煤炭是我国能源供应的主要形式,然而在煤炭资源开采过程中,矿井瓦斯灾害一直是困扰煤炭安全生产棘手且亟待解决的问题,提高矿井高风险区域的瓦斯浓度预测是防治瓦斯灾害的关键一环。本文以安徽淮南某煤矿19011工作面瓦斯浓度及其影响因素实测数据为研究对象,提出一种优化的组合预测模型方法对矿井工作面瓦斯浓度进行预测研究,主要内容包含如下几个方面:首先,详细阐述矿井工作面瓦斯浓度的主要影响因素,分析瓦斯浓度与影响因素之间的关联关系,并对瓦斯浓度及其影响因素构成的数据样本进行预处理,实现瓦斯浓度影响因素的特征约简。其次,分别构建单一预测模型AM-LSTM（Attention Mechanism-LSTM）和XGBoost,并根据单一模型预测误差和最优权重法确定组合模型的权重分配,建立AM-LSTM XGBoost组合预测模型。通过对比组合模型与单一模型的预测精度、注意力机制消（AM）融性实验、不同权重确定方法的预测结果和误差,对所提组合模型的优越性和有效性进行验证。再次,为提高组合模型的预测性能,考虑到单一模型在预测精度上仍有较大的提升空间,从改善单一模型预测精度的角度出发,利用哈里斯鹰优化算法对单一模型的主要参数进行优化,并针对HHO优化算法存在的不足做如下改进:第一,在HHO算法中引入精英混沌反向学习策略,取代HHO算法中随机初始化种群机制,完成种群初始化并提高初始种群中精英个体的数量占比;第二,利用拉普拉斯交叉算子策略对算法迭代后期的最优个体进行扰动,提升种群个体适应度,帮助种群克服局部最优桎梏,从而寻求全局最优值。通过十个测试函数和对比模型验证了IHHO算法在寻优精度和迭代速度上的优越性。最后,利用IHHO对单一模型AM-LSTM和XGBoost的主要参数进行优化,构建单一预测模型IHHO AM-LSTM和IHHO XGBoost,并根据最优组合权重策略建立IHHO AMLSTM XGBoost组合预测模型。对比分析各模型预测结果,IHHO AM-LSTM模型的MAPE和RMSE较AM-LSTM分别降低20.28%和13.27%,IHHO XGBoost模型的MAPE和RMSE较XGBoost分别降低15.65%和8.89%,验证了IHHO在提升单一模型预测精度的有效性。IHHO AM-LSTM XGBoost的MAPE和RMSE较AM-LSTMXGBoost分别降低12.71%、12.38%。综上,利用组合模型对瓦斯浓度进行预测,不仅可以提高预测的精确度,而且在一定程度上提高模型预测的稳定性,有效克服单个预测模型鲁棒性差的缺陷,对于提高复杂环境下矿井瓦斯浓度的预测具有十分重要的意义。该论文有图29幅,表19个,参考文献61篇。