煤矿瓦斯事故是我国煤矿安全开采过程中最主要的威胁之一,所以对采煤工作面进行瓦斯涌出量的预测预警以及技术的创新有着非常重要的意义。各类因素共同影响着瓦斯气体的涌出,且它们具有一定的复杂性、非线性、特征相关性。为了获得比传统预测方法更好的预测效果,在分析国内外现有瓦斯涌出量预测的成果基础上,结合机器学习、智能算法,将局部线性嵌入理论(LLE)和人工蜂群(ABC)算法以及核极端学习机(KELM)运用到瓦斯涌出量的预测当中,提出改进的方法,建立新的预测模型。首先采用改进的局部线性嵌入算法对导致瓦斯涌出因素的特征属性进行约简,在保证特征数据完整性的情况下剔除冗余的信息,实现降维。将经过约简、归一化的样本分为训练集与测试集,用训练集对KELM模型进行训练。由于此过程中需对KELM模型的惩罚系数以及核参数进行寻优,因此本文提出引入局部混沌搜索(Chaos Searching)策略的方法改进ABC算法,并用该算法对KELM模型参数进行寻优,建立基于改进LLE算法与CSABC-KELM的煤矿瓦斯涌出量预测模型。利用测试集数据对该预测模型进行试验分析,并与原始数据未经过处理的CSABC-KELM、KELM、ABC-ELM、ELM、BP神经网络预测模型进行比较。结果表明:改进LLE算法与CSABC-KELM相结合的预测模型相比于其它传统预测模型,预测精度显著提高,误差减小、泛化能力增强,能有效地预测瓦斯涌出含量,可提高煤矿挖掘过程中的安全系数。