随着经济、工业和交通运输业的快速发展以及城市人口的持续增长,为满足人们日常生产生活的需要,传统化石燃料的开采和消耗呈现近乎直线增长趋势,而随之而来的大量工业和机动车污染废气的排放,使得空气污染成为当今人类面临的最严重的问题之一。据研究表明,作为主要空气污染物之一的PM2.5,给人体健康、交通安全和经济发展带来很大的负面影响。首先,它会损伤人体的呼吸系统,增加呼吸疾病发病率和死亡率,给人们的身体直接带来损害;其次,高浓度的PM2.5会造成能见度下降,从而影响驾驶员的视线和操作,造成各地交通事故频发;最后,PM2.5浓度的升高还会对社会经济造成巨大影响,例如社会和医疗成本的提高等。由此可见,建立科学有效的PM2.5预测系统具有重要理论和现实意义。近年来,如何对其进行有效的预测已成为了国内外相关学者最关注的问题之一。许多学者从不同角度不同研究方向对PM2.5浓度预测进行分析和探究,并提出了多种预测方法。然而,当前的预测研究工作仍面临问题和挑战:一方面,现有的多数确定性预测模型仅对PM2.5浓度进行建模,并未考虑其他变量对它的影响关系,使得预测误差较大;另一方面,包含PM2.5在内的空气污染物浓度越来越复杂,隐含的信息也越来越多,现有预测模型对序列的趋势和范围变化的刻画能力不足。因此,解决上述问题将成为本文进行研究工作的重点。本文首先建立了一种基于多维数据分解重构技术和注意力机制的长短期记忆神经网络多变量确定性预测模型用以弥补单变量确定性预测研究中的不足。该模型使用多元经验模态分解技术对原始多维变量进行分解和重构,去除对预测精度有负面影响的信息;然后结合注意机制,利用长短期记忆神经网络对重构变量进行建模,通过计算隐藏状态在不同时刻的注意权重来预测目标变量。最后由全连接层输出预测结果。因PM2.5浓度对气象条件变化较为敏感,在实证研究中,本文选取了七个气象变量来考察其对目标变量的影响。设计的三组对比试验结果显示提出的多变量确定性预测模型的预测性能显著优于本文采用的十一种对比模型,具有较优异的预测性能,可以提供较为可靠准确的PM2.5浓度确定性预测结果。为了解决现有确定性模型无法提供PM2.5浓度可能的波动范围和变化趋势等问题,本文又提出了一种基于数据特征分解技术、模糊信息粒化策略和改进多目标优化算法的区间预测系统。该模型首先采用先进的数据分解技术对原始时间序列进行特征分解,得到具有非平稳性和随机性特征的波动子序列和重构后相对平稳的趋势子序列,接着使用模糊信息粒化策略对波动子序列进行模糊粒化处理,通过划分窗口,得到若干个模糊集;然后,采用经过改进的多目标优化算法优化后的组合模型对波动序列和趋势序列分别进行预测,最后,将预测结果相结合得到混合区间预测结果。选取具有代表性的三个城市PM2.5浓度数据进行实证检验,设计的三类对比实验结果表明所提出的区间预测模型获得较高的层段覆盖率,较窄的预测层段宽度,较低的AWD指标值,表现出较好的预测效果。此外,本文还采用了三种检验方法（预测有效性检验、敏感性检验和评价指标改善率检验）对实验结果进行了进一步的分析和讨论,检验结果均显示出提出模型优越的预测性能。本文提出的确定性和不确定性预测模型不仅丰富和拓展了空气污染领域的研究框架,还给相关部门决策者提供了有用的信息,帮助他们分析评估空气污染物水平和治理措施,为后续的空气污染防控和公众预警信息公布带来可靠参考。本文提出模型的创新之处可总结为三点:①不同于现有单变量预测模型,本文构建了一种多变量确定性预测模型,其可以探索多个变量与PM2.5浓度的相关性,挖掘了影响目标变量的复杂因素,一定程度上解决了单变量确定性预测研究中预测误差大的问题;②以往的研究多聚焦于确定性预测,本文构建了一种区间预测模型,其可以有效挖掘原始数据的主要特征,得到的序列的波动范围和变化趋势一定程度上量化了不确定信息;③提出了一种改进的多目标优化算法,其可以提供更广泛的搜索范围和多样化的搜索群体的同时,还可以提高整体搜索能力和精度。因此,该预测系统能为未来空气污染的发展趋势的判定和环境政策的制定提供有力依据。