煤矿井下瓦斯事故破坏力大,造成的人员伤亡惨重,居煤矿五大灾害事故之首。分析和研究瓦斯数据的特性,构建有效的瓦斯浓度预测模型,对瓦斯异常做出及时、准确预警,以减少瓦斯事故的发生,具有重要意义。本文分析工作面瓦斯运移的时空特性,将时空建模思想与最小二乘支持向量机(LSSVM)结合,构建一种瓦斯浓度时空预测模型。时空模型引入先验信息的同时还会引入噪声,为减弱噪声对预测精度的影响,引入选择性集成学习方法,构建一种基于选择性集成的瓦斯浓度时空预测模型。(1)针对一些智能优化算法易陷入局部最优解的问题,采用一种动态蚁群算法(DACO),对LSSVM的惩罚参数和核函数参数寻优,构建DACO-LSSVM模型。该蚁群算法将求解空间进行区间划分,初始化时,蚁群较为分散地分布在解空间中,搜索过程不易陷入局部最优解。同时采用动态全局选择因子和动态信息素蒸发因子,在提升寻优精度的同时加快求解速度。(2)针对单点瓦斯浓度预测模型存在预测精度低的问题,研究瓦斯浓度时间序列的时空特性,将时空建模思想与DACO-LSSVM模型结合,构建瓦斯浓度时空预测模型。将时间延迟信息和空间位置信息引入瓦斯浓度预测模型,通过K-means算法确定最佳空间延迟算子边界值;通过实验分析得到最佳时间延迟算子边界值;提出一种基于样本相似度高斯函数的时空权矩阵建立方法,建立动态的时空权矩阵。采用工作面现场采集的瓦斯数据进行仿真实验,结果表明模型具有良好的预测效果。(3)针对时空预测模型会引入噪声的问题,将选择性集成学习方法与时空模型结合,提出一种基于选择性集成的瓦斯浓度时空预测模型。构建若干个具有差异性的基时空预测器,将基时空预测器集成时对应的权重组成权重向量,采用人工蜂群算法(ABC)对权重向量寻优。根据权重筛选出性能较好的基时空预测器,将归一化的权重作为每个基时空预测器的集成权重,得到集成模型。采用测试集数据进行仿真实验,结果表明模型进一步提高了瓦斯浓度预测精度。