瓦斯灾害是煤矿领域的重大安全问题。随着煤矿智能化水平的不断提高,瓦斯浓度预测预警技术对煤矿灾害的防治起着至关重要的作用。充分利用煤矿井下大量的瓦斯数据进行瓦斯浓度预测预警,能有效提高瓦斯灾害的预警能力。因此,准确、可靠的瓦斯浓度预测预警对煤矿安全生产有着重大意义。本文以陕西某矿综采面瓦斯监测数据为研究对象,进行了瓦斯浓度预测及预警方法的研究。本文为提高综采面瓦斯浓度预测精度和预警效率,将深度学习中的预测模型与分布式处理框架相结合,搭建了基于Spark Streaming的瓦斯浓度预警框架。首先对影响工作面瓦斯浓度的因素进行分析,并利用灰色关联度法进行瓦斯浓度影响因素的验证,最终选取7种瓦斯浓度影响因素构建瓦斯浓度影响因素体系,同时基于矿井瓦斯实测数据,建立单一的门控循环单元（GRU）预测模型,利用主成分分析方法对GRU模型进行数据降维以提高模型的预测精度,并从预测模型的隐含层神经元个数、隐含层数、批大小和时间步长四个方面进行参数优化。其次,为提高单一 GRU模型的预测精度,采用遗传算法（GA）和粒子群算法（PSO）进行模型优化,分别建立PCA-GA-GRU模型和PCA-PSO-GRU模型,经过对比分析后得出PCA-PSO-GRU模型的平均绝对误差为0.0121,均方根误差为0.0159,模型拟合度为0.974,模型训练时间为65s,该模型预测精度高、预测效果好。最后,在瓦斯浓度监测数据的基础上,利用统计分析确定瓦斯浓度的预警阈值,通过预测值与实测值的对比进行瓦斯浓度异常值判定和预警等级的划分,并将PCA-PSO-GRU预测模型与kafka系统和RDD数据集相结合,建立基于Spark Streaming瓦斯浓度预警框架,利用瓦斯浓度实测数据进行框架预警效率的验证。实验结果表明:基于Spark Streaming瓦斯浓度预警框架的预警准确率在90%以上,整个预警处理时间为7s左右。该框架极大提高了瓦斯浓度预警速度,为矿井安全生产和瓦斯灾害防治提供了支持和决策。