，分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型，输出多类型的煤矿瓦斯爆炸风险预测模型的过程包括以下步骤：从预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取相应的信息数据，以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平，概率值越高，风险水平越高；

如果煤矿瓦斯爆炸事故必然发生，其瓦斯爆炸概率值为1，如果煤矿瓦斯爆炸事故不可能发生，其瓦斯爆炸概率值为0；将每个历史指标数据和对应的煤矿瓦斯爆炸概率值作为一组样本数据，生成样本数据集；

对样本数据集中的样本数据进行清洗，去除其中包含的噪声、缺失值、离群点、漂移点；

对于清洗后的样本数据集中的每个历史指标数据，获取关键致灾指标所对应的值作为模型的输入，相应的煤矿瓦斯爆炸概率值作为模型的输出，分别对BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型进行训练。

8.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S6中，对BP神经网络模型进行训练的过程包括：构建BP神经网络，BP神经网络包括输入层、隐含层和输出层三层结构；将采集到的预测目标矿井关键致灾指标的历史数据以及煤矿瓦斯爆炸事故数据，对其进行归一化处理后作为输入层，输出层的节点输出煤矿瓦斯爆炸概率，范围在(0，1)；对神经网络中的权值和阈值进行初始赋值，通过样本数据进行训练，训练样本的期望输出值为根据历史数据和经验值得到的煤矿瓦斯爆炸概率，通过输出值与期望值的偏差迭代优化权值和阈值，使输出值和期望值的偏差达到设定要求；

步骤S6中，对支持向量机模型进行训练的过程包括：

构建支持向量机非线性回归预测模型进行瓦斯爆炸风险预测，将煤矿瓦斯爆炸的各关键致灾指标数据及煤矿瓦斯爆炸事故数据作为输入变量，将相应的煤矿瓦斯爆炸概率值作为输出变量，利用核函数寻求输入变量与输出变量间最佳的非线性映射关系；

将采集到的指标数据及期望输出数据形成的样本数据划分为训练集和测试集，利用训练集来进行预测模型相关参数的优化训练，建立最优的回归决策函数；

利用测试集数据输入回归决策函数，比较预测值与期望值来评价预测模型性能。

9.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，对于BP神经网络模型、支持向量机模型，采用均方误差法或者平均相对误差法来评估预测模型性能；当采用均方误差法评估预测模型性能时，均方误差值越接近0则模型越准确；当采用平均相对误差法评估预测模型性能时，采用模型预测值与期望值之间的误差与期望值的比值作为模型预测性能评价依据，确定所使用的预测模型。

10.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，所述预测方法还包括：根据所述预测模型的预测输出值结合煤矿矿井地理信息数据进行煤矿瓦斯爆炸风险信息图的制作与展示。