区域空气污染事件的频发,促进了环境信息化的大量投入,也直接导致了环境数据的爆发式增长。公众对于空气质量数据的共享和信息服务的需求日渐迫切;政府对于环境投入的价值输出以服务政策制定的需求也日益迫切。面对高维、海量的环境大数据,如何分析并挖掘数据内部隐藏的价值规律,为管理部门决策和公众出行服务,是一项挑战。本课题着重探索基于时空数据挖掘的城市空气污染关联、溯源及预测方法。本文采集了城市环境、气象、交通、兴趣点（Point of Interest,POI）等多源时空数据。首先,提出了一种基于污染时空特征的城市区域划分方法,用张量来刻画城市环境空气质量数据的时间、空间多维度信息关联,构建地点—历史天—时刻三阶环境张量模型,并通过张量分解划分空气污染模式,弥补前人方法中割裂各模式之间的联系导致大量相关性信息丢失的不足,并结合POI特征模型识别污染区域功能类型,便于理解污染模式的形成与演化。其次,提出了环境-交通-气象最大信息熵模型和不同气象条件下大气复合污染关联规则发现方法,定量解析了交通、气象对环境污染的联合作用及不同气象下PM_2.5和O₃复合污染关联规则,为大气复合污染控制策略提供支持。第三,提出了城市尺度空气污染常规化传输路径和污染源头发现方法,构建环境图模型并利用频繁子图挖掘方法实现城市内部污染溯源,填补了城市内部空气污染常规化传输路径发现的研究空白。最后,提出了时空关联兼顾的序列到序列污染物浓度预测方法,该方法充分利用LSTM长短时间记忆的优点和编码再解码过程对时间序列显式建模的能力,同时考虑到大气复合污染多污染物间的关联,以及气象条件对污染物浓度的影响,基于多源数据的序列到序列模型对空气污染物浓度预测准确度及运行速度均得到提升。基于时空数据挖掘的城市空气污染关联、溯源及预测方法的探究,为环境大数据的挖掘与空气污染问题的分析提供了新思路和新方法,为城市空气污染的“靶向治疗”提供科学依据,为城市建设、产业规划、交通组织与诱导、居民出行决策以及环境减排决策提供方向支持。