爆破振动的质点峰值速度（Peak Particle Velocity,PPV）是评估爆破开采设计参数合理性的重要指标。为实现一种PPV有效预测模型，借助粒子群优化算法（Particle Swarm Optimization,PSO），结合优化极端梯度提升树（Extreme gradient boosting,XGBoost），构建了一种参数自优化的PSO-XGBoost预测模型。以LK露天铜钴矿为研究对象，选取最大单段炸药量、总炸药量、测量的爆心距、炮孔平均进深尺度和高程差共5个影响因素指标作为研究参数，通过现场收集187次爆破作业实测数据，进一步开展PPV的PSO-XGBoost预测研究，并与传统XGBoost模型、SSA-XGBoost优化模型及萨道夫斯基经验公式的PPV回归预测进行对比分析，最后利用Shapley Additive Explanatory(SHAP)方法开展影响PPV预测结果的敏感性因素分析。结果表明：PSO-XGBoost预测模型的预测评价指标计算结果最优（R2=0.921,RMSE=0.0752,MAE=0.0717,MBE=0.0683），其对PPV的预测结果明显优于传统XGBoost模型、SSA-XGBoost混合优化模型及萨道夫斯基经验公式，同时，敏感性分析得到总炸药用量是影响PPV预测结果的重要参数。进一步说明PSO-XGBoost预测模型可处理多因素的非线性特征，利用PSO-XGBoost预测模型能够更好地结合非线性、离散数据，建立一种可靠、简单有效的PPV预测模型。研究结果可为露天矿山爆破振动快速预测提供参考。