在大气污染严重的地区建立一个有效的PM2.5浓度预警系统,对环境监管部门做好预防措施起着极其关键的作用。因此,本文提出了一个新颖的“二次分解-集成”学习范式,其结合了小波包分解(WPD),互补集成经验模态分解(CEEMD),相空间重构(PSR),最小二乘支持向量回归(LSSVR),混沌粒子群-重力搜索算法(CPSOGSA),来进行短期的PM2.5浓度预测。首先,二次分解(SD)将WPD和CEEMD分解算法结合,被用来分解原始PM2.5时间序列,从而获得若干个本征模态函数(IMFs)。其次,利用PSR方法确定各个分解分量的最优模型输入形式,减少了人为选择和其他方法对预测精度带来的影响。然后,利用CPSOGSA优化的LSSVR模型对每个重构后的分量分别建模预测,从而得到所有的分量的预测值。最后,使用另外一个LSSVR-CPSOGSA预测模型对每个预测的分量进行集成建模,从而得到PM2.5浓度的最终预测值。为了验证和说明,所提出的模型被用来预测沈阳、成都两个城市的PM2.5浓度。实验结果表明,SDLSSVR-CPSOGSA模型在方向和水平预测精度上,明显优于本文中其它基准模型,其充分展示了基于“二次分解-集成”学习范式及组合优化算法预测模型的稳健性和泛化能力。