为充分挖掘瓦斯浓度监测数据的变化规律,实现工作面瓦斯浓度的准确预测,提出了一种基于CS-LSTM 的工作面瓦斯浓度智能预测模型。采用样条插值法对瓦斯浓度监测数据的缺失值进行插补,再进行无量纲化处理,得到训练样本;利用布谷鸟搜索(CS)算法对长短期记忆网络(LSTM)的隐藏层层数及其神经元个数、全连接层层数及其神经元个数等4 个超参数进行寻优,建立最优瓦斯浓度预测模型,并预测工作面未来12 h 的瓦斯浓度。研究结果表明:与LSTM 及基于遗传算法(GA) 的LSTM模型预测结果相比,在相同迭代次数下,CS 算法具有更好的全局寻优能力,有效避免了GA 算法易陷入局部最优的不足;基于CS-LSTM 预测模型的均方根误差( RMSE) 为0. 023,该模型与其他2 种模型相比精度较高,预测效果较好。