為有效挖掘瓦斯涌出量監測數據隱含特征,預防瓦斯動力災害,基于希爾伯特-黃變換(HHT)方法、布谷鳥搜索算法(CS)和極限學習機(ELM)基本理論,構建了瓦斯涌出量的HHT-CSELM動態預測模型。通過EMD將樣本序列分解成多個不同頻率的本征模態函數(IMF)分量;利用Hilbert變換獲取各分量的瞬時頻率,并據此將IMF分量劃分成較高頻和低頻,采用不同的預測模型進行預測,經疊加各預測值得到最終預測結果。以汾西礦業集團某礦瓦斯涌出量監測數據為例進行仿真實驗,結果表明:HHT方法能有效降低數據復雜度,其最小相對誤差為0.144%,最大相對誤差為0.388%,平均相對誤差為0.281%,具有較高的預