CO是煤低温氧化预测的关键参数。基于采空区内的实测数据，采用遗传算法对支持向量回归模型进行参数寻优，建立煤低温氧化预测的模型；在保持测试集和训练集相同的情况下，建立了标准SVR模型、随机森林模型和神经网络模型，以MAE、MAPE与RMSE、R2为指标，与GA-SVR模型的预测结果进行对比。结果表明：SVR、RF、BPNN和GA-SVR模型训练集预测结果的平均绝对百分误差为2.481 4%、2.491 7%、2.085 2%和1.368 3%；测试集的平均绝对百分误差为14.292 0%、14.055 5%、16.040 2%和6.526 6%，相应的拟合优度为0.738 2、0.756 2、0.645 5和0.934 5。GA-SVR模型的预测效果最好，说明GA-SVR模型具有更好的泛化性和鲁棒性。利用GA算法优化SVR模型参数能够提高预测精度和准确度。

0 引言
1 GA-S VR预测模型理论
1.1 支持向量回归
1.2 遗传优化算法
1.3 GA-S VR建模
2 现场数据采集
3 结果与讨论
3.1 数据的统计学描述
3.2 评价指标及结果分析
4 结论