瓦斯灾害是煤矿安全生产中最常出现的灾害之一。目前,我国瓦斯事故总量较大,而且伤亡严重、经济损失大。因此,提高瓦斯浓度预测精度对有效避免瓦斯灾害的发生具有重要意义。本文从时空角度出发,挖掘时空序列数据特性,研究时空序列模型的建模方法。基于时空建模思想,以传统神经网络为基础,通过引入时间和空间延迟算子,构建了时空神经网络模型;在学习算法方面,对极限学习机(ELM)算法进行扩展,得到时空神经网络的学习算法(STELM)。由于该时空神经网络模型将空间关联性作为输入权重,使得学习算法仅需要确定时间延迟算子边界值和空间延迟算子边界值两个参数,从而简化了时空建模的复杂性。为进一步提高预测性能,引入选择性集成学习方法,利用L1范数正则化稀疏加权集成多个STELM学习器,给出了正则化约束下的STELM建模方法(SERSTELM),并将其应用于瓦斯浓度预测研究中。结合实际煤矿瓦斯浓度监测数据,设计了基于SERSTELM的瓦斯浓度预测方案,包括:数据采集、数据预处理、基模型的生成、模型选择以及瓦斯预测五个步骤。最后,将STELM学习算法与BP、SVM、ELM算法进行仿真实验及对比分析,结果表明STELM具有更高的预测精度;将采用STELM为基模型的选择性集成模型SERSTELM与ELM、STELM、SERELM模型进行仿真实验及对比分析,结果表明本文设计的SERSTELM模型具有更好的预测性能。