准确预测煤炭自燃温度对于地下矿山的早期预警至关重要，但由于温度-气体演化过程具有强烈的非线性和非平稳性，这一任务仍然具有挑战性。为了解决这个问题，本研究提出了一个轻量级的预测框架，该框架将增强型人工兔子优化（EARO）算法与轻量级梯度提升机（LightGBM）相结合。首先，根据工程可用性和领域知识，预先定义了五个关键气体指标；然后使用最大信息系数（MIC）分析来验证这些指标与煤炭温度演化的非线性相关性，从而形成一组简洁且信息丰富的指标集。接下来，采用LightGBM对这些指标与温度之间的非线性关系进行建模。为了降低LightGBM对超参数设置的敏感性并提高调优效率，EARO引入了一种自适应探索率衰减策略，以平衡全局探索和局部利用，从而实现稳定的超参数优化。所提出的EARO–LightGBM模型经过九个基准模型的验证，并通过重复的蒙特卡洛数据分割和统计显著性测试进一步确认了其鲁棒性。在30次重复的保留测试中，EARO–LightGBM的平均绝对误差（MAE）为，均方根误差（RMSE）为，平均绝对百分比误差（MAPE）为，以及，其性能优于其他比较模型。这些发现表明，将预先定义的气体指标（通过MIC验证）与EARO优化的LightGBM相结合，为煤炭自燃温度预测提供了一种有效且可靠的方法。
