为应对当前因煤炭资源高强度开发和粗放利用带来的环境问题,同时提出缓解煤炭市场下行压力的政策措施,对我国煤炭需求趋势特别是煤炭峰值进行科学的预测是十分必要的。首先,基于煤炭消费和相关影响因素的历史数据(1987-2012),本研究比较了五种不同类型预测模型的预测效果。其中,影响因素包括GDP,煤炭价格,工业结构,总人口,能源结构,能源效率,煤炭产量以及城镇化率。模型包括向量自回归模型(VAR),神经网络模型(RBF),遗传算法需求评估模型(GA-DEM),粒子群算法需求评估模型(PSO-DEM)和投入产出模型(IO)。通过对不同模型预测结果和实际煤炭消费量之间的比较,得出当测试区间为2006-2012年时,PSO-DEM模型对于中国的煤炭需求预测效果最优,其预测值的平均绝对百分比误差(MAPE)均接近2%或在2%以下。其他模型的预测效果同样可观,MAPE均低于5%,同时也展现出了各自的优势。基于上述结果,本研究选取1981-2013年的煤炭消费以及经济增长、能源结构、投资和工业结构4个主要因素的历史数据,以粒子群优化算法为核心构建了两个煤炭需求预测的组合模型。组合模型的预测结果有较好的稳健性。根据平均绝对百分比误差(MAPE)较小的模型结果可知,在经济新常态情景(BAU情景)下,我国的煤炭需求峰值在2013年已经出现,此后呈逐年下降趋势,年平均下降率为4.06%。如果其他因素朝着预期良好的态势发展,煤炭消费和经济增长之间已经出现了明显的脱钩效应。但如果能源结构调整较慢,煤炭峰值年份将会推迟,峰值会明显提高,同时达峰后下降速度也会减慢。投资效应与能源结构效应类似,但其对峰值的影响相对较小。如果工业结构调整较慢,其对峰值及峰值年份的影响最为微弱。最后,本研究提出了一个煤炭需求预测系统的设计方案。方案对系统的功能性需求和非功能性需求进行了具体分析,同时对系统的整体架构、具体实施过程进行了初步设计,此外还涉及了数据库设计以及数据库管理等内容。