当前,瓦斯灾害是威胁我国煤矿安全生产过程的灾害之一。从煤矿实际监测数据中提取影响瓦斯浓度变化的因素,充分挖掘瓦斯浓度变化的规律,建立准确可靠的瓦斯浓度预测模型对于有效避免瓦斯灾害的发生具有重要意义。本文从时空序列数据分析和建模出发,首先探讨时空序列的特性:时空自相关性、时空偏相关性和时空平稳性,并研究传统时空模型STARMA的建模步骤:空间权矩阵建立、模型识别、参数估计和模型诊断。基于传统神经网络理论,引入时间延迟算子和空间延迟算子,采用单隐层前馈神经网络对神经网络进行空间扩展,构造一种基于时间分析和空间分析的新型时空神经网络,采用极限学习机对时空神经网络进行训练,提出一种新型的时空神经网络STELM学习算法。针对煤矿瓦斯监测系统中每个监测点的瓦斯浓度序列不仅在时间上与其历史数据信息有关,不同监测点的瓦斯浓度序列在空间上也存在一定相关性,将本文提出时空神经网络模型应用到瓦斯浓度预测中,结合实际煤矿瓦斯浓度序列数据,设计基于时空神经网络模型的瓦斯浓度预测方案,分别采用K-means聚类算法和GP算法确定时空神经网络模型的空间延迟参数和时间延迟参数。对本文所提出的时空神经网络学习算法STELM和传统的神经网络学习算法进行仿真实验和对比分析,说明STELM算法的性能确实优于传统神经网络学习算法;对建立的时空神经网络瓦斯浓度预测模型与传统STARMA模型进行仿真实验和对比分析,证明本文所提出的时空神经网络模型预测精度高于传统STARMA模型。