近年来,随着中国经济的平稳快速发展,城乡工业化建设和工业、交通规模持续扩大,工厂建设的越来越多,机动车保有量逐年攀升等情况带来石化、能源消耗不断增加,汽车尾气、工业排放、建筑扬尘、垃圾焚烧等废气排放增加的问题。由此引发的空气污染问题日趋严重,已逐渐成为人民群众日益关注的重大民生问题。针对当前许多空气污染物浓度预测模型主要只针对时序特征建模预测,空间信息只是作为普通特征数据使用,存在诸如信息利用不充分、预测效果较差等问题。论文研究主要包括两个方面的内容:首先利用卷积神经网络挖掘待预测站点与其邻域的潜在空间关系,构建了一个基于空间相关性的预测模型来预测PM2.5浓度;另一方面,针对单纯从时序信息角度建模的片面性,采用Stacking集成模型将基于梯度提升框架的时间模型与神经网络框架的空间模型有效集成,构建了一个综合时空信息的PM2.5预测模型,有效地提高污染物浓度预测的效果。论文主要研究工作与创新如下:1)结合空气质量历史数据与气象历史数据构造训练数据集和测试集。采用不同时间间隔采样得到不同时间尺度的训练子集,然后基于各个子集分别训练梯度提升模型,最终以各个子模型输出的加权和作为预测结果。2)采用空间插值法将相邻空气质量站点的监测数据聚合到待预测站点的空间邻域之内,构造其邻域矩阵数据集,并以此作为训练数据构建卷积神经网络回归模型。3)以全连接神经网络为次级学习器算法,构建基于Stacking的集成模型,综合时序梯度提升模型和卷积网络模型的预测结果。4)最后,分析对比各个模型的预测性能,验证本文所提出的Stacking模型的有效性。