实现煤矿冲击地压智能预警对于保障矿井安全作业具有重要意义。以新疆某矿急倾斜巨厚煤层的掘进巷道冲击地压发生时序智能分级预测作为背景，分析了急倾斜巨厚煤层巷道掘进期间各微震信息指标的时空演化规律，利用遗传算法（Genetic Algorithm，GA）优化的随机森林（Random Forest，RF）对预测冲击发展趋势性能较高的多项指标进行了优选，基于相空间重构技术（Phase Space Reconstruction，PSR）将数据映射至高维空间进行重构，结合长短期记忆神经网络（Long Short-Term Memory，LSTM）训练学习高维度数据特征，构建了基于深度学习与多元混沌时序的急倾斜巨厚煤层冲击地压预测模型（PSR-LSTM），依据现场实际对模型的预测性能进行了评价。结果表明：急倾斜巨厚煤层巷道掘进下各微震信息指标对冲击预警的敏感性较强，彼此之间具有显著的相关性；优选出了预测冲击发展趋势性能较高的6项微震信息指标；多项指标的时间序列具有混沌特性，经过相空间重构后再进行LSTM学习训练，可有效增强模型的数据利用率与预测精度，所构建的PSR-LSTM模型在指定预测时长为1天的情况下，预测准确率可达0.9135、F1值可达0.9116，均优于未经重构的LSTM模型。模型较好的预测了急倾斜巨厚煤层掘进巷道发生冲击危险的时序趋势及危险等级，研究方法可为急倾斜巨厚煤层掘进巷道冲击地压发生的智能预测预警提供借鉴与参考。

0 引言
1 工程背景
2.冲击地压多元预警指标确定
2.1 微震信息指标的选取
2.2冲击地压微震信息指标实例分析
2.3 预测模型架构
2.4 数据预处理
2.5 基于GA-RF指标优选
3 多元时间序列的相空间重构
3.1 相空间重构理论
3.2 延迟时间和嵌入维数的确定
3.3 基于Wolf法最大Lyapunov指数的混沌性检验
3.4 重建关于能量等级的多元混沌相空间
4 基于LSTM模型的冲击危险预测
4.1 预测模型构建
4.2预测模型训练
4.3 冲击危险等级评价指标
4.4 模型预测结果
5 结论