随着现代科技的发展，我们的社会越来越信息化，各种大型的数据库软件也走进了各种企业，这为信息的规范管理提供了一定的有利条件。然而，面对如此大量的数据也伴随着一些问题出现，最常见的就是所谓的“信息爆炸，但知识贫乏”，这表明现在的社会中信息量已经是非常的庞大，但是它们被利用的很少。目前对于数据挖掘技术的研究越来越多，并且已在多个领域中应用，其应用范围涉及银行、电信、保险、交通等诸多领域。而预测作为数据挖掘技术的一个重要的组成部分也受到广大研究学者的关注。 在当今经济社会中正确的预测具有重要的作用，它可以帮助一个企业或单位做出正确的决定从而改善效益。在本文中作者主要讨论数据挖掘技术在煤炭价格预测中的应用，这里的煤炭价格主要是指发电厂购买煤炭的价格。我国是主要依靠火力发电的国家，主要使用的能源就是煤炭。对电厂而言，煤炭资源的储备十分重要，它关乎发电厂资金的合理安置，是电力能源供应的保证。 聚类和分类是两种不同的预测方法，本文主要用这两个方法来对煤炭价格的预测进行探讨。 聚类是人类一项最基本的认识活动，通过适当的聚类，事物才能便于研究。现有常用的聚类方法有k-means算法，其缺点是k的值需要事先给定，并且其聚类结果与初始值的选择有较大的关系；LBG算法也是一种常用的算法，它具有较好的聚类效果，但是其具有聚类时间较长和容易陷入局部极小的缺点。 分类是另一种最基本的认知形式，作为数据挖掘的一个重要主题，在统计学、机器学习、人工智能等领域中发展较早。近几年来，人们开始将它与数据库技术相结合，解决实际问题。现有的分类预测的方法有许多种，常见的有决策树算法(C4.5)、贝叶斯分类算法、BP算法与支持向量机等。但是它们都有各自的不足，前三者在实验结果与速度方面都有待改进，而支持向量机虽然有较好的准确度，尤其是对于小样本以及非线性数据具有较大的优势，但是其结果可解释性差，核函数的确定未能给出完整的方法。张铃教授在理论上证明了SVM与三层前向神经网络在识别能力上的相似性，并将核函数的思想引入到交叉覆盖算法，提出了核覆盖算法。该算法进一步优化了覆盖算法，从而提高了覆盖算法的精度。