近年来空气污染问题严重影响人们的生产生活,因此对于空气质量数据的分析和预测也成为了近些年来的研究热点。在对这一类空气质量数据进行分析时,发现该类型的数据不仅具有时间关联性,同时也具有空间相关性。此类数据具有多源、多变量、多尺度的时空特点。本文针对具有时空特征的空气质量数据进行时空分析,利用本文所提模型进行预测,进一步提高了空气质量数据的预测精度,为空气污染问题的预防和治理提供了数据支撑。针对传统时空Kriging插值模型所存在的计算过程复杂和病态矩阵问题,本文将弹性网算法和时空Kriging插值模型相结合,使用弹性网算法解决病态矩阵求解,提高解的稳健性。本文所提改进时空Kriging插值模型与传统时空Kriging插值模型相比,有效保证了解的稳健性,提高插值精度。同时,本文利用空气质量数据进行了验证。此外,为了验证该模型的泛化性能,本文使用了长三角地区的气温数据集进行验证,同样得到良好的预测效果。针对单一的预测模型存在的不可避免的精度或计算复杂度的问题,本文提出一种混合时空预测模型。该模型主要利用基于灰色关联分析方法量化空间关系,同时利用该空间关系构建空间权重矩阵。空间权重矩阵可以保留时空数据中的有效空间信息。通过非负稀疏自编码进行时空特征提取,最大程度的保证有效的时空信息,提高预测精度。该模型使用回声状态神经网络作为预测框架。混合模型从空间关系捕捉的角度,提出一种新的空间权重计算方式,有效保留空间信息。同时结合回声状态网络作为预测模型,将该混合模型应用到空气中SO₂浓度数据集和空气质量数据集中。