现有工作面矿压显现规律预测方法中，基于数值模拟与统计回归的方法无法实现对工作面矿压显现规律的实时精准预测，深度学习方法存在超参数较多且难以设置、模型训练速度慢等问题。针对上述问题，以胡家河煤矿402102回采工作面采动过程中监测到的煤体内部应力变化时序数据为基础，将基于粒子群优化的门控循环单元(PSO-GRU)应用到回采工作面矿压显现规律预测中。采用PSO算法对GRU进行优化，构建PSO-GRU模型，实现对超参数的自动寻优，从而提高GRU的训练速度和预测精度。以预测结果为依据，采用层次分析法建立402102回采工作面矿压主控因素评价指标体系，将顶板条件、回采工艺、煤层赋存、地质构造确定为影响工作面矿压的一级指标，进一步细分出具有代表性的14个二级评价指标。测试结果表明：① 与未经优化的GRU模型相比，PSO-GRU模型的均方误差(MSE)降低了83.9%，均方根误差(RMSE)降低了59.8%，平均绝对误差(MAE)降低了59.0%，决定系数R2提升了28.9%。② PSO-GRU模型对矿压数据预测的拟合度达到0.98以上，具有良好的非线性拟合能力和泛化能力。③ 地质条件中的煤层赋存因素对回采工作面矿压的影响最大，权重为0.47；可人为干预的影响因素中推进速度对工作面矿压的影响最大，权重为0.13。

0 引言
1 工程背景
1.1 工程概况
1.2 测站布置
1.3 数据样本
2 算法理论模型
2.1 PSO算法原理
2.2 神经网络原理
3 矿压显现规律预测
3.1 PSO-GRU模型搭建
3.2 数据集划分
3.3 预测效果及性能
3.3.1模型预测效果对比
3.3.2模型性能对比
3.4 支护措施
4 工作面矿压主控因素分析
4.1 评价指标体系构建
4.2 影响因素权重确定
4.3 评价模型建立与分析
5 结论