在时间序列的分析与预测中,区间预测模型由于其相比于普通的单值预测模型能够更好地体现数据变化的动态特性而愈来愈受到重视。基于核的学习方法由于模型容易确定、算法简单快速成为机器学习和模式识别领域的热点,被众多学者成功应用于时间序列数据的回归预测中。针对传统区间预测方法预测耗时较长且应用于具体工业问题中精度较低的问题,本文提出一种基于双高斯核的在线区间预测方法,通过两个核的相互调节可以很好的描述非线性系统的动态,同时,该方法将传统预测区间构造过程中对雅克比矩阵的复杂计算转化为对核的计算,大大降低了计算成本。为确定所提方法的超参数,采用共轭梯度下降算法来优化模型预测误差,使其逼近样本数据中有效噪声的方差,通过对超参数的优化提高了模型的预测精度。为验证本文所提方法的有效性,对某冶金企业现场实时数据库中的煤气流量数据进行了仿真实验并与其他算法进行了比较。在实验中,本文以区间覆盖率、平均区间面积、综合区间评价指标以及区间预测耗时这四个指标来评价预测区间的性能,并对几种区间预测算法预测出的区间就这四个指标进行了比较,其结果表明本文方法在预测精度、可靠性和实时性三方面都表现出明显的优势,可以满足冶金工业煤气流量在线区间预测对实时性和预测精度的要求。